用于检测咳的加速度计信号的特征评估

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 可穿戴技术可穿戴技术

背景情况:

• 咳检测对于监测喘和COPD等呼吸道疾病至关重要.
• 目前的方法依赖于音频分析,这引发了由于常开麦克风的隐私问题.
• 机器学习和深度学习通常用于基于音频的咳检测.

研究的目的:

• 探索一种替代的,保护隐私的咳检测方法.
• 开发一种非接触式系统,使用加速度计来区分咳与其他运动.
• 评估基于运动的信号的有效性,以持续监测呼吸系统健康状况.

主要方法:

• 使用非接触式三轴加速度计来捕获运动信号.
• 从加速度计数据中提取了43个时间域特征.
• 采用了六种特征排名方法,包括递归特征消除 (RFE),来选择顶级特征.
• 训练68个逻辑回归模型,使用主体记录分割和离开一个主体 (LOSO) 交叉验证.

主要成果:

• 最好的主体记录分割模型实现了92.20%的准确度,90.87%的灵敏度,93.52%的特异性和92.09%的F1得分,使用了20个RFE选择的特征.
• 最好的LOSO模型实现了89.57%的准确度,85.71%的灵敏度,93.43%的特异性和88.72%的F1得分,使用了10个RFE选择的特征.
• 证明了基于运动的功能对咳检测的有效性.

结论:

• 使用加速度计的基于运动的咳检测系统是可行的和有效的.
• 这种方法为基于音频的监控提供了一种保护隐私的替代方案.
• 这些发现支持未来开发可穿戴的,非接触式咳检测器,用于呼吸系统健康管理.