通过对称投射吸引器重建改善了咳分类

科学领域:

• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学
• 肺部病理学 肺部病理学

背景情况:

• 咳等呼吸系统障碍是患者健康状况下降的关键指标.
• 精确,持续监测呼吸道条件对于有效的患者管理至关重要.
• 现有的方法可能无法捕捉呼吸信号的复杂动态.

研究的目的:

• 通过对称投射吸引器重建 (SPAR) 提高呼吸系统障碍的分类准确性.
• 评估SPAR增强的深度学习模型对分析RESpeck设备数据的有效性.
• 评估远程咳检测在慢性阻塞性肺病 (COPD) 患者中的可行性.

主要方法:

• 利用对称投射吸引器重建 (SPAR) 来处理来自RESpeck设备的时间序列加速度计数据.
• 在健康志愿者的标记RESpeck数据上训练和评估各种深度学习模型 (CNN,RNN,混合型).
• 在COPD患者的纵向数据上测试了SPAR增强的深度学习模型,特别是CNN-BiLSTM.

主要成果:

• 一个通过SPAR增强的CNN-BiLSTM模型在分类呼吸系统障碍方面取得了83.09%的准确性.
• 分析显示,COPD患者的白天咳模式与现有的呼吸系统健康研究一致.
• 证明了使用RESpeck设备进行实用,远程咳检测的可行性.

结论:

• 将深度学习与SPAR结合起来,显著提高了从RESpeck数据中检测呼吸系统障碍的准确性.
• 使用这种技术对咳进行远程监测,为临床检查和自我报告提供了可行的替代方案.
• 这种方法促进了早期恶化的识别,个性化干预,并改善了COPD患者的治疗结果.