立即发布
一个由工程和健康研究人员组成的团队开发了一种工具，可以提高电子设备检测人类患者咳嗽的能力，这在健康监测中有应用。这一新工具依赖于一种先进的人工智能(AI)算法，该算法可以帮助人工智能在面对现实世界中意外数据时更好地识别不确定性。
“当人工智能被训练来识别咳嗽的声音时，这通常是用‘干净’的数据来完成的——没有很多背景噪音或令人困惑的声音，”北卡罗来纳州立大学电子和计算机工程副教授、该研究论文的通讯作者埃德加·洛巴顿说。“但现实世界充满了背景噪音和令人困惑的声音。所以以前的咳嗽检测技术经常会出现“假阳性”——即使没有人咳嗽，它们也会说有人在咳嗽。
“我们已经开发了一种算法，通过允许人工智能表达不确定性来帮助我们解决这个问题。人工智能也可以报告它检测到的不熟悉的声音，而不是必须决定“是的，那是咳嗽”或“不，那不是咳嗽”。换句话说，AI有了第三个选择:‘我不知道那是什么。’”
咳嗽检测技术对几种潜在的健康监测应用很感兴趣。
洛巴吞说:“例如，人们对使用可穿戴健康监测设备感兴趣，这种设备可以检测哮喘患者的咳嗽，从而触发哮喘发作风险增加的通知。”“人们也有兴趣使用咳嗽检测来监测COVID，等等。”
然而，之前的咳嗽检测技术的误报率很高，相关的人工智能会将许多不熟悉的声音报告为咳嗽。这些误报严重限制了它们的效用。
洛巴吞说:“在短期内，我们的工作允许人工智能在听到无法识别的声音时进行记录，从而限制了误报的报告。”“从长远来看，我们的算法应该允许我们不断训练人工智能，告诉它听到的不熟悉的声音是咳嗽还是不相关的噪音。随着时间的推移，这将允许更精确的检测。”
此外，研究人员在计算模型中测试了新算法，发现改进的咳嗽检测人工智能可以比以前的技术使用更少的每秒声音样本有效地运行。例如，以前的咳嗽检测工具每秒使用大约16,000个声音样本，而新的人工智能工具每秒使用750个声音样本，具有相似的灵敏度和更少的误报。
洛巴顿说:“使用更少的声音样本是一个显著的优势，原因有二。“首先，这意味着电子设备需要更少的计算能力，这使我们能够使其更小，更节能。其次，使用更少的声音样本意味着该技术将不会记录可理解的语音，这解决了隐私问题。”
研究人员目前正在将新算法整合到可用于现实测试的可穿戴健康监测设备中。
更重要的是，研究人员表示，他们在这里采取的方法可以用来解决一系列人工智能应用程序，在这些应用程序中，人工智能可能会遇到意想不到的输入，而这些输入是它没有经过训练来理解的。
洛巴吞说:“我们正在寻找研究合作伙伴，他们可以帮助我们探索其他健康监测挑战，这种人工智能改造可以以有意义的方式帮助解决这些挑战。”
报纸，”基于非分布检测的鲁棒咳嗽检测，发表于IEEE生物医学与健康信息学杂志．该论文的第一作者是北卡罗来纳州立大学的博士生Yuhan Chen。该论文的共同作者是北卡罗来纳州立大学的前研究生Pankaj Attri;北卡罗来纳州立大学的博士生杰弗里·巴拉霍纳(Jeffrey Barahona);北卡罗来纳州立大学电气和计算机工程教授阿尔珀·博兹库尔特(Alper Bozkurt);北卡罗来纳大学教堂山分校儿童研究所临床研究副主任米歇尔·l·埃尔南德斯(Michelle L. Hernandez);以及北卡罗来纳大学教堂山分校药物效果和政策部门的副教授Delesha Carpenter。
这项工作得到了美国国家科学基金会(NSF)的资助，资助号为1915599，以及北卡罗来纳州立国家科学基金会资助的先进自供电系统集成传感器和技术(ASSIST)中心的资助，资助号为1160483。ASSIST中心的任务是创造能够长期多模态传感的自供电可穿戴设备，而无需更换或充电电池。
希普曼-
致编辑:研究摘要如下。
基于非分布检测的鲁棒咳嗽检测
作者: Yuhan Chen, Pankaj Attri, Jeffrey Barahona, Alper Bozkurt和Edgar Lobaton，北卡罗莱纳州立大学;北卡罗来纳大学教堂山分校的Michelle L. Hernandez和Delesha Carpenter。
发表:四月五日;IEEE生物医学与健康信息学杂志
DOI: 10.1109 / JBHI.2023.3264783
文摘:咳嗽是呼吸系统的重要防御机制，也是哮喘等肺部疾病的症状。通过便携式记录设备收集的声学咳嗽检测是跟踪哮喘患者潜在病情恶化的一种方便方法。然而，用于构建当前咳嗽检测模型的数据通常是干净的，包含一组有限的声音类别，因此当它们暴露于各种可被便携式录音设备拾取的真实声音时，表现不佳。没有被模型学习到的声音被称为out - distribution (OOD)数据。在这项工作中，我们提出了两种结合OOD检测模块的鲁棒咳嗽检测方法，在不牺牲原系统咳嗽检测性能的情况下去除OOD数据。这些方法包括增加学习置信参数和最大化熵损失。实验表明:1)在750 Hz以上的采样率下，OOD系统可以产生可靠的In-Distribution (ID)和OOD结果;2) OOD样本检测在更大的音频窗口尺寸下表现更好;3)随着OOD样本在声信号中所占比例的增加，模型的整体精度和精度越好;4)在较低采样率下，需要更高百分比的OOD数据来实现性能提升。 The incorporation of OOD detection techniques improves cough detection performance by a significant margin and provides a valuable solution to real-world acoustic cough detection problems.
- 类别:
