本文介绍了一种名为Rene的多模态深度学习架构，结合预训练语音识别模型和医疗记录信息，显著提升了呼吸事件检测和音频分类的性能。在ICBHI数据库上，该架构实现了23%的疾病预测分数提升，并开发了实时呼吸音辨别系统，适用于可穿戴设备。

本文介绍了一种多视图谱图变换器（MVST）模型，应用于呼吸音频谱图分类，显著提高了肺病诊断的准确性。该模型在ICBHI数据集上取得了4.08%的最佳成绩，并通过跨领域适应技术提升了分类能力，适用于COVID-19预筛查，为未来的呼吸模式自动分析提供了可能。

本文介绍了一种基于深度学习的呼吸声异常检测方法，采用CNN-RNN模型进行分类，准确率达到71.81%。研究还探讨了可穿戴设备在监测呼吸停止等问题中的应用，并提出了一种低成本的COVID-19预筛查方法，显示了深度学习在呼吸监测中的潜力。

多项研究探索利用深度学习分析咳嗽与呼吸音频预筛查COVID-19。模型集成优于传统方法，呼吸音频诊断性能更佳；支持向量机、多层感知机及ResNet50等分类器表现良好，自监督预训练和模型压缩可提升效率。结合声音与症状的AUC达0.79，为低成本无接触筛查提供依据。