夜间基于非接触式智能手机的病房咳嗽监测:验证研究gydF4y2Ba

介绍gydF4y2Ba

背景gydF4y2Ba

患者监护是反复或连续观察生命体征或生理功能，以确保患者安全并指导治疗干预[gydF4y2Ba1gydF4y2Ba]。大多数现代心肺监测系统依赖于侵入式传感器、电缆和笨重的监视器来检测、传输、处理和显示要监测的生物信号[gydF4y2Ba1gydF4y2Ba]。虽然大多数这些先进的监测系统是在重症监护病房执行的，但住院患者的所有不良事件中，近一半发生在普通护理病房[gydF4y2Ba2gydF4y2Ba，gydF4y2Ba3.gydF4y2Ba]。事实上，病人经常死在病房里，在那里，临床恶化可能会持续数小时而不被注意到[gydF4y2Ba4gydF4y2Ba]。例如，在美国，住院病房的急性呼吸事件与大约40%的院内死亡率有关[gydF4y2Ba5gydF4y2Ba]。在欧洲手术结果研究中[gydF4y2Ba6gydF4y2Ba]，其中包括来自28个国家498家医院的46,539名患者，大多数(73%)死亡患者在手术后任何时候都没有住进重症监护室。gydF4y2Ba

目前病房的监测方案通常包括护士大约每4-8小时进行一次随机检查[gydF4y2Ba1gydF4y2Ba]。这使得病人在住院期间大部分时间无人照顾[gydF4y2Ba7gydF4y2Ba]。在常规的随机检查评估中，作为临床恶化警告信号的生命体征变化往往没有被发现或发现得太晚。对普通护理病房阿片类药物引起的呼吸问题的封闭索赔分析发现，近一半的健康不良事件发生在最后一次护理检查的2小时内[gydF4y2Ba8gydF4y2Ba]。此外，作者的结论是，通过更好的持续监测和教育，几乎所有这些事件都可以预防[gydF4y2Ba8gydF4y2Ba]。不仅忽略了生命体征的关键变化，而且床边护士对异常生命体征的检测往往会触发一长串命令，导致延误，直到可以采取行动。gydF4y2Ba9gydF4y2Ba]。随着智能手机和可穿戴设备等移动技术的广泛采用，研究人员已经认识到这些技术可以促进持续监测，并可能改善医院病房的患者结果[gydF4y2Ba4gydF4y2Ba，gydF4y2Ba10gydF4y2Ba]。特别是咳嗽，通过病房内的移动技术进行监测具有巨大潜力。咳嗽是最常见的医疗疾患之一[gydF4y2Ba11gydF4y2Ba-gydF4y2Ba13gydF4y2Ba]。它被认为是普通感冒的症状。然而，它与许多流行的传染性和非传染性呼吸道疾病、哮喘、肺癌和包括COVID-19在内的下呼吸道感染有关，也与全球十大死亡原因中的两种有关，即慢性阻塞性肺病和结核病[gydF4y2Ba14gydF4y2Ba]。咳嗽不仅是一种症状，而且是急性不良健康事件的前兆。它与病情加重、肺功能下降和死亡风险有关[gydF4y2Ba15gydF4y2Ba-gydF4y2Ba17gydF4y2Ba]。此外，已提出并发展了涉及智能手机和可穿戴记录的咳嗽检测方法[gydF4y2Ba18gydF4y2Ba-gydF4y2Ba20.gydF4y2Ba]。总的来说，这些结果为在不同环境下使用不同设备进行咳嗽检测提供了原理证明。然而，到目前为止，还没有标准化的咳嗽量化方法，也没有经过充分验证的商用咳嗽监测仪，更不用说临床可接受的了[gydF4y2Ba12gydF4y2Ba]。事实上，这些系统中只有少数在不同队列的独立研究中得到验证[gydF4y2Ba21gydF4y2Ba-gydF4y2Ba27gydF4y2Ba) (gydF4y2Ba表1gydF4y2Ba)．莱斯特咳嗽监测仪是评价最好的之一，并使用2 × 1小时和6小时慢性咳嗽患者的横断面记录进行验证[gydF4y2Ba22gydF4y2Ba]。因此，大多数开发的方法和方法只包括在音频记录上验证算法，这意味着它们不包括在为现实场景设计的设备上验证。此外，尚未证明智能手机可以(在病房内)连续监测咳嗽次数。gydF4y2Ba

