医学信息学解锁18（2020）100313基于气流信号的便携式肺功能检测系统的自动咳嗽检测MateuszSolináskia，MichaMr.P.a，*，Mr.P.KoMr.P.ba波兰华沙Koszykowa 75，00-662，华沙理工大学物理系b华沙医科大学第一心脏病科，Z_ZagrakiiWigury61，02-091，华沙，波兰A R T I C L EI N FO关键词：咳嗽肺活量测定法咳嗽检测机器学习A B S T R A C T我们简要介绍了在过去十年中进行的咳嗽检测工作，并描述了为AioCare便携式肺量计系统开发的自动咳嗽检测解决方案。与更流行的声音和音频记录分析相反，我们的方法完全基于气流信号。由于该系统旨在用于各种环境和不同的患者，我们使用AioCare收集的数据和美国国家卫生统计中心NHANES数据库中的肺功能曲线大型数据库来训练和验证算法。我们训练了不同的分类器，如逻辑回归，前馈人工神经网络，支持向量机和随机森林，以选择具有最佳性能的分类器。选择ANN解决方案作为最终分类器。测试集（AioCare数据）的分类结果为：0.86（灵敏度）、0.91（特异性）、0.91（准确度）和0.88（F1评分）。本研究中开发的分类方法对于肺量测定测量期间检测咳嗽事件是稳健的。据我们所知，在这项工作中提出的解决方案是完全基于气流信号的自动咳嗽检测算法的第一个完全可再现的描述，并且是在已公布的商业肺量计系统1. 介绍咳嗽可以被描述为突然的，并且经常重复发生的，伴随着强有力的呼气努力的空气排出。咳嗽反射是由气道中咳嗽受体的刺激引发的[1]。因此，脑干中咳嗽中枢的神经冲动刺激横膈膜、肋间肌和喉，产生爆发性呼气的咳嗽。咳嗽通常反映呼吸道刺激或疾病，也可能作为哮喘、囊性纤维化或慢性阻塞性肺疾病（COPD）的早期症状发生[1，2]。应定期监测慢性肺部疾病患者，以评估疾病或治疗的进展。用于诊断和监测肺功能的常用方法是肺活量测定法。然而，COPD患者经常主诉呼吸困难和咳嗽，这些症状通常在服药期间加重。另一方面，肺量测定操作需要患者的体力劳动，并且可能导致气道刺激，从而导致检查期间的咳嗽。肺量测定标准要求正确的肺量测定操作不包含咳嗽，并且没有咳嗽伪影（特别是在强制呼吸呼气）[3]。最近，许多努力集中在开发具有与固定临床肺活量计相同或相似的功能的袖珍、移动峰值流量计和肺活量计，以扩展这种类型的监测的可访问性（例如，参考文献[4，5]）。这些系统设计用于在没有医生监督或由经验有限的医生（包括全科医生）监督的情况下进行肺量测定。因此，他们需要自动实时算法，可以准确有效地检测咳嗽，并在测量不正确的情况下警告用户。咳嗽检测问题已经被详尽地探索。计算能力的增长允许使用智能手机或专用硬件实时分析咳嗽信号。大多数研究与音频（声音）信号[ 6-23 ]或加速度计记录[ 24，25 ]相关，这与我们的贡献形成对比。在我们的解决方案中，我们不分析声音，而是分析通过肺活量计的气流信号;因此，环境噪声的麻烦影响在很大程度上被最小化。文献中描述的开发咳嗽检测和分割算法的主要目的是监测患者随时间的咳嗽并计数咳嗽发生率[ 6-17 ]。一些* 通讯作者。电子邮件地址：solinski@if.pw.edu.pl（M. Solináski），lepek@if.pw.edu.pl（M. epek）。https://doi.org/10.1016/j.imu.2020.100313接收日期：2020年2月4日;接收日期：2020年3月6日;接受日期：2020年3月7日2020年3月12日在线提供2352-9148/© 2020作者。出版社：Elsevier Ltd这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuM. Solináskietal.医学信息学解锁18（2020）1003132该研究致力于评估患有囊性纤维化的患者的病理程度[18]，以检测感冒[19]，结节性肺炎[20]或COPD [21]。存在关于用于咳嗽检测的不同传感器的相关性的若干研究ECG传感器、热敏电阻、胸带、血氧计）[26，27]，但未研究气流传感器。随着电子设备尺寸的不断减小，人们尝试开发可穿戴咳嗽检测系统[17，28，29]。最近的一个想法是利用智能手表进行动态咳嗽监测[30]。使用咳嗽声识别常见的呼吸系统疾病成为一种临床工具[31]。