咳嗽检测技术优化 可提升健康监测水平

研究人员成功提升可穿戴健康设备识别咳嗽的准确率，这项突破将显著改善慢性病监测效果，并能提前预警哮喘发作等健康风险。该研究具有重要临床价值，因为传统技术一直难以有效区分咳嗽声与说话声及其他人体非语言声音。

"咳嗽是监测多种疾病的关键生物指标，"研究通讯作者、北卡罗来纳州立大学电子与计算机工程教授Edgar Lobaton解释道。"通过追踪咳嗽频率，我们不仅能评估呼吸系统疾病的病情进展，还能预测哮喘病情恶化趋势，及时提醒患者使用吸入器。因此，开发精准的咳嗽识别技术至关重要。"

可穿戴设备为实现声音监测提供了理想载体。理论上，通过训练嵌入式机器学习模型，可以实现智能识别咳嗽与其他声音。但实际操作中，这一目标依旧面临巨大挑战。

"现有模型虽然能较好区分咳嗽与背景噪音，但在辨别咳嗽与说话、打喷嚏、清嗓或呻吟等近似声音时仍存在困难，"Lobaton指出，"这主要因为现实环境中会出现大量训练时未收录的新声音。"

传统训练模式下，咳嗽检测模型通过标注的声音数据库学习识别咳嗽特征。但当遇到陌生声音时，其判断准确率就会大幅下降。

为解决这一难题，研究团队创新性地采用可穿戴健康监测器作为新型数据源。具体来说，研究人员从胸佩式监测器中同步采集了两类数据：音频信号和加速度计记录的运动轨迹信号。

"这些设备不仅能捕捉真实环境中的各类声音，还能记录咳嗽时特有的突发性身体震动，"Lobaton补充道。

论文第一作者、北卡州立大学刚毕业的博士Yuhan Chen表示："单纯依靠运动数据无法准确识别咳嗽，因为不同动作可能产生相似的运动模式。但将声音与运动特征相结合，就能显著提升识别准确率——运动数据为声音识别提供了重要补充信息。"

除采用多模态的现实数据外，研究团队还根据之前的工作对检测算法进行了优化。

实验室测试表明，新模型的误报率显著低于之前的技术，这意味着被识别为咳嗽的声音确实为咳嗽的概率更高。

"这是实质性的技术进步，"Lobaton评价道，"新模型不仅完美区分咳嗽与语音，对非语言声音的辨别能力也大幅提升。虽然仍有改进空间，但我们已经明确了优化方向并取得积极进展。"

这项题为《用于可穿戴设备的稳健性多模态咳嗽检测——基于优化分布外检测算法》（Robust Multimodal Cough Detection with Optimized Out-of-Distribution Detection for Wearables）的研究成果已发表在《IEEE 生物医学与健康信息学杂志》（IEEE Journal of Biomedical and Health Informatics）。研究团队包括北卡州立大学的Yuhan Chen、Feiya Xiang、Alper Bozkurt教授、Edgar Lobaton教授，以及北卡大学教堂山分校的Michelle L. Hernandez教授和Delesha Carpenter教授。

本研究获得美国国家科学基金会（NSF）资助（项目编号：1915599、1915169、2037328、2344423），同时得到北卡罗来纳州立大学"先进自供能集成传感器技术中心"（ASSIST）的支持，该中心由美国国家科学基金会资助建立（项目编号：1160483）。