考虑到大多数护士对生命体征的随机检查在两次连续评估之间有大约4小时的间隔，而这段时间与最高的风险相关，连续的每小时可获得的咳嗽监测是可取的。此外，这些验证方面的缺陷也限制了智能手机的采用gydF4y2Ba病人gydF4y2Ba监测咳嗽，因此，阻碍了这种可扩展技术可能带来的评估病房流行疾病进展的潜力。为此，本研究提出了一种基于智能手机的病房咳嗽监测系统。我们的方法不同于以往研究中使用的方法，因为我们的关键创新是使用智能手机在病房中以非接触和连续的方式记录和检测咳嗽。检测到的咳嗽次数及其时间戳被连续传输到服务器并显示在web客户端上，而相应的记录gydF4y2Ba数据gydF4y2Ba保存在本地。该监测系统特别适用于监测因病情加重住院的患者。它操作无接触，低负担和最小的冲击gydF4y2Ba病人gydF4y2Ba并提供远程连续咳嗽监测，医务人员可以访问。gydF4y2Ba

客观的gydF4y2Ba

在这项工作中，我们通过以下贡献对现有研究做出贡献。首先，据作者所知，这项工作是在现实生活场景中应用基于智能手机的整体咳嗽检测系统的首次验证，并与用于开发模型的队列进行了不同的验证。其次，所提出的系统不仅包括咳嗽检测，而且还具有2个额外的功能，几乎实时地记录和连续传输咳嗽检测。一方面，记录允许验证结果并在检测错误时关闭循环。另一方面，连续传输使该技术能够应用于远程监测设置和近乎实时的咳嗽计数可视化。第三，我们演示了所提出的系统在急性呼吸道疾病(即肺炎)患者病房中的适用性。此外，通过使用低收入和中等收入国家日益普及的智能手机等以消费者为中心的设备，我们提出的系统可以提供一种可扩展且具有成本效益的病房监测工具，可用于低收入和中等收入国家。gydF4y2Ba

这项工作建立在我们之前研究的基础上[gydF4y2Ba20.gydF4y2Ba，gydF4y2Ba32gydF4y2Ba]，我们开发了基于哮喘患者咳嗽的咳嗽检测模型。我们在夜间(即晚上11点至早上7点)对9例因下呼吸道感染(3例感染SARS-CoV-2)住院的患者进行了评估。gydF4y2Ba

方法gydF4y2Ba

研究设计gydF4y2Ba

这项验证性研究将自动咳嗽计数与使用手动声音分析识别的咳嗽计数进行了比较。为此，我们针对瑞士圣加仑州医院肺部中心因下呼吸道感染住院的成年患者(18岁)。这项研究的动机是COVID-19大流行的出现，并于2020年3月和4月设计、计划和实施。gydF4y2Ba

参与研究的患者使用基于非接触式智能手机的咳嗽检测系统进行夜间(即晚上11点至早上7点)咳嗽监测。为了进行这项研究，我们使用智能手机(三星Galaxy A3 2017, SM-A320FL, 2 GB RAM, Exynos 7870 Octa: 14 nm，八核1.6 GHz Cortex-A53, Wi-Fi 802.11a/b/g/n/ac)，安装了研究应用程序，并配备了安全数字卡(SanDisk Ultra microSDXC A1 64 GB 100mb Adapt)来扩展音频录制的内存。gydF4y2Ba

在患者入院并同意被记录后，我们将智能手机放在病床上方。此外，在研究过程中，我们使用了一个web服务器近乎实时地监测咳嗽次数，将其可视化，并确保该技术是有效的(gydF4y2Ba咳嗽检测gydF4y2Ba部分)。gydF4y2Ba图1gydF4y2Ba显示了实验设置和显示咳嗽计数的web服务器的截图。在每位患者的住院总夜数中，我们随机选择1晚(即8小时)进行验证。两名训练有素的注释人员根据预定义的注释协议标记所选录音。gydF4y2Ba

‎gydF4y2Ba

咳嗽的量化gydF4y2Ba

为了量化目的，咳嗽的定义取决于用于测量的信号。最常见的情况是，咳嗽是根据声音来计数的，无论是单独的声音还是与第二种信号结合的声音。gydF4y2Ba12gydF4y2Ba]。基于录音的咳嗽定量可以使用不同的方法来完成。计数特征爆裂性咳嗽声音是最常用的量化咳嗽的指标，并在本研究中使用[gydF4y2Ba12gydF4y2Ba]。爆炸性咳嗽声音的计数有时被称为gydF4y2Ba咳嗽频率gydF4y2Ba在文献中。gydF4y2Ba

