Embedded machine learning framework for respiratory disease detection

doi:10.1016/j.bspc.2025.109132

Embedded machine learning framework for respiratory disease detection

2025-11-11

0

PRE

AI

DOI：10.1016/j.bspc.2025.109132

原文链接

原文求助

摘要

En 中文

呼吸系统疾病，如慢性阻塞性肺疾病（COPD）、肺炎、哮喘和支气管扩张症，仍然是全球主要的发病率和死亡率原因。传统的诊断方法，如听诊，具有主观性并依赖于临床医生的专业知识，常常导致延误或错误。本研究提出了一种基于机器学习（ML）的框架，通过肺音分析进行呼吸系统疾病检测，并集成到实时嵌入式系统中。使用了两个开源数据集，即生物医学与健康信息学国际会议（ICBHI）数据集和国王阿卜杜拉大学医院（KAUH）数据集。肺音信号经过降噪、截断和归一化处理，随后进行数据增强。从处理后的信号中提取了30个统计、时域和频域特征。为解决类别不平衡问题，应用了SMOTE结合Tomek links的方法。训练了多种集成ML算法和深度学习架构。ExtraTrees（ET）分类器在ICBHI数据集上通过10折交叉验证达到99.87%的准确率，在外部KAUH数据集上达到93.68%的准确率，展示了其强大的泛化能力。基于AutoGluon的WeightedEnsemble L3在ICBHI测试集上达到99.97%的准确率，在KAUH数据集上达到95.65%，进一步证明了其在未见新数据上的强大泛化能力。为确保可解释性，采用了可解释AI技术，包括特征重要性、SHAP、LIME和扰动分析。在深度学习架构中，LSTM实现了99.58%的准确率，且损失最小。最后，将ET模型部署在基于树莓派3的嵌入式系统中，该系统记录并处理10秒的肺音，预测疾病，并实时显示结果。本研究提出了一种有效的、可解释的、便携的呼吸系统疾病筛查系统，将AI与真实世界的医疗应用相结合。

Embedded machine learning framework for respiratory disease detection

摘要

期刊

机构

引用论文