最近还利用高等数学来提高咳嗽检测算法的性能，例如使用八元数（实数的八位字节）[32]或来自图像处理域的所谓Hu矩不变量[33]。有趣的事实是，咳嗽检测不仅适用于人类患者，还适用于农场动物的兽医监测[34，35]。大多数文献都与音频（声音）信号而不是流量信号。从音频信号和血流信号中检测咳嗽的目的不同，方法也不同。音频信号中的咳嗽检测用于及时监测咳嗽，统计咳嗽事件，基于长期咳嗽观察来诊断患者。它通常使用频谱特征来分析音频记录。便携式和可穿戴形式的咳嗽检测总是使用音频（或加速度计）信号。反过来，流量信号中的咳嗽检测主要用于肺活量测定。然后仅分析和评估一个单一的肺量测定动作。其目的是提高肺量测定检查的质量，并通过自动操作评估帮助肺量测定患者进行自我监测（以及帮助经验不足的医生或医务人员）[36]。在这种情况下要分析的信号是短的并且（通常）是非周期性的。参考文献[37]中进行了肺量测定气流信号中的咳嗽检测，其中作者试图自动检测最重要的肺量测定用户错误。他们使用了启发式特征和决策树模型，但描述似乎过于简短，因为只描述了一些特征，而没有提到模型参数。还有另一个有趣的工作处理咳嗽气流信号[38]。然而，在这种情况下，目的不是咳嗽检测，而是分析 自愿 咳嗽 信号 和 预测 是否 充分给定患者的肺活量测定参数将高于或低于常态下限虽然咳嗽检测似乎从许多不同的角度进行了检查，但回顾文献，人们意识到为数据集生成记录的患者数量很少，通常不超过十几个，有时多达几十个受试者。在某些情况下，每个受试者产生几个咳嗽样本，或者受试者的记录被分成许多段。因此，如果针对更大或更多样化的患者集重新缩放，则作者提供的数值结果可能并不总是完全准确;因此，它们的有用性和可靠性可能有限，特别是在广泛的临床或商业应用中。自动气流咳嗽检测算法在一些固定式肺活量计中实现，但是，制造商没有披露其解决方案的性能或检测方法的数据，因此，没有数据可用于比较分析。在这项工作中，我们描述了自动咳嗽检测的解决方案为AioCare肺量计系统（HealthUp，波兰）开发[39]。该系统由三个主要元素组成：便携式肺活量计（IIa类医疗设备），智能手机的移动应用程序和存储数据的互联网云。在测量过程中，气流信号从肺活量测定设备传输到移动应用程序，在移动应用程序中通过算法进行分析。向用户呈现临床重要参数，例如，用力肺活量（FVC）、第一秒用力呼气量（FEV 1）、它们的比率（FEV 1/FVC）、峰值呼气流量（PEF）等。类似地，如果在操作过程中发生任何技术错误，则将其显示给用户，用户可以确定检查的正确性，并在需要时重复测量。咳嗽的存在是不正确的指标之一，机动由于该系统旨在用于各种各样的环境（临床和家庭），并由医生和患者自己使用，因此我们在这项工作中提出的咳嗽检测算法被开发为准确和稳健，并在肺量测定气流记录的大型数据集上进行测试。还需要注意算法的高特异性，以避免不正确分类为咳嗽的负面后果，这可能导致重复测量的不合理需求或用户文章的结构如下。第2节数据库用于训练和验证的算法进行了简要说明。第3节概述了预处理方法。第4节概述了用于构建算法的分析方法。本工作中使用的机器学习算法在第五、其结果见第6节。讨论和总结见第7节和第8节。2. 数据和编制研究的部分数据来自美国国家健康统计中心的国家健康和营养评估调查（NHANES）数据库[40]。它是一个免费的数据源，包含原始肺量曲线数据和有关检查的其他信息。NHANES数据库的肺活量测定测试程序符合美国胸科学会的建议。使用了2007-2012年数据库的三个子集[41]。患者均为男性和女性，年龄6 ~ 79岁。根据NHANES文件，符合肺功能测定的参与者进行了初始的首次肺功能测定检查。然后，如果符合某些标准，一部分参与者在吸入β2-肾上腺素能支气管刺激剂后进行第二次肺量测定检查通常在两次肺量测定检查期间获得多个个体肺量测定曲线。数据集包含所有这些个体肺量计曲线的原始信号。虽然NHANES中收集的大多数肺量测定研究都具有高质量，但某些肺量测定曲线可能显示出缺陷，例如额外呼吸、咳嗽、反向外推容量误差（BEV误差）或呼气动作的错误开始。这些曲线在NHANES数据库中被分成4个子集（A-D），其中子集A包含可接受质量的曲线，B-具有大的峰值流量时间或不可重复的峰值流量的曲线因此，由4位经验丰富的人类专家从D标记的检查中提取含咳嗽曲线，以创建两类数据集：ATS可接受的和其他误差曲线与咳嗽曲线。ATS可接受的和含咳嗽动作的示例如图所示。1.