Nové pokroky zlepšují detekci kašle u nositelných zdravotních monitorů

Vědci zlepšili schopnost nositelných zdravotních zařízení přesně detekovat, když pacient kašel, což usnadňuje sledování chronických zdravotních stavů a ​​předpovídá zdravotní rizika, jako jsou astmatické útoky. Pokrok je významný, protože technologie detekce kašle historicky se snažily odlišit zvuk kašle od zvuku řeči a neverbálních lidských zvuků.

Kašel slouží jako důležitý Biomarker pro sledování různých podmínek. Například frekvence kašle nám může pomoci sledovat pokrok respiračních onemocnění nebo předpovídat, kdy se prohlubuje stav astmatu někoho a možná budou chtít používat svůj inhalátor. Proto existuje zájem o vývoj technologií, které mohou detekovat a sledovat frekvenci kašle. “

Edgar Lobaton, odpovídající autor příspěvku o práci a profesorovi elektrotechniky a počítačové inženýrství, Severní Karolína State University

Nositelné zdravotní technologie nabízejí praktický způsob detekce zvuků. Teoreticky mohou být modely s vestavěným strojovým učením vyškoleny, aby rozpoznaly kašel a odlišily je od jiných typů zvuků. Při použití v reálném světě se však tento úkol ukázal jako náročnější, než se očekávalo.

„Zatímco modely se velmi dobře rozlišovaly kašel od zvuků na pozadí, tyto modely se často snaží odlišit kašel od řeči a podobných zvuků, jako jsou kýchání, čištění krku nebo sténání,“ říká Lobaton. „Je to do značné míry proto, že v reálném světě tyto modely probíhají zvuky, které nikdy předtím neslyšely.

„Modely detekce kašle jsou„ vyškoleny “v knihovně zvuků a řekli, které zvuky jsou kašel a které zvuky nejsou kašel,“ říká Lobaton. „Ale když model probíhá přes nový zvuk, jeho schopnost odlišit kašel od nekloubu.“

K řešení této výzvy se vědci obrátili na nový zdroj dat, který by mohl být použit k tréninku modelu detekce kašle: samotné monitory nositelného zdraví. Konkrétně vědci shromáždili dva typy dat ze zdravotních monitorů navržených pro nošení na hrudi. Nejprve vědci shromažďovali zvuková data vyzvednutá monitory zdraví. Za druhé, vědci shromažďovali data z akcelerometru ve zdravotnických monitorech, který detekuje a měří pohyb.

„Kromě zachycení zvuků v reálném světě, jako je kašel a zasténání, zachycují zdravotní monitory náhlé pohyby spojené s kašlem,“ říká Lobaton.

„Samotný pohyb nelze použít k detekci kašle, protože pohyb poskytuje omezené informace o tom, co generuje zvuk,“ říká Yuhan Chen, první autor příspěvku a nedávné Ph.D. Absolvent ve státě NC. „Různé akce – jako smích a kašel – mohou produkovat podobné vzorce pohybu. Ale kombinace zvuku a pohybu může zlepšit přesnost modelu detekce kašle, protože pohyb poskytuje doplňkové informace, které podporují detekci založené na zvuku.“

Kromě čerpání z více zdrojů dat shromážděných ze zdrojů v reálném světě stavěli vědci také na předchozí práci, aby zdokonalovali algoritmy používané modelem detekce kašle.

Když vědci testovali model v laboratorním prostředí, zjistili, že jejich nový model je přesnější než předchozí technologie detekce kašle. Konkrétně měl model méně „falešných pozitiv“, což znamená, že zní, že model identifikovaný jako kašel pravděpodobně byl ve skutečnosti kašel.

„Je to smysluplný krok vpřed,“ říká Lobaton. „Dostali jsme se velmi dobře při odlišení kašle od lidské řeči a nový model je podstatně lepší při odlišení kašle od neverbálních zvuků. Stále existuje prostor pro zlepšení, ale máme dobrou představu o tom, jak to řešit a nyní na této výzvě pracuje.“

Papír, „Robustní detekce multimodálního kašle s optimalizovanou detekcí mimo distribuci pro nositelné stránky“ je publikován v IEEE Journal of Biomedical and Health Informatics. Příspěvek byl spoluautorem Feiya Xiang, Ph.D. Student ve státě NC; Alper Bozkurt, rodina McPherson Distinguishosův profesor inženýrské podnikání ve státě NC; Michelle Hernandez, profesorka pediatrické alergie-imunologie na lékařské fakultě University of North Carolina; a Delesha Carpenter, profesorka lékárny UNC’s Eshelman School of Pharmacy.

Tato práce byla provedena s podporou National Science Foundation (NSF) pod granty 1915599, 1915169, 2037328 a 2344423. Práce byla také podporována střediskem NC State pro pokročilé systémy integrovaných senzorů a technologií), které byly vytvořeny s podporou NSF v rámci 1160483.