Les chercheurs ont amélioré la capacité des appareils de santé portables à détecter avec précision lorsqu'un patient tousse, ce qui facilite la surveillance des problèmes de santé chroniques et la prévision des risques pour la santé tels que les crises d'asthme. Cette avancée est significative car les technologies de détection de la toux ont toujours eu du mal à distinguer le son de la toux du son de la parole et des bruits humains non verbaux.
La toux sert de biomarqueur important pour suivre diverses conditions. Par exemple, la fréquence de la toux peut nous aider à surveiller l’évolution des maladies respiratoires ou à prédire quand l’asthme d’une personne s’aggrave et qu’elle souhaite peut-être utiliser son inhalateur. C’est pourquoi il existe un intérêt pour le développement de technologies capables de détecter et de suivre la fréquence de la toux. »
Edgar Lobaton, auteur correspondant d'un article sur le travail et professeur de génie électrique et informatique, North Carolina State University
Les technologies de santé portables offrent un moyen pratique de détecter les sons. En théorie, les modèles intégrant l’apprentissage automatique peuvent être entraînés à reconnaître la toux et à la distinguer des autres types de sons. Cependant, dans le monde réel, cette tâche s’est révélée plus difficile que prévu.
« Bien que les modèles soient devenus très doués pour distinguer la toux des bruits de fond, ils ont souvent du mal à distinguer la toux de la parole et des sons similaires tels que les éternuements, les raclements de gorge ou les gémissements », explique Lobaton. « Cela est dû en grande partie au fait que, dans le monde réel, ces modèles reproduisent des sons qu'ils n'ont jamais entendus auparavant.
« Les modèles de détection de la toux sont « entraînés » sur une bibliothèque de sons et on leur indique quels sons sont une toux et quels sons n'en sont pas », explique Lobaton. « Mais lorsque le modèle rencontre un nouveau son, sa capacité à distinguer la toux de la non-toux en souffre. »
Pour relever ce défi, les chercheurs se sont tournés vers une nouvelle source de données qui pourrait être utilisée pour entraîner le modèle de détection de la toux : les moniteurs de santé portables eux-mêmes. Plus précisément, les chercheurs ont collecté deux types de données provenant de moniteurs de santé conçus pour être portés sur la poitrine. Tout d’abord, les chercheurs ont collecté des données audio captées par les moniteurs de santé. Deuxièmement, les chercheurs ont collecté des données provenant d’un accéléromètre intégré aux moniteurs de santé, qui détecte et mesure les mouvements.
« En plus de capturer les sons du monde réel, tels que la toux et les gémissements, les moniteurs de santé capturent les mouvements brusques associés à la toux », explique Lobaton.
« Le mouvement seul ne peut pas être utilisé pour détecter la toux, car le mouvement fournit des informations limitées sur ce qui génère le son », explique Yuhan Chen, premier auteur de l'article et récent doctorat. diplômé de NC State. « Différentes actions – comme rire et tousser – peuvent produire des schémas de mouvement similaires. Mais la combinaison du son et du mouvement peut améliorer la précision d'un modèle de détection de la toux, car le mouvement fournit des informations complémentaires qui prennent en charge la détection basée sur le son. »
En plus de s'appuyer sur de multiples sources de données collectées à partir de sources réelles, les chercheurs se sont également appuyés sur des travaux antérieurs pour affiner les algorithmes utilisés par le modèle de détection de la toux.
Lorsque les chercheurs ont testé le modèle en laboratoire, ils ont constaté que leur nouveau modèle était plus précis que les technologies précédentes de détection de la toux. Plus précisément, le modèle avait moins de « faux positifs », ce qui signifie que les sons identifiés par le modèle comme de la toux étaient plus susceptibles d'être en réalité de la toux.
« C'est un pas en avant significatif », déclare Lobaton. « Nous sommes devenus très bons pour distinguer la toux de la parole humaine, et le nouveau modèle est nettement meilleur pour distinguer la toux des sons non verbaux. Il y a encore place à l'amélioration, mais nous avons une bonne idée de la façon de résoudre ce problème et travaillons maintenant sur ce défi. »
L'article intitulé « Détection multimodale robuste de la toux avec détection optimisée des hors-distribution pour les appareils portables » est publié dans le Journal IEEE d'informatique biomédicale et de santé. L'article a été co-écrit par Feiya Xiang, titulaire d'un doctorat. étudiant à NC State; Alper Bozkurt, professeur émérite de la famille McPherson en entrepreneuriat en ingénierie à NC State ; Michelle Hernandez, professeur d'allergie-immunologie pédiatrique à la faculté de médecine de l'Université de Caroline du Nord ; et Delesha Carpenter, professeur à la Eshelman School of Pharmacy de l'UNC.
Ce travail a été réalisé avec le soutien de la National Science Foundation (NSF) sous les subventions 1915599, 1915169, 2037328 et 2344423. Le travail a également été soutenu par le Center for Advanced Self-Powered Systems of Integrated Sensors and Technologies (ASSIST) de NC State, qui a été créé avec le soutien de la NSF sous la subvention 1160483.
