Cough-E：一种面向边缘的多模态隐私保护咳嗽检测算法
音频与语音处理
2025-07-01 v1 信号处理
摘要
连续咳嗽监测可以极大地辅助医生进行呼吸系统疾病的家庭监测和治疗。尽管已提出许多算法，但它们仍面临数据隐私和短期监测方面的局限。边缘人工智能通过在数据源附近处理隐私敏感数据提供了一个有前景的解决方案，但在受限设备上部署资源密集型算法时会出现挑战。我们从合适的音频和运动学信号中选择，通过递归特征消除交叉验证（RFECV）实现特征的最优选择，该方法利用了所选 XGB 模型的可解释性。此外，我们分析了使用 Mel 频谱图特征而非更常见的 MFCC 的可行性。此外，我们还探索了分类器多模态实现的一组超参数。最后，我们基于临床相关的事件型指标评估性能。我们应用该方法开发了 Cough-E，一种节能、多模态且基于边缘人工智能的咳嗽检测算法。它在两个不同的分类器中利用音频和运动学数据，协同合作以实现能量与性能的平衡权衡。我们证明该算法可以在 ARM Cortex M33 微控制器上实时运行。与仅音频方法相比，Cough-E 实现了 70.56\% 的节能，以 1.26\% 的相对性能下降为代价，得到 0.78 的 F1 分数。Cough-E 和边缘感知模型优化方法均以开源代码形式公开发布。该方法展示了所提出的面向硬件的方法在实现边缘隐私保护咳嗽监测方面的优势，为高效的咳嗽监测铺平了道路。
引用
@article{arxiv.2410.24066,
title = {Cough-E: A multimodal, privacy-preserving cough detection algorithm for the edge},
author = {Stefano Albini and Lara Orlandic and Jonathan Dan and Jérôme Thevenot and Tomas Teijeiro and Denisa Andreea Constantinescu and David Atienza},
journal= {arXiv preprint arXiv:2410.24066},
year = {2025}
}
备注
14 pages, 10 figures