Метод определения типа дыхания человека на базе машинного обучения

   Целью исследования является повышение эффективности дыхательной реабилитации за счет разработки автоматизированных методов определения типа дыхания на базе машинного обучения.

   Методы. После пандемии COVID-19 особую важность приобрели респираторная реабилитация, а также методы домашней (удаленной) реабилитации по средствам, предоставляемым современными технологиями, для осуществления которой стали разрабатываться новые методы и средства, в том числе с использованием беспроводных датчиков или систем захвата движения. Особое внимание в ходе дыхательной реабилитации уделяется типу дыхания человека, а также автоматизированным методам по анализу дыхания. На данный момент встает проблема, что большинство разработанных методов по анализу дыхания не работают с типами дыхания: они либо определяют только один тип, например, диафрагмальный, либо просто анализируют состояние легких. В связи с этим возникает потребность в разработке метода для анализа и определения непосредственно типов дыхания человека. В данной статье рассматривается три метода для решения задачи определения типа дыхания человека с помощью системы захвата движений и машинного обучения. Первый метод основывается на статических характеристиках, для которого использовалась модель Random Forest. Второй метод, в основе которого используются временные характеристики, использовал модель Catch22. Третий метод, который определяет тип дыхания с помощью характеристик синусоиды, использовал составную модель, основанную на двух моделях Hist Gradient Boosting.

   Результаты. Были разработаны три метода для определения типа дыхания человека. Для каждого из методов были обучены модели машинного обучения для нахождения наилучшего результата точности.
После проведения сравнительного анализа разработанных подходов определен подход с наилучшей точностью.

   Заключение. Разработан метод определения типа дыхания человека на базе машинного обучения, точность работы которого составляет 0,81.

1. Разработка метода определения доминирующего типа дыхания человека на базе технологий компьютерного зрения, системы захвата движения и машинного обучения / А. В. Зубков, А. Р. Донская, С. Н. Бушенева, Ю. А. Орлова, Г. М. Рыбчиц // Моделирование, оптимизация и информационные технологии. 2022. № 10(4). С. 15. doi: 10.26102/2310-6018/2022.39.4.016.

2. Васильев В. И. Влияние диафрагмально-релаксационного типа дыхания на здоровье учащихся средней общеобразовательной школы // Известия Пензенского государственного педагогического университета им. В. Г. Белинского. 2006. № 5. С. 121–123.

3. Subin S., Pravin A. Breathing techniques-A review – 25 different types // International Journal of Physical Education, Sports and Health. 2015. N 2 (2). P. 237–241.

4. Разработка автоматизированной системы мониторинга антигенов коронавирусной инфекции на основе иммунохроматографического анализа / С. Н. Костарев, Р. А. Файзрахманов, О. В. Новикова, О. В. Комягина, Т. Г. Середа // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2022. № 12(3). С. 8–27. URL: https://www.elibrary.ru/item.asp?edn=esiniz&ysclid=lktgu30egz427187321

5. Разработка системы автоматического диагноза на наличие антител иммуноглобулинов IgG и IgM SARS-CoV-2 / С. Н. Костарев, О. В. Кочетова, Н. А. Татарникова, Т. Г. Середа // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2021. № 11 (2). С. 8–24.

6. Exploring Automatic Diagnosis of COVID-19 from Crowdsourced Respiratory Sound Data / Ch. Brown, J. Chauhan, A. Grammenos, J. Han, A. Hasthanasombat, D. Spathis, T. Xia, P. Cicuta, C. Mascolo // KDD '20: Proceedings of the 26^th ACM SIGKDD International Conferenceon Knowledge Discovery & Data Mining. Association for Computing Machinery, 2020. P. 3474–3484.

7. Exploring Automatic Diagnosis of COVID-19 from Crowdsourced Respiratory Sound Data / B. Avuthu, N. Yenuganti, S. Kasikala, A. Viswanath // IC3-2022: Proceedings of the 2022 Fourteenth International Conference on Contemporary Computing, 2022. P. 367–371. doi: 10.1145/3549206.3549272.

