基于自监督学习的呼吸吸入器声事件分类

哮喘是一种影响全球数百万人的慢性呼吸系统疾病。尽管可通过手持吸入器 administration 控制药物，但临床研究显示患者对正确吸入器使用技术的依从性较低。因此，许多患者可能无法获得药物的全部效益。自动化的吸入器声分类最近被用于评估药物依从性。然而，现有分类模型通常在特定吸入器类型的数据上训练，其 ability to generalize to different inhalers 的 sounds 尚未探讨。本研究采用 wav2vec 2.0 自监督学习模型进行吸入器声分类，通过在吸入器声上进行 pre-training 和 fine-tuning 来实现该模型。在使用干粉吸入器和智能手表设备收集的数据集上，该模型在平衡准确率达到 98%。结果还表明，对目标吸入器的最小数据进行 re-finetuning 是一种有前景的做法，可将通用吸入器声分类模型适配到不同的吸入器设备和音频采集硬件。这项研究是该领域首次展示智能手表作为辅助技术，用于基于机器学习模型的个性化吸入器依从性监控的潜力。