នៅក្នុងការអភិវឌ្ឍដ៏សំខាន់មួយសម្រាប់វិស័យវិនិច្ឆ័យរោគមេកានិច ការសិក្សាថ្មីមួយបានបង្ហាញពីប្រសិទ្ធភាពនៃការរួមបញ្ចូលគ្នារវាងសញ្ញាម៉ូឌុលប៊ីស្ពិចទ្រូម (MSB) ជាមួយនឹងបណ្តាញសរសៃប្រសាទ convolutional (CNN) សម្រាប់ការធ្វើរោគវិនិច្ឆ័យកំហុសរបស់ហ្គែររាងជារង្វង់វិធីសាស្រ្តប្រកបដោយភាពច្នៃប្រឌិតនេះសន្យាថានឹងបង្កើនភាពត្រឹមត្រូវ ការរកឃើញលឿនជាងមុន និងប្រព័ន្ធវិនិច្ឆ័យដ៏ឆ្លាតវៃជាងមុនសម្រាប់ប្រអប់លេខដំណើរការខ្ពស់ដែលប្រើប្រាស់ក្នុងកម្មវិធីអវកាស យានយន្ត និងឧស្សាហកម្ម។

វង់ហ្គែរ​ជ្រុងគឺជាសមាសធាតុបញ្ជូនដ៏សំខាន់ដែលមាននៅក្នុងគ្រឿងចក្រកម្លាំងបង្វិលជុំខ្ពស់ ឧទ្ធម្ភាគចក្រ ប្រព័ន្ធរុញច្រានសមុទ្រ និងឧបករណ៍កាត់បន្ថយឧស្សាហកម្មធុនធ្ងន់។ ដោយសារតែធរណីមាត្រស្មុគស្មាញ និងលក្ខខណ្ឌប្រតិបត្តិការរបស់វា ការរកឃើញដំបូងនៃកំហុសហ្គែរដូចជាការរួញតូច ការពាក់ និងការបាក់ធ្មេញនៅតែជាបញ្ហាប្រឈមផ្នែកបច្ចេកទេស។ បច្ចេកទេសដំណើរការសញ្ញាបែបប្រពៃណីច្រើនតែជួបការលំបាកជាមួយនឹងការជ្រៀតជ្រែកសំឡេង និងលក្ខណៈកំហុសមិនមែនលីនេអ៊ែរ។

វិធីសាស្ត្រថ្មីនេះណែនាំអំពីក្របខ័ណ្ឌវិនិច្ឆ័យកំហុសពីរដំណាក់កាល។ ដំបូង សញ្ញារំញ័រដែលបង្កើតឡើងដោយប្រព័ន្ធឧបករណ៍ប្រតិបត្តិការត្រូវបានវិភាគដោយប្រើសញ្ញាម៉ូឌុលប៊ីស្ពិចទ្រូម (MSB) ដែលជាបច្ចេកទេសវិភាគវិសាលគមលំដាប់ខ្ពស់ ដែលចាប់យកលក្ខណៈពិសេសមិនមែនលីនេអ៊ែរ និងមិនមែនហ្គោសៀននៃសញ្ញាប្រកបដោយប្រសិទ្ធភាព។ MSB ជួយបង្ហាញពីលក្ខណៈកំហុសដែលបានម៉ូឌុលដ៏ស្រទន់ ដែលជាធម្មតាត្រូវបានលាក់នៅក្នុងវិសាលគមប្រេកង់ស្តង់ដារ។

បន្ទាប់មក ទិន្នន័យសញ្ញាដែលបានដំណើរការត្រូវបានបំលែងទៅជារូបភាពប្រេកង់ពេលវេលា ហើយបញ្ចូលទៅក្នុងបណ្តាញសរសៃប្រសាទ convolutional (CNN) ដែលជាគំរូសិក្សាស៊ីជម្រៅដែលមានសមត្ថភាពទាញយកលក្ខណៈពិសេសនៃកំហុសកម្រិតខ្ពស់ដោយស្វ័យប្រវត្តិ និងចាត់ថ្នាក់លក្ខខណ្ឌហ្គែរ។ គំរូ CNN នេះត្រូវបានបណ្តុះបណ្តាលដើម្បីបែងចែករវាងហ្គែរដែលមានសុខភាពល្អ កំហុសតូចតាច និងការខូចខាតធ្ងន់ធ្ងរឆ្លងកាត់លក្ខខណ្ឌបន្ទុក និងល្បឿនផ្សេងៗគ្នា។

លទ្ធផលពិសោធន៍ ដែលត្រូវបានអនុវត្តលើឧបករណ៍សាកល្បងហ្គែររាងជាវង់ដែលត្រូវបានរចនាឡើងតាមតម្រូវការ បង្ហាញថាវិធីសាស្រ្ត MSB CNN សម្រេចបានភាពត្រឹមត្រូវនៃការចាត់ថ្នាក់ជាង 97% ដែលមានប្រសិទ្ធភាពជាងវិធីសាស្រ្តប្រពៃណីដូចជាការវិភាគផ្អែកលើ FFT និងសូម្បីតែបច្ចេកទេសសិក្សាស៊ីជម្រៅផ្សេងទៀតដែលពឹងផ្អែកលើទិន្នន័យរំញ័រឆៅ។ លើសពីនេះ គំរូកូនកាត់នេះបង្ហាញពីភាពរឹងមាំខ្លាំងចំពោះសំឡេងរំខានផ្ទៃខាងក្រោយ ដែលធ្វើឱ្យវាសមស្របសម្រាប់កម្មវិធីឧស្សាហកម្មក្នុងពិភពពិត។

ការរួមបញ្ចូលសញ្ញាម៉ូឌុលប៊ីស្ពិចទ្រឹមជាមួយ CNN មិនត្រឹមតែបង្កើនប្រសិទ្ធភាពការទទួលស្គាល់កំហុសប៉ុណ្ណោះទេ ប៉ុន្តែវាក៏កាត់បន្ថយការពឹងផ្អែកលើវិស្វកម្មលក្ខណៈពិសេសដោយដៃផងដែរ ដែលជាដំណើរការដែលចំណាយពេលច្រើន និងពឹងផ្អែកលើជំនាញ។ វិធីសាស្រ្តនេះអាចធ្វើមាត្រដ្ឋានបាន ហើយអាចត្រូវបានអនុវត្តចំពោះសមាសធាតុម៉ាស៊ីនបង្វិលផ្សេងទៀត ដូចជាប៊ែររីង និងហ្គែរភព.

ការស្រាវជ្រាវនេះតំណាងឱ្យជំហានមួយទៅមុខក្នុងការអភិវឌ្ឍប្រព័ន្ធវិនិច្ឆ័យកំហុសឆ្លាតវៃសម្រាប់ឧស្សាហកម្ម ៤.០ និងវិស័យផលិតកម្មឆ្លាតវៃកាន់តែទូលំទូលាយ។ នៅពេលដែលស្វ័យប្រវត្តិកម្ម និងភាពជឿជាក់នៃម៉ាស៊ីនកាន់តែមានសារៈសំខាន់