一、虽然NHANES数据是大量的，但是在该数据上训练的咳嗽检测算法将在使用AioCare肺活量计收集的信号上运行，因此，信号收集设备是不同的，并且信号属性可能不同（例如，气流传感器的灵敏度、噪声水平）。此外，在NHANES数据集的初步分析期间，已经发现存在非常少的PEF为1.5L/s或更低的非咳嗽信号为了提高NHANES训练和测试算法在AioCare收集曲线上的可靠性，从FVC动作期间的AioCare测量中获得了包含8，939条曲线的第二个数据集。这些信号是从AioCare数据库获得的，该数据库包含来自健康和被诊断的患者的患有哮喘和COPD的患者（年龄范围为7至80岁），并且涵盖了宽范围的PEF值（也为1.5 L/s）。在AioCare附加数据集中，我们添加了由HansRudolph，Inc.的1120系列流量模拟器将这种特定类型的曲线添加到AioCare数据测试集是为了确保肺活量测定系统将正确地将这些信号识别为非咳嗽信号。最后，所有数据由19，832条肺量测定曲线组成。表1概述了数据集。它被随机分为M. Solináskietal.医学信息学解锁18（2020）1003133Fig. 1. 来自NHANES数据库的EXembryonic肺量计动作：（a）正确的ATS可接受动作;（b）包含非常明显的咳嗽发生的曲线;（c）包含较少表现的咳嗽发生的曲线训练（59%），验证（33%）和测试（8%）子集。所有数据（NHANES和AioCare）的采样率均为100 Hz。3. 数据预处理在提取特征并将其提供给算法之前，需要对原始数据进行一些预处理。这些预处理步骤是标准化曲线并从噪声和伪影中清除感兴趣区域。这些操作按以下顺序自动执行a. 从原始曲线分割强制呼气信号。通常，流量曲线不仅包含强制呼气，而且还包含，例如，在主要动作之前或之后吸入。分割涵盖了从强制呼气的起点到主要动作之后的第一次吸气开始（如果发生）b. 如果在分割之后强制呼气信号的长度长于600个样本（6 s），则将其削减到600个样本。由于肺量测定标准[3]，在第一秒内发生的咳嗽是最重要的，因为它可以显著改变FEV1参数. 咳嗽发生晚于第6秒有很少对肺量测定参数的影响（在大多数检查中，6 s后的呼气量增加是残留的）。c. 将信号中的所有负值归零。此操作对提取特征没有影响，因为它们中的任何一个都分析信号的负部分。然而，它降低了数据的流量跨度，如果在初始分割过程中没有完全提取吸入物的残留碎片，则将其归零。d. 用5个样本的窗口长度的移动平均值对信号进行滤波（即，0.05秒）。应用轻微滤波来平滑噪声并处理较小的伪影。e. 稳定流检测的预处理。该步骤识别信号是否是流量/体积发生器或校准注射器测量的稳定流量信号特征。检测是基于测试分段呼气信号中有多少样本与信号中值显著不同。如果该数字较低，则可以假设信号是稳定流信号而不是咳嗽（参见表2的伪码算法），并且它完成了信号的分类路径。4. 特征提取已经开发了几个数值特征来表征单个肺量计曲线中咳嗽的存在。机器学习算法的输入包括为每条曲线提取的6个低计算量特征。这些是：a. 在达到呼气峰流量（PEF）后出现的长于0.05 s的局部最大值（尖峰）的数量（见图2a）。确定0.05 s的阈值，以将咳嗽相关局部峰与较短的波动峰（噪声）分离。请注意，移动平均滤波（在第3.d节中应用）平滑，但通常不会删除之前清晰可见的峰（或谷）。b. 右斜率振幅大于0.25 l/s时，在达到PEF后出现的局部最大值（尖峰）数量（见图2b）。该特征对与背景足够可区分的峰进行计数，并且可以是咳嗽的标记。右斜率幅度是峰值最大值与信号的一阶导数改变其符号的第一时间点之间的幅度，因此，信号开始再次增加。c. 在PEF的15%、25%、50%和75%处，信号与水平线（交叉）的交叉次数。通过这种方式，计算出四个独立的特征（见图2c），分别针对每条水平线。在非咳嗽信号中，每条水平线的交叉数（如果不存在任何波动）等于2。这种方法，特别是零交叉（与X-M. Solináskietal.医学信息学解锁18（2020）1003134¼表1从NHANES数据库中提取的数据选择和从研究中使用的AioCare测量中获得的数据训练集总NHANES8115AioCare3604NHANESAioCare11719咳嗽25701742744不咳嗽554534308975验证集总270437666470咳嗽8843121196不咳嗽182034545274测试集总-1643-咳嗽-105-不咳嗽-1538-表2用于确定信号是否为稳流信号的伪码算法（预处理步骤e）。其主要思想是计算信号与其中值之间的差异。如果该信号被识别为稳定流信号，则将其标记为非咳嗽信号。轴）被广泛用于检测来自各种域的信号中的波动在心电图和心音图的心率分析中[42特征a-c在图1中以图形方式概述。 二、特征的相关性分析通常有助于确定这些特征的相关性和相似性特定特征与数据标签的高度相关性（正另一方面，应该避免处理彼此高度相关（接近统一）的特征，因为它增加了输入数据和模型的大小，同时不提供任何额外的信息。在研究开始时，我们收集了一组可能对咳嗽分类有用的特征我们已经丢弃了与其他特征高度相关的特征（相关性高于0.85）。我们已经执行了几个类似于计算优化表面的训练和验证程序，以获得研究中使用的最终特征集。本研究的最终特征的相关性图见图1。3.第三章。此外，每个功能都根据其使用单向逻辑回归模型的预测能力。对于每个回归模型，计算p值和比值比值比值。对于所有特征，p值低于0.05，这意味着这些特征在用于区分咳嗽和非咳嗽信号集时具有统计学显著性。由于具有统计学显著性，因此采用比值比方法对这些特征进行分析（仍然单独分析）。比值比计算的置信区间如下：峰值次数为4.09（95%CI：3.85局部最大值的数量，15%处的交叉数为4.06（3.8050%的过境次数为6.36（5.76-7.03），75%的过境次数为3.58（3.30-3.89）。例如，峰值数量的比值比为4.09。这意味着将尖峰的数量增加1将使在该信号中发现咳嗽的概率增加4.09倍。通过这种方式，我们（最初）证明， 所选择的特征将提取关于咳嗽的信息，并且如果用于构建分类器，则它们可能是有益的。5. 机器学习算法所有输入数据（见表1）在处理为训练模型之前均进行了平均值和标准差归一化。本研究的机器学习模型在R-Studio环境（版本1.1.4.5.6，R包版本：3.5.1）中实现。几个算法进行了训练和测试，以选择一个最高的数值性能。这些是：逻辑回归（LR），前馈人工神经网络（ANN），支持向量机（SVM）和随机森林（RF）。在优化过程中使用F1评分作为选择最佳模型的指标并比较结果。机器的参数学习模式如下：a) ANN：在神经元模型中使用Sigmoid函数作为传递函数。验证方法为k折交叉验证（k 5）。神经元的数量和迭代次数通过计算几种参数组合来调整（每个组合运行100次以获得可靠的统计数据）。最大数量M. Solináskietal.医学信息学解锁18（2020）1003135¼¼¼¼图二. 从示例性肺活量测定曲线导出的特征的图示。(a)在PEF之后出现的长于0.05 s的局部最大值（尖峰）的数量。随后的尖峰用箭头标记并用整数表示。(b)局部最大值（尖峰）的数量出现在右斜率振幅大于0.25 l/s的PEF之后。有3个目标峰用红点和箭头标记。(c)在PEF值的15%、25%、50%和75%处，信号与水平线（交叉点）交叉的次数。十字路口用红点标出。(For对本图中颜色图例的解释，读者可参考本文的网络版迭代次数为60次，使用了7个隐层神经元。图4中描绘了优化表面，以可视化优化结果。b) 使用LR：LR与k倍交叉验证（k 10）。损失函数为均方误差。c) SVM：使用具有径向型核的SVM。使用网格搜索在以下参数中调整模型参数：约束违反的成本（它是拉格朗日公式中正则化项的“C”常数）和伽马参数（核参数）。最佳参数为成本为10，伽马为0.5。d) RF：我们使用基于BreimanRF算法的函数树的数量适合400棵。通过均方误差最小化确定每次拆分的预测因子数量在ANN的情况下，RF算法取决于初始种子，因此，我们已经执行了100次运行，以获得可靠的统计数据。最终的人工神经网络架构如图所示。 五、6. 结果用于估计出租率数值结果的统计措施为：a. 灵敏度（或召回），用于测量正确识别的实际阳性结果：灵敏度TPTPFFNb. 特异性（或选择性、精密度），用于测量正确识别的实际阴性：特异性TN公司简介c. 准确度，衡量正确分类的样本总数：准确度TPTPTNFPFNd. F1分数，精确度和召回率的调和平均值2灵敏度灵敏度特异性其中TP代表真阳性（正确识别），TNF1¼M. Solináskietal.医学信息学解锁18（2020）1003136图三. 特征的相关性图。每一行和每一列显示与其他特征或咳嗽的相关性。圆圈的大小和颜色与相关值成比例（蓝色表示正相关）。