Fever Detection with Infrared Thermography: Enhancing Accuracy through Machine Learning Techniques

新冠疫情凸显了全球卫生系统中先进诊断工具的必要性。红外热像测温（IRT）已被证明是一种关键的非接触式测量体温的方法，对于识别与COVID-19等传染病相关的发热症状至关重要。传统的非接触式红外测温器（NCITs）在读数方面往往存在显著的变异性。为了解决这个问题，我们将机器学习算法与IRT相结合，以提高温度测量的准确性和可靠性。我们的研究系统评估了各种回归模型，使用启发式特征工程技术，重点关注特征的生理相关性和统计显著性。利用这些技术的卷积神经网络（CNN）模型取得了最低的RMSE值为0.2223，表现优异，超过了以前文献中报道的结果。在非神经网络模型中，Binning方法取得了最佳表现，RMSE为0.2296。我们的研究结果突出了将先进的特征工程与机器学习相结合以提高诊断工具效果的潜力，并具有扩展到其他非接触或远程感应生物医学应用的意义。本文全面分析了这些方法，为非侵入性医学诊断领域的未来研究提供了基础。

本文旨在通过将机器学习算法与红外热成像技术相结合，提高体温测量的准确性和可靠性，以应对全球卫生系统中的疫情挑战。

本文采用启发式特征工程技术系统地评估了各种回归模型，重点关注特征的生理相关性和统计学意义。其中，卷积神经网络（CNN）模型表现最佳，达到了0.2223的最低RMSE。

本文的实验设计细致，使用了大量数据集，并开源了代码。研究结果表明，结合先进的特征工程和机器学习技术可以提高诊断工具的有效性，这对其他非接触或遥感生物医学应用也具有启示意义。

最近的相关研究主要集中在红外热成像技术在COVID-19检测中的应用，例如“基于红外热成像技术的COVID-19病毒检测方法”等。