FFT Spectrum Spread With Machine Learning (ML) Analysis of Triaxial Acceleration From Shirt Pocket and Torso for Sensing Coughs While Walking
Notice bibliographique
Résumé
Early detection of respiratory distress, marked by coughing associated with pandemics such as Covid, severe acute respiratory syndrome, and influenza, has become important for early public health preparedness. Recognizing respiratory distress from data pooled from accelerometers and other sensors common in phones/wearables can be a useful tool in tracking diseases in larger populations. However, detecting low-/medium-intensity coughs, which are a precursor to influenza/Covid, are harder to detect in the presence of human activity especially walking. In this letter, we study spectrum-spread features of triaxial accelerometer signals measured from the human torso during coughs. In particular, we analyze the vestigial sideband like spurs that cough-induced motion of the torso produces alongside walking signal between 0.2 and 2 Hz and propose the use of its spectral spread square metric in discerning coughs during walking action in test subjects of different sizes. Unlike prior works on time-domain measurements or spectral summation (units: g) in multiple bands, this work uses bandwidth, i.e., spectrum-spread features of acceleration signals (units: Hz2) to detect low to medium intensity coughs from a single accelerometer worn on the chest or shirt pocket or stomach. Acceleration signals measured at these points in five test subjects of varying heights, age, and weight show its median square spectral spread increase prominently alongY(up-down) andZaxes (front-back) from between 0.016–0.0167 Hz2to between 0.023–0.026 Hz2with a cough-detection threshold observed at 0.02 Hz2for all axes. Using a machine learning (ML) classification model with these spectral spread features results in cough detection accuracy of 92.5, 92.2, and 91.5% with k-nearest neighbors (kNN), and 94.3, 96.1, and 93.6% using Support Vector Machine (SVM) ML models for all three torso points especially shirt pocket where phones are commonly worn.
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 | 0,001 |
| 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 ».