数据注释gydF4y2Ba

在标注过程中，我们使用了与之前研究中发表的相同的标注手册[gydF4y2Ba20.gydF4y2Ba]。首先，注释者通过使用Audacity软件(Audacity团队)对录音应用分贝过滤器来标记静音。Sound Finder过滤器将< - 26 dB的声音标记为沉默，并限制声音之间的最小沉默持续时间为1秒。这些被标记为“沉默”的时间，在其余的注释过程中起到了视觉辅助作用。人工注释人员听智能手机的录音，并在识别出爆炸性咳嗽声时，将未标记为沉默的时间标记为咳嗽[gydF4y2Ba12gydF4y2Ba，gydF4y2Ba33gydF4y2Ba]。gydF4y2Ba

我们使用了两种方法来保证标签的质量。首先，我们指示人类注释人员在不确定是否为咳嗽时标记一个声学事件。如果注释者不确定，则丢弃事件并将其排除在分析之外。其余的声学事件被归类为非咳嗽。其次，为了评估注释的质量并确定评分者之间的可靠性，我们使用了类内相关系数。gydF4y2Ba

伦理批准gydF4y2Ba

研究方案由负责瑞士东部人类研究的Ethikkommission Ostschweiz审查并批准(伦理委员会商业管理系统ID BASEC ID: 2020-00741)。gydF4y2Ba

提出了系统gydF4y2Ba

该系统主要由一个运行在智能手机上的Android应用程序组成，它可以检测咳嗽并记录声音，其次是一个后端，它可以连续接收咳嗽检测信息并显示每小时的咳嗽次数。这就产生了在这项工作中得到验证的两种使用模式:(1)通过设备上的咳嗽检测，基于智能手机的近实时咳嗽监测;(2)通过设备上的记录和计算机上的检测，进行后验咳嗽监测。gydF4y2Ba

设备上咳嗽检测gydF4y2Ba

设备上咳嗽检测系统由3个构件组成:记录、检测和传输(gydF4y2Ba图2gydF4y2Ba)．为了实现上述构建块，我们开发了一个带有前台服务的Android应用程序，用于连续记录和检测过程。录音和检测在两个独立的线程(即录音线程和检测线程)中触发和运行，以处理音频采样率和检测速度之间的延迟。监控系统由应用程序中的启动和停止按钮手动触发。gydF4y2Ba

录音线程由连续循环读取音频缓冲区并传递dB过滤器组成，直到收集6.5秒长的音频片段并存储在智能手机的外部数据存储器上。我们实现了dB滤波器来丢弃不包含高于- 26 dB的绝对振幅的0.65秒音频片段。可听音频文件的录制是可选的。为了验证本研究中提出的系统的性能，我们将音频文件以波形音频文件格式记录在插入的SD卡上，采样频率为16khz, 16位/样本，并使用脉冲编码调制编解码器。gydF4y2Ba

‎gydF4y2Ba

同时，检测线程加载产生的脉冲编码调制编码文件。从每个6.5秒长的音频文件中，提取6个0.65秒长的片段用于咳嗽检测。这6个窗口以信号的6个最大绝对振幅为中心，在音频文件中间隔至少半个窗口。咳嗽检测是基于基于哮喘咳嗽数据开发和训练的集成卷积神经网络(CNN) [gydF4y2Ba20.gydF4y2Ba，gydF4y2Ba32gydF4y2Ba]。检测步骤遵循Barata等人先前报道的程序[gydF4y2Ba20.gydF4y2Ba]。我们首先对提取的最小-最大窗口进行标准化，并使用Hanning窗口将它们相乘。然后，我们用5阶Butterworth高通滤波器和10 Hz的截止频率对输出进行滤波，以减少低频噪声和不连续效应。最后，我们计算了80个波段的Mel谱图，连续帧之间有112个样本，并进行了2048点快速傅里叶变换，得到80×128-sized矩阵。我们利用的Melspectrogram函数计算了Mel谱图gydF4y2BalibrosagydF4y2Ba(版本0.9.2)Python包[gydF4y2Ba34gydF4y2Ba]。gydF4y2Ba

随后，这些Mel谱图作为训练过的集成分类器的输入，输出咳嗽概率。训练后的集成分类器由5个不同的基于cnn的模型组成。每个基于cnn的模型的体系结构由5个卷积层组成，交替使用最大池化层，然后是全局最大池化层。中说明了单个CNN的体系结构gydF4y2Ba图3gydF4y2Ba。我们计算咳嗽概率为每个CNN模型输出咳嗽概率的平均值。随后，我们将咳嗽概率发送到远程服务器。在服务器上，如果集成分类器生成的概率高于预定义的阈值，则计数咳嗽。除了咳嗽概率，我们还将咳嗽事件发生时的时间戳(来源于记录时间和采样率)、电池和内存记录器状态封装到JSON对象中。然后，这些数据对象以2分钟的间隔通过HTTP POST请求发送到服务器，存储在MySQL数据库中，并使用web客户端进行可视化(参见中的传输框)gydF4y2Ba图2gydF4y2Ba)．这样，咳嗽计数可以在设备上第一次记录后的2到3分钟内在web服务器上可视化。gydF4y2Ba

