基于人工智能的惯性测量单元监测系统，用于检测干粉吸入器使用不当

《npj Primary Care Respiratory Medicine》：AI-driven IMU-based monitoring system for detecting dry powder inhaler misuse

　　

摘要

吸入器误用一直是利用干粉吸入器实现有效肺部给药的一个持续性挑战。在各种误用模式中，操作不当，尤其是装置方向错误，是一种常被忽视但在临床上却会影响疗效的误用方式。目前，及时且可靠地检测此类误用的有效方法仍然有限。为了弥补这一差距，我们开发了一种基于人工智能的运动型数字监测系统，能够检测与方向相关的误用及其他常见的吸入器使用错误。具体而言，利用惯性测量单元（IMU）传感器将数字监控模块集成到 Breezhaler^?装置中，以捕捉吸入器使用期间的方向和运动信号。收集到的数据使用两种特征选择策略进行处理和分析：Boruta 和带交叉验证的递归特征消除（RFECV）。这是首次将这两种策略联合应用于 IMU 衍生的吸入器运动数据，以识别最具区分度的特征。然后，使用五种机器学习算法对这些选定的特征进行建模：AdaBoostClassifier、ExtraTreesClassifier、支持向量分类器（SVC）、XGBClassifier 和 LogisticRegression。分析结果显示，在 Boruta（100 个特征）和 RFECV（66 个特征）策略下存在不同的最优特征集，并揭示了模型在预定义的吸入相关活动中的性能差异。表现最好的模型，即采用 Boruta 的 ExtraTrees 分类器和采用 RFECV 的 SVC，在五次交叉验证方案评估下表现出优异的性能，准确率分别为 0.967 和 0.950。此外，还进行了基于 SHAP 的可解释性分析，以阐明特征重要性和模型决策模式。总之，本研究证明了利用机器学习准确识别和分类吸入活动的可行性，并突出了该方法在未来应用于改善吸入器使用和依从性方面的潜力。