Spectral Summation With Machine Learning Analysis of Tri-Axial Acceleration From Multiple Wearable Points on Human Body for Better Cough Detection
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this letter, coughing is detected using a multiband spectral summation of acceleration signal with machine learning (ML) from various body points where smartphones are commonly worn. A known challenge in this letter is discerning low and mid intensity cough events from noise introduced by walking from the chest, stomach, shirt pocket, upper hand, and ear where smartphones are commonly worn from among seven test subjects of varying heights. Previous studies have shown that coughing during walking can be accurately detected with only 92, 73, 62, and 82% accuracy at the chest, stomach, shirt pocket, and upper hand, respectively, just from raw acceleration signals in the time domain and ML. Newer spectrum analysis show that acceleration measured at these body points along the <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">y</i> -axis are more spectrally rich during low to medium coughing and walking activity than just walking alone in seven test subjects of varying heights. In this letter, we investigate the use multiband spectral summation features of acceleration measured at these same body points on the torso with ML to improve the accuracy of low/mid intensity cough detection to between 95.2 and 98.2%. At just the chest and upper hand, the spectral sum of acceleration in the 0–5 Hz band shows a 46–142% and 58–136% increase during coughing and walking than just walking alone for different cough intensities and subject heights. This letter is useful in developing future cough-detecting apps on smartphones commonly worn on the torso.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 découle