智能音频分析助力呼吸疾病诊断：基于边缘计算的慢性呼吸系统疾病检测系统

《Journal of Medical Systems》：Edge Computing System for Automatic Detection of Chronic Respiratory Diseases Using Audio Analysis

本研究针对偏远地区传统诊断方法难以获取的问题，开发了一种基于音频的边缘计算系统，用于自动检测慢性呼吸系统疾病（CRDs），展现出高灵敏度和特异性，为高效低成本筛查工具的开发提供了新思路。

　　慢性呼吸系统疾病（CRDs）影响着全球众多人群，但传统诊断方法在远离人口中心的偏远地区难以实施。本研究开发了一种基于音频的边缘计算系统，利用机器学习（ML）技术分析呼吸声音（咳嗽和呼吸）的音频记录，通过提取梅尔频率倒谱系数（Mel frequency cepstral coefficients，MFCC）和色度属性（chromagram）等特征来捕捉呼吸声音的相关声学特征，从而对这些疾病的存在与否进行分类。该系统使用从86名个体（其中53人患有慢性呼吸系统疾病，包括哮喘和慢性阻塞性肺病（COPD），其余33人为健康个体）收集的呼吸声音数据集进行训练和测试。最终评估在13名患者和22名健康个体的群体中进行。该方法在智能手机和树莓派（Raspberry Pi）等边缘设备上对声音的分类显示出高灵敏度和特异性。对于CRDs的最佳结果达到了90.0%的灵敏度、93.55%的特异性和91.75%的平衡准确率，准确识别健康和患病个体。这些结果展示了边缘计算和机器学习系统在呼吸系统疾病检测中的潜力，有望为开发高效且成本效益高的筛查工具做出贡献。