Respiratory Inhaler Sound Event Classification Using Self-Supervised Learning

要約

喘息は、世界中の何百万人もの人々に影響を与える慢性呼吸条件です。
この状態は、ハンドヘルド吸入器を介してコントローラー薬を投与することで管理できますが、臨床研究では、正しい吸入器の使用法への遵守が低いことが示されています。
その結果、多くの患者は、薬の完全な利益を受け取らない場合があります。
吸入音の自動分類が最近研究され、投薬の遵守を評価しています。
ただし、既存の分類モデルは通常、特定の吸入器タイプのデータを使用してトレーニングされており、異なる吸入器のサウンドに一般化する能力は未開拓のままです。
この研究では、このモデルを吸入器音でトレーニング前と微調整することにより、吸入器の音分類のためのWAV2VEC 2.0の自己監視学習モデルを適応させました。
提案されたモデルは、乾燥粉末吸入器とスマートウォッチデバイスを使用して収集されたデータセットの98％のバランスの取れた精度を示しています。
また、結果は、ターゲット吸入器からの最小データでこのモデルを再発行することが、一般的な吸入器サウンド分類モデルを別の吸入器デバイスとオーディオキャプチャハードウェアに適応させるための有望なアプローチであることを示しています。
これは、機械学習モデルを使用した吸入器のアドヒアランスのパーソナライズされた監視のための支援技術としてのスマートウォッチの可能性を実証するフィールドでの最初の研究です。

要約(オリジナル)

Asthma is a chronic respiratory condition that affects millions of people worldwide. While this condition can be managed by administering controller medications through handheld inhalers, clinical studies have shown low adherence to the correct inhaler usage technique. Consequently, many patients may not receive the full benefit of their medication. Automated classification of inhaler sounds has recently been studied to assess medication adherence. However, the existing classification models were typically trained using data from specific inhaler types, and their ability to generalize to sounds from different inhalers remains unexplored. In this study, we adapted the wav2vec 2.0 self-supervised learning model for inhaler sound classification by pre-training and fine-tuning this model on inhaler sounds. The proposed model shows a balanced accuracy of 98% on a dataset collected using a dry powder inhaler and smartwatch device. The results also demonstrate that re-finetuning this model on minimal data from a target inhaler is a promising approach to adapting a generic inhaler sound classification model to a different inhaler device and audio capture hardware. This is the first study in the field to demonstrate the potential of smartwatches as assistive technologies for the personalized monitoring of inhaler adherence using machine learning models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google