Statistical and Machine Learning-Based Recognition of Coughing Events Using Triaxial Accelerometer Sensor Data From Multiple Wearable Points
Notice bibliographique
Résumé
Recent studies have investigated the use of the accelerometer sensors in smartphones and wearable devices for human activity recognition such as sitting, standing, walking, and laying down with reasonably high accuracy. In this letter, we use a triaxial microelectromechanical accelerometer that is commonly used in smartphones to detect and discern coughing events. Our letter focuses on detecting and differentiating coughing from other human activities such as sitting, standing, and walking using accelerometer's x, y, and z data from various body positions where electronics such as smartphones, watches, headphones, and earphones are commonly worn. Our research compares acceleration measured at five different positions on the body: chest, stomach, shirt-pocket, upper arm, and ear. The measurements are analyzed in the x, y, and z directions using the statistical and machine learning (ML) approaches to study how well coughing activity can be differentiated from acceleration due to other human motions. Analysis of the measured data using both methods show accelerometers mounted on the ear/headphones to be the ideal spot to detect and differentiate coughing with the highest accuracy. ML analysis of accelerometer measurements on ear and chest shows 96 and 93% accuracy, respectively, for cough detection. Measurements show the standard deviation and convolution neural network detection accuracy for cough detection in the ear to be 15 and 3% more sensitive compared to the next best position, which is chest.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».