在强制呼气信号的下降斜率处具有大于0.25 L的右斜率振幅的局部最大值的数量（noO-fLocalMax）与在强制呼气信号的下降斜率处长于0.05 s的尖峰的数量（noOf-尖峰）具有显著相关性，然而，其不超过0.8。信号与水平线在最大值的75%处的交叉数（noOfCross75）是与另一个信号的最弱相关性的特征。(For关于此图例中颜色的解释，读者可参考本文的Web版本。）见图4。用于ANN分类器的优化表面。使用验证数据集执行验证过程，训练时间高达150次迭代，隐藏神经元数量从1到15。最终的架构是7个隐藏神经元和60次迭代。所有方法的结果见表3。对于所有的算法，准确性大致相似，但是，其他措施略有不同。ANN在灵敏度和F1评分方面取得了最高分，并在AioCare测试集上进行了进一步测试，以检查最终性能。从表3中可以看出，我们测试的所有分类器都给出了或多或少对于验证和测试数据，算法的特异性高于灵敏度，这可以被视为算法的积极特性，因为最小化假阳性数量是算法开发过程中的目标之一。我们还试图计算的性能，人工神经网络使用平衡M. Solináskietal.医学信息学解锁18（2020）1003137图五. 图中显示了最终的ANN架构，具有6个输入（I1-I6）、7个隐藏神经元（H1-H7）和1个输出神经元（O 1）。神经元间连接权值的绝对值与连接的粗细成正比B1和B2是神经元偏置的图形表示训练数据集。ROSE软件包[46，47]用于生成合成数据，即，从少数类创建新的合成点以增加其基数。平衡训练数据集包含5907个非咳嗽病例和5812个咳嗽病例。从网格分析中获得的验证集的最佳性能是5个神经元，表3验证集和测试集上的训练和分类结果尽管验证集上的结果非常相似，但ANN在灵敏度和F1方面获得了最高分数，并在AioCare测试集上进行了进一步测试，令人满意的结果。置信区间也见表。30次迭代的训练时间（F1/4 0.88，灵敏度/40.83和特异性/40.92）。这种性能比在以下情况下稍差：灵敏度（95%CI）特异性（95%CI）准确度（95%CI）F1（95%CI）由于灵敏度结果降低，原始数据。验证集（NHANESAioCare）7. 讨论我们扫描了不同分类器的错误分类样本，发现一般来说，大多数错误分类样本是相同0.756里拉（0.746-0.766）人工神经网络0.865（0.857-0.873）支持向量机0.7980.969（0.965-0.973）0.941（0.935-0.947）0.9620.929（0.923-0.935）0.927（0.921-0.933）0.9320.849（0.841-0.858）0.901（0.894-0.909）0.873样品我们认为这是可以理解的，因为对性能的主要影响应该由功能的选择给出，而不是（0.789-0.808）RF 0.795（0.785-0.805）（0.958-0.967）0.968（0.963-0.972）（0.926-0.938）0.936（0.930-0.942）（0.865-0.881）0.873（0.865-0.881）而不是通过分类模型的选择我们使用的所有模型都是机器学习中广泛使用的鲁棒模型，类似的性能可以被认为是好的，这可能意味着没有模型被过度训练。在图6中，我们正确和错误地呈现了类-测试集（AioCare）ANN 0.857（0.840-0.874）0.912（0.898-0.926）0.908（0.894-0.922）0.884（0.868-0.899）sified样品有两种情况（假阳性和假阴性）被所有模型错误分类（子图e和f）。在第一种情况下，是在没有强制呼气的情况下进行的肺量测定动作（低、不平滑、没有明确定义的最大值），因此，算法将其误分类为咳嗽，因为特征值较高。在第2例病例中，咳嗽被归类为非咳嗽曲线。这可能是因为大多数曲线是平滑的，实际上没有咳嗽，咳嗽只发生在动作结束时（两个狭窄的尖峰）。从临床角度来看，操作结束时的这两个咳嗽峰值不会显著改变FVC，因此，一些医生可能会接受这种操作作为可用的操作。我们将我们的结果与之前的工作[37]中获得的结果进行了比较，其中作者开发了基于气流的咳嗽检测作为肺活量测定用户错误检测的一部分。比较结果见表4。虽然竞争算法的灵敏度更高，我们报告显着更高的特异性，因此，更高的整体F1评分。我们的算法的所得特异性高于灵敏度，我们发现这是可接受的，因为假阳性因子的最小化是由于功能需求而引起的感兴趣的属性。