通过使用机器学习的多传感器智能服装自动检测咳

科学领域:

• 生物医学工程 生物医学工程
• 呼吸系统医学 呼吸系统医学
• 机器学习 机器学习

背景情况:

• 咳量化对于管理喘和慢性肺炎等疾病至关重要,但目前的方法 (问卷,音频录音) 有局限性.
• 由于回忆偏差,调查问卷缺乏准确性,而音频录音引发了隐私问题.
• 机器学习用于咳检测通常依赖于麦克风,造成类似的隐私风险.

研究的目的:

• 评估多传感器可穿戴设备 (不包括麦克风) 是否可以准确且不引人入胜地检测咳.
• 确定不同类型传感器 (加速,呼吸,心电图) 在咳检测中的相对重要性.
• 为了探索一个保护隐私的替代客观咳量化.

主要方法:

• 一个多传感器智能服装设备测量了44名健康成年人的3D加速,呼吸和心电图信号.
• 参与者在不同的姿势中执行各种任务,包括咳,呼吸,说话和笑声.
• 一个随机森林分类器经过训练和验证,使用主体间分割来根据传感器数据特征预测咳事件.

主要成果:

• 结合加速和呼吸的双传感器模型实现了最高的性能 (F1得分为93.0%).
• 单个传感器表现出强的性能:加速 (F1 92.6%),呼吸 (F1 88.9%) 和心电图 (F1 77.5%).
• 该系统成功地将咳与其他呼吸机动区分开来,强调了加速和呼吸数据的价值.

结论:

• 使用加速和呼吸传感器的多模式可穿戴设备可以准确地检测咳.
• 这种基于传感器的方法提供了一个保护隐私的替代方案,而不是用于咳量化的音频录音.
• 未来的研究可以利用这项技术在临床人群中进行远程咳监测.