监控app满足以下规格，使用Android Studio集成工具Android Profiler测量[gydF4y2Ba35gydF4y2Ba]。安装Android应用程序需要90mb, Android 8或更高版本。监控应用程序的内存使用范围在133.9 MB之间，当记录的声音超过dB过滤器的阈值时，和106.0 MB在空闲(例如，无噪音)模式下。空闲模式和处理模式下，监控app的CPU利用率分别为16% ~ 25%。应用程序的网络使用包括用于状态更新的HTTP POST请求(506 B/请求)和关于检测到的咳嗽的信息(1.6 kB/请求)。Android Profiler估计电池消耗为“轻”，这反映在运行应用程序时观察到的平均电池寿命为12小时1分钟(SD为1小时19分钟)。电池寿命的波动可以归因于录制过程中的波动噪声。gydF4y2Ba

在现实数据集中对咳嗽的检测代表了一个不平衡的分类问题，即非咳嗽声出现的频率比咳嗽声高得多。这就提出了一个问题，即不平衡数据上的损失函数可以通过关注大多数类而忽略少数类来很容易地最小化。这个问题可以通过代价敏感学习的方法来缓解，即采用不同的损失函数，每个类对应不同的代价[gydF4y2Ba36gydF4y2Ba]。成本敏感学习可以应用于培训过程中，也可以作为后处理步骤，在做出关于新实例的决策时引入成本因素[gydF4y2Ba36gydF4y2Ba]。gydF4y2Ba

这可以通过移动预训练分类器的决策阈值来实现。由Fernandez等导出[gydF4y2Ba36gydF4y2Ba]，一个新实例应该被归类为属于一个以最低期望代价为特征的类。成本(C)可以被认为是一种惩罚因素，旨在增加少数群体的重要性。gydF4y2Ba

因此，在2类问题中，代价敏感的分类器对给定实例进行分类gydF4y2BaxgydF4y2Ba属于咳嗽类当且仅当gydF4y2Ba

P (noncough∣x)⋅CgydF4y2Ba_{noncoughgydF4y2Ba}咳嗽∣≤P (x)⋅CgydF4y2Ba_{咳嗽gydF4y2Ba}（gydF4y2Ba1gydF4y2Ba）gydF4y2Ba

P(非咳嗽∣x) = 1-P(咳嗽∣x)，这是一个阈值gydF4y2BathgydF4y2Ba对实例进行分类gydF4y2BaxgydF4y2Ba如果P(cough∣x)≥th，则可认为属于阳性类(即cough)，其中gydF4y2Ba

由式(2)可知，通过移动预训练模型的决策阈值，可以使用成本敏感学习将其转换为咳嗽或非咳嗽决策。因此，我们在之前的工作中优化了阈值，以适应检测模型，该模型主要训练于控制良好的哮喘患者，即我们使用thgydF4y2Ba_{哮喘gydF4y2Ba}= 0.95 (gydF4y2Ba20.gydF4y2Ba]。我们通过最大化哮喘患者的自动咳嗽计数和注释咳嗽计数之间的Matthews相关系数(MCC)来确定适应阈值[gydF4y2Ba20.gydF4y2Ba]。设备上咳嗽检测算法如图所示gydF4y2Ba图4gydF4y2Ba。gydF4y2Ba