应用程序（以防止用户被告知咳嗽错误而实际上并未发生的情况）。由于ATS标准要求，应重复进行含咳嗽的测量，因此假阳性分类（低特异性）将迫使进行不必要的操作。我们认为该功能对于真正的患者友好应用非常重要，因为假阳性信息会阻止患者进一步操作和检查。平衡数据集的性能比原始数据集差。使用数据平衡，我们丢失了关于出现频率的信息，这将影响准确性指标本身以及生产性能。 该咳嗽是在肺量测定检查期间相对罕见，但不是极其罕见（即，例如，<因此，我们认为使用原始数据是合理的。这两种方法（不平衡的原始数据与使用ROSE软件包的平衡数据）之间的F1值差异不是很显著;相似的性能表明模型不会过度训练。此外，测试数据集获得的性能参数值仅略低于验证集，这似乎证明该模型具有可接受的泛化能力。M. Solináskietal.医学信息学解锁18（2020）10031388. 总结使用气流信号检测肺量测定曲线中的咳嗽事件是一项棘手的任务，因为咳嗽不仅可以以非常清晰的方式表现出来，而且还可以通过小的气流扰动表现出来。另一方面，许多干扰可以由咳嗽以外的其他过程引起。我们采用了NHANES数据库，以确保训练数据尽可能大和多样化，然而，我们也使用了大量的AioCare收集的信号。在这项研究中开发的分类算法是一个强大的工具，用于检测肺功能测定测量过程中的咳嗽事件，并优于先前描述的方法。考虑到对al-taxim的完整描述和可重复性，我们认为我们的结果可以被视为在肺量测定的临床和家庭监测中向前迈出的值得注意的一步。我们开发的算法在AioCare移动应用程序中实现仍然有一些曲线被算法错误分类，然而，这些动作中的大多数包含小的咳嗽干扰或类似于咳嗽的干扰。因此，表4本工作中开发的分类算法的最终结果与处理肺活量测定气流信号中的误差的竞争性工作[37虽然竞争算法的灵敏度更高，我们报告显着更高的特异性，因此，更高的整体F1评分。竞争性工作[37]我们的结果F1得分0.865 0.884灵敏度91.9% 85.7%特异性81.7% 91.2%见图6。图表显示正确（a-d）和不正确（e，f）分类的曲线。在（e）中，在没有强制呼气（低、不平稳、没有明确定义的最大值）的情况下进行肺量测定操作。高值的特征导致算法错误地将其分类为咳嗽。在（f）中，算法将曲线误分类为非咳嗽曲线。M. Solináskietal.医学信息学解锁18（2020）1003139在这项研究中开发的可能不足以区分这些微妙的情况。进一步提高性能和可靠性将是下一步工作的目标。另一种可能的扩展可以是修改Al-出租以提供关于咳嗽发生的时间的信息（例如， 在呼气的第一秒）什么对肺活量测定质量评估有用。伦理批准在涉及人类受试者的研究中进行的所有程序均遵循机构和国家研究委员会的伦理标准以及1964年赫尔辛基宣言及其后续修订案或可比伦理标准。竞合利益Kokasz Ko Rutowski是AioCare的发明者，也是HealthUp的股东。MateuszSolináski和MichaMrszepek受雇于 HealthUp。确认作者感谢审稿人对本稿的有益评论。引用[1] Piirila P，Sovijarvi AR.咳嗽的客观评估 欧洲呼吸杂志1995;8：1949-56。https://doi.org/10.1183/09031936.95.08111949网站。[2] 史密斯J，伍德考克A。咳嗽及其在COPD中的重要性 国际慢性阻塞性肺疾病杂志2006;1（3）：305-14。[3] 肺功能测定标准化2019更新。美国胸科学会和欧洲呼吸学会的官方技术声明。AmJRespirCritCareMed2019 年10 月 15 日;200 （8 ）。https://doi.org/10.1164/rccm.201908-1590ST网站。[4] Hofman A，Kupczyk M，Kuna P，et al. AioCare系统在监测支气管哮喘急性发作中的应用。Pol J Allergol质量标准问题2018;（1）：A.8.波兰语[5] Goel M，Saba E，Stiber M等，Spirocall：通过电话测量肺功能。2016 CHIConference on Human Factors in Computing Systems（CHI计算机系统中的人为因素）ACM; 2016. p. 5675- 85[6] Larson EC等人，使用低成本麦克风进行准确和隐私保护的咳嗽感测。