8. Schoun B., Transue Sh., Min-Hyung Choi. Real-time Thermal Medium-based Breathing Analysis with Python // PyHPC'17: Proceedings of the 7th Workshop on Python for High Performance and Scientific Computing November. New York: Association for Computing, 2017. Is. 5. P. 1–9. doi: 10.1145/3149869.3149874.

9. Spectral fusion-based breathing frequency estimation; experiment on activities of daily living / I. Alikhani, K. Noponen, A. Hautala [et al.] // BioMed Eng OnLine. 2019. N 17. P. 99. doi: 10.1186/s12938-018-0533-1.

10. BreathMentor: Acoustic-based Diaphragmatic Breathing Monitor System / Gong Y., Zhang Q., Bobby H. P. N. G., Li W. // Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies. Association for Computing Machinery, 2022. P. 1–28. doi: 10.1145/3534595.

11. Smart Homes that Monitor Breathing and Heart Rate / F. Adib, H. Mao, Z. Kabelac, D. Katabi, R. C. Miller // CHI '15: Proceedings of the 33rd Annual ACM Conference on Human Factors in Computing Systems. Seoul, 2015. P. 837–846. doi: 10.1145/2702123.2702200.

12. Hai Anh Tran, Quynh Thu Ngo, Huy Hoang Pham. An application for diagnosing lung diseases on Android phone // SoICT '15: Proceedings of the 6^th International Symposium on Information and Communication Technology. Association for Computing Machinery, 2015. P. 328–334. doi: 10.1145/2833258.2833289.

13. Machine Learning: A First Course for Engineers and Scientists / A. Lindholm, N. Wahlström, F. Lindsten, T. Schön. Cambridge University Press, 2022.

14. Accuracy and diversity-aware multi-objective approach for random forest construction / El I. K. Nour, А. K. Abdelaziz, A. Ali, S. Hassina, A. Sabeur, D. Wajdi // Expert Systems with Applications. 2023. N 225. P. 20138. doi: 10.1016/j.eswa.2023.120138.

15. Catch22: Canonical Time-series Characteristics / C. H. Lubba, S. S. Sethi, P. Knaute [et al.] // Data Min Knowl Disc. 2019. N 33. P. 1821–1852. doi: 10.1007/s10618-019-00647-x.

16. Charnes A., Frome E. L., Yu P. L. The Equivalence of Generalized Least Squares and Maximum Likelihood Estimates in the Exponential Family // J. Am. Stat. Assoc. 1976. N 71. P. 169–171.

17. Классификация функционального состояния системы дыхания на основе анализа вариабельности медленных волн VLF-диапазона / А. В. Киселев, А. А. Кузьмин, М. Б. Мяснянкин, А. А. Маслак, С. А. Филист, А. Ф. Рыбочкин // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2022. № 12 (1). С. 8–32. URL: https://uprinmatus.elpub.ru/jour/article/view/47

18. Li C. Discrete Fourier Transform and Fast Fourier Transform // Time Series Data Analysis in Oceanography. Cambridge University Press, 2022. P. 242–266. doi: 10.1017/9781108697101.015.

19. Piryonesi S. M., El-Diraby T. E. Data Analytics in Asset Management: Cost-Effective Prediction of the Pavement Condition Index // Journal of Infrastructure Systems. 2020.N 26 (1). P. 1–25. doi: 10.1061/(ASCE)IS.1943-555X.0000512.

20. Method for Determining the Dominant Type of Human Breathing Using Motion Capture and Machine Learning / Y. Orlova, A. Gorobtsov, O. Sychev, V. Rozaliev, A. Zubkov, A. Donsckaia // Algorithms. 2023. N 16(5). P. 249. doi: 10.3390/a16050249.

21. Analysis of breathing via optoelectronic systems: Comparison of four methods for computing breathing volumes and thoraco-abdominal motion pattern / C. Massaroni, G. Senesi, E. Schena, S. Silvestri // Comput. Methods Biomech. Biomed. 2017. N 20. P. 1678–1689.