‎gydF4y2Ba

‎gydF4y2Ba

电脑咳嗽检测gydF4y2Ba

在病人的记录完成后进行计算机上的咳嗽检测，并对记录执行，这些记录是由记录和过滤步骤产生的gydF4y2Ba设备上咳嗽检测gydF4y2Ba部分。它代表了与其他商用解决方案类似的使用模式[gydF4y2Ba21gydF4y2Ba-gydF4y2Ba25gydF4y2Ba，gydF4y2Ba27gydF4y2Ba，gydF4y2Ba29gydF4y2Ba，gydF4y2Ba31gydF4y2Ba]，不提供设备上分析功能。它遵循Barata等人描述的算法[gydF4y2Ba20.gydF4y2Ba]。首先，从连续录音中提取连续重叠窗口;我们提取了650毫秒长的窗口，重叠585毫秒。其次，计算了Mel谱图。第三，利用CNN集合计算咳嗽的预测概率。最后，通过应用以下后处理规则生成咳嗽计数:只有高于预定义阈值的连续概率才被标记为咳嗽，以减少错误检测的数量;当下列概率也高于第二个预定义阈值时，则考虑高于阈值的单个概率;>连续检测8次时，计数咳嗽2次。由于与以前的工作相比，这些模型应用于不同的环境，因此对阈值进行了优化，以适应不同的应用环境，并与以前的工作有所不同[gydF4y2Ba20.gydF4y2Ba]，即我们使用以下阈值:0.66,0.62。gydF4y2Ba图4gydF4y2Ba展示了设备上咳嗽检测算法的应用，并与计算机上咳嗽检测算法进行了比较。我们通过最大化收集数据集的自动咳嗽计数和注释咳嗽计数之间的MCC来找到适应的阈值。gydF4y2Ba

验证gydF4y2Ba

在验证中，我们将自动咳嗽计数与人工声音分析在肺炎患者长达8小时的录音中识别的咳嗽计数进行了比较。录音的人工分析包括2个盲评分者计数(rater1和rater2)。我们将通过该系统生成的每小时咳嗽计数与随机选择的评分者的注释咳嗽计数进行了比较。这样，我们就可以分析所提出的系统与评分者之间的差异。我们认为，选择其中一个评分者的结果的选择偏差可以忽略不计，前提是两个评分者的意见非常一致。gydF4y2Ba

作为性能指标，我们选择了先前建立的指标来比较一种新的测量技术，例如重复测量相关性[gydF4y2Ba37gydF4y2Ba]和Bland-Altman情节[gydF4y2Ba38gydF4y2Ba]。重复测量的相关性表示为gydF4y2BargydF4y2Ba_米gydF4y2Ba(括号中为误差自由度)是一种统计技术，用于确定多个患者≥2次评估的配对测量在患者内部的共同关联[gydF4y2Ba37gydF4y2Ba]。此外，我们使用散点图来可视化指标[gydF4y2Ba39gydF4y2Ba]。Bland-Altman图分析是一种简单的方法，可以评估平均差异之间的偏差，并估计一个一致区间，与第一种方法相比，第二种方法95%的差异都落在这个区间[gydF4y2Ba40gydF4y2Ba]。在我们的例子中，我们想要评估连续随机变量之间的一致性gydF4y2BaXgydF4y2Ba(例如，提出的系统咳嗽计数)和一个随机变量gydF4y2BaYgydF4y2Ba(例如，人类评分者咳嗽计数)，两者都测量相同的潜在变量gydF4y2BaDgydF4y2Ba个体内，即每小时咳嗽次数。因此，为了计算一致的极限，我们遵循了Zou [gydF4y2Ba41gydF4y2Ba]，并将所提出的系统测量的计数与每对测量的评分者之间的差异建模为单向随机效应模型。gydF4y2Ba

dgydF4y2Ba_ijgydF4y2Ba= xgydF4y2Ba_{ij -gydF4y2Ba}ygydF4y2Ba_ijgydF4y2Bad + agydF4y2Ba_我gydF4y2Ba+ egydF4y2Ba_ijgydF4y2Ba（gydF4y2Ba3.gydF4y2Ba）gydF4y2Ba

在哪里gydF4y2BadgydF4y2Ba是两种方法之间未知的真正区别，gydF4y2Ba一个gydF4y2Ba_我gydF4y2Ba和gydF4y2BaegydF4y2Ba_我gydF4y2Ba均值为0且方差为0的正常变量是否相互独立gydF4y2BaσgydF4y2Ba^2gydF4y2Ba_bgydF4y2Ba和gydF4y2BaσgydF4y2Ba^2gydF4y2Ba_dwgydF4y2Ba,分别。在这种情况下，一致的界限是由真实差异的总和来定义的gydF4y2BadgydF4y2Ba之间的随机变异性(gydF4y2Ba一个gydF4y2Ba_我gydF4y2Ba)和学科内差异(gydF4y2BaegydF4y2Ba_ijgydF4y2Ba)因此，协议的限制如下:gydF4y2Ba

贷款gydF4y2Ba_{较低的gydF4y2Ba}=μgydF4y2Ba_dgydF4y2Ba- - - - - - zgydF4y2Ba_{β\ / 2gydF4y2Ba}σgydF4y2Ba_dgydF4y2Ba（gydF4y2Ba4gydF4y2Ba）gydF4y2Ba