在：第13届国际会议上无处不在计算的ACM; 2011年。p. 375比84[7] DiPerna L，et al. 一个自动和不显眼的咳嗽检测系统在：生命科学会议（LSC）。IEEE; 2017.p. 190比3[8] Amrulloh YA等人，儿科病房非接触式录音的自动咳嗽分割。生物医学信号处理控制2015;21：126-36。[9] Larson S等人，用于跟踪肺结核患者恢复的自动咳嗽检测算法的验证。 PloS One2012;7（10）：e46229.[10] You M，et al. Cough detection by ensembling multiple frequency subband features.生物医学信号处理控制2017;33：132[11] Hoyos-Barcel o�C，etal. 用于鲁棒咳嗽的图像矩的有效计算使用智能手机进行检测。Comput Biol Med2018;100：176-85.[12] You M，et al. Novel feature extraction method for cough detection using NMF. IET信号处理2017;11（5）：515-20.[13] Abramov GV，et al.呼吸系统疾病诊断信息系统JPhys Conf 2018;1015：042036.https://doi.org/10.1088/1742-6596/1015/4/042036.[14] 范角·咳嗽：使用低成本移动设备进行实时咳嗽检测和监测。In：Nguyen NT，Trawi náskiB，Fujita H，HongTP，editors. 智能信息和数据库系统，ACIIDS，第9621卷。柏林，海德堡：施普林格;2016. 计算机科学讲座笔记。[15] Vizel E等人，在不同条件下使用自主咳嗽验证动态咳嗽检测和计数应用程序。 咳嗽2010;6（1）：3。[16] Birring S等人，莱斯特咳嗽监测器：自动咳嗽检测系统在慢性咳嗽。 欧洲呼吸杂志2008;31（5）：1013-8。[17] KadambiP，et al. 基于神经网络的可穿戴式咳嗽检测器 2018 IEEE声学、语音和信号处理国际会议（ICASSP）IEEE;2018.[18] 放大图片作者：Drugman T，UrbainJ，Dutoit T.用于自动咳嗽检测的音频特征的评估。In：Signal processing conference，2011 19th European.IEEE; 2011年。p. 1289-93.[19] Ferdousi B等人，使用语音分析进行咳嗽检测。2015年第18届计算机与信息技术国际会议（ICCIT）IEEE; 2016.https://doi.org/10.1109/ICCITechn.2015.7488043网站。[20] Botha GHR等人，通过自动咳嗽声分析检测结核病。生理学测量2018;39（4）：045005。[21] Windmon A等人使用智能手机记录的音频信号检测慢性阻塞性肺病（COPD）咳嗽。在：第12届国际健康信息学会议; 2018年。p. 329比38[22] Pramono R，Imtiaz S，Rodriguez-Villegas E.基于频谱特征的声信号咳嗽自动检测。在：第41届IEEE医学和生物学工程学会（EMBC）年度国际会议; 2019年。[23] Hoyos-Barcel o�C，etal. 可训练咳嗽的真实环境评价智能手机的监控应用。In：HenriquesJ，Neves N，de Carvalho P，editors. 第十五届地中海医学和生物工程与计算会议- MEDICON 2019。IFMBE会议记录。卷76岁。Cham：Springer; 2020.[24] [1] M. M.N.CzakM，PariaszewskaK，CybulskiG. 自动咳嗽发作检测使用振动声传感器。在：医学工程和生物学会（EMBC），2015年第37届IEEE年度国际会议。IEEE; 2015.p. 2808- 11[25] Mohammadi H等人，咳嗽和非咳嗽加速度计信号伪影之间的自动区分。生物医学信号处理控制2019;52：394-402。[26] DrugmanT，et al. 用于自动咳嗽检测的传感器相关性的目的研究。