介绍了过去十年咳嗽检测的研究，描述了AioCare便携式肺活量检测系统的自动咳嗽检测解决方案，该解决方案基于气流信号而非音频信号，使用逻辑回归、神经网络、支持向量机等分类器进行训练并选择了人工神经网络，测试表明该分类器精度稳健，能够应用于不同的环境和患者，是第一个基于气流信号的自动咳嗽检测算法描述，并且是第一个应用于商用肺活量检测系统的咳嗽检测算法。

Feb, 2019

本文旨在通过建立分類模型和策略識别呼吸声異常的方法来自動辨别呼吸和肺部疾病，提出使用深度 CNN-RNN 模型基于 Mel-spectrograms 进行呼吸声分类，并采用局部日志量化策略来减少模型权重的内存占用，该模型在 ICBHI'17 科学挑战呼吸声数据库的呼吸周期四级分类上达到 66.31% 的分数，在使用患者特定数据重新训练模型后，还能以 71.81% 的成绩进行交叉验证，而局部日志量化训练后的权重则能够显著降低内存需求，这种类型的患者特定再培训策略在开发可靠的长期自动患者监测系统特别是在可穿戴式医疗解决方案中可能非常有用。

Apr, 2020

利用全球最大的公开医疗数据库中的呼吸声音，结合经验模式分解和谱分析等方法，训练多个机器学习模型对不同健康状况进行分类诊断，从而大大提高辅助和远程诊断能力。

Sep, 2023

对咳嗽数据驱动的机器学习/深度学习检测和初步诊断框架进行了综合概述，包括显著特征的详细列表，并分析了引起咳嗽的机制和呼吸模式的潜在咳嗽特征，以及定制咳嗽监测应用和其基于人工智能的识别算法。此外，还详细讨论了发展实用、强大和普遍解决方案的挑战和未来研究方向。

Sep, 2023

通过分析当前文献，本研究提供了关于机器学习在疾病诊断方面的最新方法和性能指标的深入了解。

Oct, 2023

使用机器学习算法驱动的可穿戴设备检测慢性咳嗽病例中的咳嗽事件数量和时间模式，提供客观数据给临床医生以追踪症状和评估治疗方案。为此，提出使用基于事件的评估指标以及开源的框架来测试算法性能，并提供事件化咳嗽计数的示例和最佳实践指南。

Jun, 2024

本研究针对医疗预后的现有问题，通过系统回顾各种机器学习技术的应用，指出了这些方法的有效性、挑战及未来方向。论文展示了随机森林、逻辑回归、卷积神经网络和长短期记忆网络等技术在疾病预测和风险评估中的关键优势，强调了模型解释性的重要性及数据质量的挑战，为提高患者预后提供了潜在影响。

Aug, 2024

本研究针对慢性阻塞性肺疾病（COPD）预测的不足，提出了两种基于人工智能和自然语言处理的新型预测模型。这些模型结合了呼吸总结记录、症状和生命体征，有望显著提高COPD加重患者的及时监测和预警能力，预测准确率达到0.82的ROC曲线下面积。

Aug, 2024

本研究解决了心肺疾病早期筛查的不足，提出了一种基于智能手机惯性测量单元（IMU）和深度学习的创新方法。通过收集不同身体区域的呼吸动力学数据，研究显示双向长短期记忆网络（Bi-LSTM）在特征编码方面优于其他模型，平均准确率达80.2%，为在家中使用智能手机进行心肺疾病筛查提供了有力支持。

Aug, 2024

本研究解决了慢性阻塞性肺疾病（COPD）患者的加重预测问题，提出了两种基于人工智能与自然语言处理的预测模型。研究发现，利用呼吸总结笔记、症状和生命体征数据可以提高COPD加重的检测准确率，ROC曲线下面积达到0.82，具有重要的临床应用潜力。

Aug, 2024