贷款gydF4y2Ba_上gydF4y2Ba=μgydF4y2Ba_dgydF4y2Ba+ zgydF4y2Ba_{β\ / 2gydF4y2Ba}σgydF4y2Ba_dgydF4y2Ba（gydF4y2Ba5gydF4y2Ba）gydF4y2Ba

在哪里gydF4y2BazgydF4y2Ba_{β/ 2gydF4y2Ba}是上部gydF4y2Baβ/ 2gydF4y2Ba标准正态分布的分位数，通常设置为1.96。我们按照Zou所描述的方法计算了每个患者每对测量方法之间差异的平均值。gydF4y2Ba41gydF4y2Ba]。gydF4y2Ba

我们进一步报告了每名患者每小时假阳性的平均数量和每名患者每小时假阴性的平均数量。为此，我们通过真假阳性或假阴性的总和(gydF4y2BadgydF4y2Ba)，则(gydF4y2Ba一个gydF4y2Ba_我gydF4y2Ba)和学科内差异(gydF4y2BaegydF4y2Ba_ijgydF4y2Ba)与式(4)和(5)相同，并按照邹[gydF4y2Ba41gydF4y2Ba]。我们还报告了所有记录的分类指标，如精密度、召回率(真阳性率[TPR];也称为灵敏度(sensitivity)、特异性(true negative rate [TNR])、阴性预测值(negative predictive value, NPV)、MCC和所提系统误差的累积分布函数。gydF4y2Ba

结果gydF4y2Ba

用户数据gydF4y2Ba

这项验证研究共招募了10名肺炎患者(1/ 10,10%女性和9/ 10,90%男性)，其中4人(40%)感染了SARS-CoV-2。参与者的平均年龄为66岁(SD 11;范围52-85)年。在研究过程中，没有参与者需要呼吸机支持。然而，如果需要的话，呼吸机总是可用的。我们从分析中排除了1名(10%)男性参与者，因为智能手机被错误放置(即，没有遵循协议;直接靠近呼吸机，用持续的背景噪音掩盖病人的声音)。我们通过为每个参与者随机选择20个1秒长的背景噪声序列，并比较每个参与者信号的平均能量，以经验验证了这一观察结果。我们利用Welch方法计算功率谱密度来计算信号的能量[gydF4y2Ba42gydF4y2Ba]并在信号的持续时间内进行积分。结果显示，被排除的参与者的能量为777，被包括的参与者的能量为60、104、102、92、92和166。因此，该测试显示，与其他参与者相比，被排除的参与者的背景噪声信号能量大约增加了5到8倍。gydF4y2Ba

因此，我们分析了总共72小时(即9 × 8小时)的记录。所有录音均由2名盲法评分员(以下简称为rater1和rater2)手动分析。我们计算了基于所有夜晚的类内相关系数，得出的值为98.8%。我们把这种价值理解为优秀。gydF4y2Ba

在下一节中，我们将参考rater1所做的注释作为分析的参考，并将提议的系统所做的预测与rater1所做的咳嗽计数进行比较。每小时咳嗽次数从0到33次，平均7.8次(SD 8.5)。gydF4y2Ba

评价结果gydF4y2Ba

为了分析与人类评分者相同数量的数据，设备上的系统产生了8298个预测，计算机上的系统产生了134492个预测。如gydF4y2Ba表2gydF4y2Ba该系统的MCC为75%，召回率(TPR)为71%，特异性(TNR)为99%，精密度(PPV)为83%，NPV为98%。计算机算法的MCC为86%，TPR为82%，TNR为99%，PPV为92%，NPV为99%。gydF4y2Ba

提出的设备上系统和rater1咳嗽计数的平均差异为- 1.2 (95% CI - 12.8至10.3)例受试者每小时咳嗽，受试者内部相关性为gydF4y2BargydF4y2Ba_{米gydF4y2Ba62gydF4y2Ba}= 0.82;gydF4y2BaPgydF4y2Ba<措施;95% CI 0.72 ~ 0.89。gydF4y2Ba图5gydF4y2Ba和gydF4y2Ba6gydF4y2Ba分别显示相应的Bland-Altman图和所提出系统的每小时咳嗽计数与rater1之间的相关图。此外，该系统的平均假阳性率为1.2 (SD 3.31;95% CI 0.0-7.7)受试者每小时咳嗽，平均假阴性率为2.4 (SD 4.22;95% CI 0.0-10.7)受试者每小时咳嗽。gydF4y2Ba