IEEEJ Biomed Health Inf 2013;17（3）：699-707.[27] Mahmoudi SA等人，基于传感器的自动咳嗽检测和分类系统。在：ICT创新会议; 2016年。[28] AmohJ，Odame K. DeepCough：可穿戴咳嗽检测系统中的深度卷积神经网络。生物医学电路和系统会议（BioCAS）。IEEE; 2015. IEEE2015.[29] Elfaramawy T等人，使用可穿戴贴片传感器网络进行无线呼吸监测和咳嗽检测。在：新电路与系统会议（NEWCAS），2017年第15届IEEE国际。IEEE;2017.[30] LiaqatD，et al. 使用智能手表进行动态咳嗽监测 Am JRespir Crit Care Med2018;197：A4929.[31] 一项前瞻性多中心研究，测试以咳嗽声为中心的自动分析系统对儿童常见呼吸系统疾病的诊断准确性。 呼吸研究2019;20：81。[32] 作者：Kellco P，Kollarik M，Tatar M.基于八元数的咳嗽监测新算法。 呼吸生理学神经生物学2018;257：36-41。[33] Monge-AlvarezJ，et al. 使用局部Hu矩的音频咳嗽事件的鲁棒检测。IEEEJBiomed Health Inf 2018;23（1）：184-96.[34] Carpentier L等人，小牛舍中牛呼吸道疾病的自动咳嗽检测。生物系统工程2018;173：45-56。[35] Guarino M等，猪舍自动咳嗽检测算法的现场测试。计算机电子农业2008;62（1）：22-8.[36] Kupczyk M，et al.使用移动肺量计系统对哮喘患者进行家庭自我监测接受于JAsthma 2020年1月6日https://doi.org/10.1080/02770903.2019.1709864.在网上发表[37] Luo AZ等人，肺量测定中用户错误的自动表征。在：第39届IEEE医学和生物学工程学会（EMBC）年度国际会议; 2017年。[38] ReynoldsJS，et al. 随意咳嗽气流模式分类预测肺功能异常。IEEEJ BiomedHealth Inf 2016;20（3）：963-9.[39] AioCare。Healthup Sp. z o.o.的便携式肺活量测定系统。网站，www.aiocare.com（最后访问日期2020年1月1日[40] 国家卫生统计中心。全国健康和营养检查调查。网站，https://wwwn.cdc.gov/Nchs/Nhanes/（最后访问日期2019年1月11日）。[41] 国家卫生统计中心。NHANES数据链接，https://wwwn.cdc.gov/Nchs/Nhanes/2007-2008/SPXRAW_E.htm; 2019年1月11日。https://wwwn.cdc的网站。gov/Nchs/Nhanes/2009-2010/SPXRAW_F.htm。https://wwwn.cdc.gov/Nchs/Nhanes/2011-2012/SPXRAW_G.htm。[42] Ko€ hler B-U，etal. 使用零交叉计数的QRS检测。生物医学研究进展2003;8（3）：138[43] Grzegorczyk I，et al. PCG classification using a neural network approach.In：Computing in Cardiology conference（CinC），2016. IEEE; 2016.p.1129- 32[44] Sol ináskiM，etal. 短期心电图记录中心房颤动的分类使用机器学习方法和混合QRS检测。44.第四十四章[45] Mubarak Q等人，使用PCG信号对心音进行质量评估和分类。In：Khan F，JanM，Alam M，editors.智能技术在医疗保健中的应用，EAI/Springer在通信和计算方面的创新。Cham：Springer; 2019.[46] 张文龙，陈晓梅，陈晓梅. ROSE：一个二元不平衡学习的软件包。RJ.2 0 1 4 ;6（1）：79-89。[47] Menardi G，Torelli N.用不平衡数据训练和评估分类规则。 Data Min KnowlDiscov 2014;28：92-12
我的内容管理
展开
