基于加速度计的床位占用检测用于自动、非侵入式长期咳嗽监测
机器学习
2023-04-20 v2
摘要
我们提出了一种基于机器学习的新型床位占用检测系统,其利用床载消费级智能手机采集的加速度计信号。自动床位占用检测对于自动长期咳嗽监测必不可少,因为准确计算咳嗽率需要获知被监测患者占用床位的时间。相较于视频监测或压力传感器等替代方案,加速度计测量更具成本效益且侵入性更小。我们编译了一个来自七名接受结核病(TB)治疗患者的 249 小时人工标注加速度信号数据集用于实验。即便在床位被占用时,这些信号的特征也是短暂活动爆发穿插于漫长无活动或极少活动时段。为有效处理它们,我们提出了一种由三个互联组件构成的架构。占用状态变更检测器定位床位占用可能发生改变的时刻,占用区间检测器对检测到的占用变更之间的时段进行分类,占用状态检测器纠正误识别的占用变更。利用长短期记忆(LSTM)网络,该架构被证实达到 0.94 的 AUC。当集成入完整咳嗽监测系统后,一名接受 TB 治疗患者的每日咳嗽率于 14 天内被确定。随着菌落形成单位(CFU)计数下降且阳性时间(TPP)延长,测得的咳嗽率降低,表明 TB 治疗有效。这首次提示基于床载加速度计测量的自动咳嗽监测或可成为监测 TB 患者长期康复的非侵入、低扰且经济高效的手段。
引用
@article{arxiv.2202.03936,
title = {Accelerometer-based Bed Occupancy Detection for Automatic, Non-invasive Long-term Cough Monitoring},
author = {Madhurananda Pahar and Igor Miranda and Andreas Diacon and Thomas Niesler},
journal= {arXiv preprint arXiv:2202.03936},
year = {2023}
}