最后，如图所示gydF4y2Ba图7gydF4y2Ba累积分布函数中，56%的绝对误差落在2次咳嗽以下;68%的人咳嗽不到4次;92%的人咳嗽次数低于8次，设备上的咳嗽监测系统最多咳嗽21次。rater1总共记录了594次咳嗽。该系统总共统计了506次咳嗽。gydF4y2Ba

计算机上和rater1咳嗽计数的平均差异为- 0.9 (95% CI 95% - 6.5至4.8)受试者每小时咳嗽，受试者内部相关性为gydF4y2BargydF4y2Ba_{米gydF4y2Ba57gydF4y2Ba}= 0.95;gydF4y2BaPgydF4y2Ba<措施;95% ci 0.92-0.97。gydF4y2Ba图8gydF4y2Ba和gydF4y2Ba9gydF4y2Ba显示相应的Bland-Altman图以及计算机上系统的每小时咳嗽计数与rater1之间的相关图。gydF4y2Ba

此外，计算机上模式的平均假阳性率为0.6 (SD 1.45;95% CI为0.0-3.5)，平均假阴性率为1.46 (SD 2.05;95% CI 0.0-5.5)受试者每小时咳嗽。在计算机系统中，58%的绝对错误在2次咳嗽以内;85%咳嗽不到4次;100%低于8次咳嗽，最多7次咳嗽(gydF4y2Ba图10gydF4y2Ba)．gydF4y2Ba

‎gydF4y2Ba

‎gydF4y2Ba

‎gydF4y2Ba

‎gydF4y2Ba

‎gydF4y2Ba

‎gydF4y2Ba

讨论gydF4y2Ba

主要研究结果gydF4y2Ba

中讨论的结果gydF4y2Ba评价结果gydF4y2Ba节中，我们得出结论，所提出的系统的2种模式可以检测每小时夜间咳嗽计数，在临床环境中与人类评分者密切相关。特别是，计算机监测系统产生了重复测量相关性和平均咳嗽计数差异，接近于人类评分者分析测量结果时遇到的差异。设备上的系统在回忆方面表现较差，但显示了自动和人工每小时咳嗽计数之间的强相关性，其优点是效率明显更高。与计算机上的咳嗽监测系统相比，设备上的咳嗽监测系统只需要对所有录音进行咳嗽检测所需预测数量的5%左右。虽然所提出的系统的两种模式都没有达到人类评分者的一致水平，但必须强调的是，这不是一个公平的比较，因为这并不能构成一个人在真实条件下可以用她或他的能力进行繁殖的标准。更确切地说，我们所说的“人工评分员”是指计算机辅助的、受过训练的人工评分员，他们的优势是能够使用Audacity软件在录音中标记为静音，能够保存当前的工作状态，并且能够在注释过程中随意暂停。两个系统之间的性能差异可以通过以下两个方面来最好地解释:第一，预测的数量，对于设备上的系统，每6秒被限制为6个预测，限制了识别真阳性的能力;第二，计算机上系统的后处理规则，可以消除单个假阳性。我们将记忆力的下降与之前的研究结果进行了比较。gydF4y2Ba20.gydF4y2Ba不仅是算法的差异，而且是咳嗽类型和频率的差异。由于基于cnn的分类器是根据哮喘患者的数据进行训练并在家中记录的，其中大多数患者生活在受控条件下，在本研究中，我们将分类器应用于因下呼吸道感染住院的老年患者。我们还选择性地听了原始录音，并认为自动和人工评分者咳嗽计数的差异源于强烈的背景噪音、清喉声和强烈的突然呼吸声等引起的错误;在这种情况下，改进模型是必然的。该系统具有记录和检测的双重功能，可以识别这些噪声，并为缩小检测误差的差距提供了系统的方法。此外，我们的系统成功地实现了医务人员通过持续传输咳嗽计数和在web服务器(gydF4y2Ba图1gydF4y2Ba)．gydF4y2Ba

