DeepPuff:利用深度学习在自由生活环境中识别吸烟行为

科学领域:

• 生物医学工程 生物医学工程
• 公共卫生 公共卫生
• 机器学习 机器学习

背景情况:

• 评估吸烟行为和健康影响需要准确测量烟雾暴露.
• 现有的量化烟雾暴露的方法可能是有限的,特别是在现实环境中.

研究的目的:

• 开发和验证一个深度学习模型,DeepPuff,用于量化呼吸道烟雾暴露指标 (RSEM).
• 为了能够精确测量烟雾吸入事件和相关的呼吸指标.

主要方法:

• 一个CNN-LSTM深度学习架构 (DeepPuff) 是使用呼吸和手势传感器 (PACT 2.0) 的数据开发的.
• 该模型在190个吸烟事件中进行了训练,并通过459个事件 (实验室和自由生活) 的独立数据集进行了验证.
• 呼吸道烟雾暴露指标被计算并与视频注释的地面真相进行比较.

主要成果:

• 在检测吸入烟雾方面,DeepPuff取得了高精度:82.39% (训练) 和93.80% (测试).
• 在实验室条件下,测试精度为95.88%,在自由生活条件下为93.78%.
• 与视频注释相比,RSEM指标 (气泡持续时间,吸入-呼气持续时间,吸入持续时间) 没有显示出统计差异.

结论:

• DeepPuff在量化呼吸道烟雾暴露指标方面表现出高准确度和可靠性.
• 该模型适用于测量烟雾暴露,即使在自由生活条件下.
• 这项技术可以推进对吸烟行为及其健康影响的综合评估.