本研究探讨了利用智能语音分析技术对新冠肺炎患者进行分类的方法，包括病情、睡眠质量和焦虑等方面。研究采用支持向量机等算法，结果表明该技术能够快速、低成本地检测新冠肺炎。此外，研究开发了肺音数据库，利用机器学习模型检测呼吸音，并提出了基于自监督学习的咳嗽分类框架，展示了增强模型性能的声学特征提取技术。

本文综述了利用声学传感器、智能手机和深度学习分析咳嗽声筛查新冠肺炎的研究。系统结合声学特征与症状元数据区分患者与健康人，敏感度达95.1%，特异度99.5%。研究提出增量迁移学习以减少对大规模患者数据的依赖，并开发出准确率约95%至97%的可解释诊断框架，为低成本无接触预筛查提供了新途径。