限制gydF4y2Ba

对于我们的结果的泛化有一些限制。首先，优化设备上处理管道的时间有限，因为该系统是在开始第一次与covid -19相关的封锁后一个月才部署的。因此，设备上系统的结果低估了Barata等人开发和训练的cnn的实际潜力[gydF4y2Ba20.gydF4y2Ba]用于实时和设备上的咳嗽检测。其次，我们在这项研究中只使用了特定的智能手机型号。我们已经证明，来自不同设备的噪声或低质量录音会降低分类器的性能[gydF4y2Ba32gydF4y2Ba]。与此同时，我们已经证明，与文献中其他两种方法相比，该方法(与本文中使用的方法相同)特别适合处理设备间变化[gydF4y2Ba32gydF4y2Ba]。此外，本验证研究中使用的模型是在通过与本研究中使用的不同音频设备录制的音频数据上进行训练的，进一步证明我们的方法即使在其他设备上也能产生稳定的结果。我们还想强调，对于提议的用例，并假设医院提供技术，医院可以确定要使用的硬件，这减少了设备之间的变异性，进而提高了预测性能。第三，数据中遇到的咳嗽类型和频率可能限制了我们结果的泛化性，因为我们仅对因肺炎住院过夜的患者的数据进行了验证。第四，我们的系统是一个静止的咳嗽监测系统，被设计成放置在被监测患者附近的水平表面上。它不考虑患者是否离开房间或将智能手机放在口袋或包里。第五，我们没有解决在非接触录音中遇到的病人咳嗽和其他人咳嗽的区别问题[gydF4y2Ba43gydF4y2Ba]。第六，尽管智能手机的放置没有标准化，但所有参与者都遵循了大致相同的指导原则，即智能手机都被放置在靠近患者的床上方(gydF4y2Ba图1gydF4y2Ba)．智能手机放置位置的更大变化将加强我们研究的概括性。与此同时，还有几个我们无法控制的变化来源，它们可能比智能手机的位置产生更大的影响，例如，咳嗽的一般音量，病人在床上的确切位置，包括抬头、低头或侧身，进入房间并说话的人。最后，只有1名女性参与了本研究。然而，在这项验证研究中使用的基于cnn的模型是在94名哮喘患者的咳嗽数据上进行训练的，其中54名是女性。此外，使用1名女性参与者评估我们的系统性能导致MCC值略有改善，达到79%。gydF4y2Ba

与之前工作的比较gydF4y2Ba

在以前的工作中提出了能够在各种传感器记录中检测咳嗽的市售咳嗽监测系统[gydF4y2Ba21gydF4y2Ba-gydF4y2Ba27gydF4y2Ba]。部分研究的查全率和特异性值达到>90% [gydF4y2Ba22gydF4y2Ba]。然而，这些系统对在不同条件下、不同量和不同环境下应用的传感器所记录的咳嗽进行操作，这使得与我们的工作进行比较变得困难。只有少数几种方法提出了与我们的使用模式相媲美的使用模式，其中麦克风不连接到患者身上[gydF4y2Ba22gydF4y2Ba，gydF4y2Ba27gydF4y2Ba，gydF4y2Ba31gydF4y2Ba]。根据Barry等人[gydF4y2Ba31gydF4y2Ba]，赫尔自动咳嗽计数器的分类性能与我们的系统相似。然而，船体自动咳嗽计数器没有经过长时间的彻底调查，也没有得到独立验证研究的支持。卡耶塔诺咳嗽监测仪[gydF4y2Ba27gydF4y2Ba]在另一个队列中总共24.5小时的记录中得到验证，并报告了检测咳嗽发作的类似分类性能值。然而，该系统在检测单次咳嗽时的表现明显不如我们提出的系统，召回率为51%。虽然莱斯特咳嗽监测仪在召回方面优于我们的系统(gydF4y2Ba表1gydF4y2Ba)，则需要额外的操作员输入以进行校正，24小时的记录约需5分钟[gydF4y2Ba44gydF4y2Ba]。此外，这些系统都没有提供记录和检测咳嗽的双重功能。据我们所知，这是智能手机连续咳嗽监测系统的首次验证研究。gydF4y2Ba

最后，在最近的文献中提出并发展了各种涉及智能手机和可穿戴记录的咳嗽检测方法[gydF4y2Ba18gydF4y2Ba，gydF4y2Ba19gydF4y2Ba，gydF4y2Ba45gydF4y2Ba]。然而，它们还没有商用，没有在独立的数据集中进行验证，也没有报告它们的系统在设备上的性能。因此，我们在讨论中省略了这些系统。gydF4y2Ba

结论gydF4y2Ba

在本研究中，我们通过在设备上和在计算机上两种执行模式，验证了一种基于智能手机的病房肺炎患者咳嗽连续监测系统。使用智能手机等商品设备，我们的系统显示的结果与市面上的咳嗽监测器相当。这项研究可以在静止的环境中实现可扩展和成本效益高的咳嗽监测，在静止的环境中，被监测者平躺在医院的病床上或过夜。我们的方法尤其适用于慢性疾病，如哮喘和慢性阻塞性肺病，以及当前的COVID-19大流行，因为我们提出的系统使用智能手机，这是一种以消费者为中心的非接触式技术，可以方便、连续和远程跟踪咳嗽。gydF4y2Ba