논문 요약 - SpiroSmart: Using a Microphone to Measure Lung Function on a Mobile Phone

mobile spirometry 관련 자료로 돌아가기

요약

• SpiroSmart는 내장 마이크를 활용해 폐활량 측정을 수행하는 저가용 모바일 폰 애플리케이션
• 데이터 변환 과정 아래 참고
• 측정 파라미터
  • FVC
  • FEV1
  • FEV1 / FVC
  • PEF
• 활용 디바이스: iPhone 4s
• 52명의 피실험자 대상으로 임상에서 사용하는 기기와 5.1% 오차 존재 (2012년 기준).

연구의 주된 알고리즘

마이크를 통해 녹음된 음성 데이터를 폐기능 평가에 필요한 데이터로 변환하는 게 목표.

1. 입력 데이터: 압력 신호 p(t)

• 마이크로폰은 입에서 나오는 압력 신호를 수집
• 이 신호는 교류 결합(AC-coupled) 특성을 가지며, 실제 압력의 비례적인 측정값으로 제공

2. 압력 손실 보정

(1) 거리 및 소리 반사 보정

• 입에서 스마트폰 마이크까지의 거리에서 발생하는 압력 손실을 보정
• 사용자의 머리 주변에서 발생하는 소리 반사와 회절 효과도 모델링.

(2) Inverse Radiation Modeling

• 소리의 전파를 구체적으로 모델링하기 위해 구형 장애물(spherical baffle)의 음향 전달 함수를 사용 (함수 내용은 논문 참고)
• 이 모델은 시간 도메인에서 역변환하여 FIR 필터링을 통해 신호에 적용

3. 흐름 속도 변환

(1) 압력을 흐름 속도로 변환

• 입술에서의 난류 흐름을 모델링하여 압력($plips​(t)$)을 공기 흐름 속도($ulips(t)$)로 변환
• 관련 계산식도 논문 참고

4. 특징 추출

SpiroSmart는 신호로부터 의미 있는 특징을 추출하기 위해 세 가지 주요 방법을 사용

(1) 시간 도메인: 신호 Envelope 계산

• 신호의 Hilbert 변환을 사용해 Envelope 계산
• Envelope는 신호의 저주파 에너지를 나타내며, 공기 흐름 속도의 근사값으로 간주될 수 있음

(2) 주파수 도메인: Spectogram Processing

• 신호를 짧은 시간 프레임(30ms)으로 나누어 각 프레임의 FFT 계산
• local resonance을 추출해 공기 흐름 속도와의 비례 관계를 파악

(3) 선형 예측 코딩(LPC)

• LPC를 사용하여 신호의 원천 파워와 음성 통로 필터(vocal tract filter)를 분리
• 음성 통로 필터의 "소스 파워"는 폐에서 발생하는 흐름 속도의 근사값을 제공

5. 머신 러닝 모델

(1) 폐 기능 지표 회귀

• 추출된 특징(예: 신호 Envelope, 공명, LPC)을 사용하여 강제 폐활량(FVC), 1초 강제 호기량(FEV1), 최대 호기 속도(PEF)를 예측
• 특징 값은 모델(bagged decision tree)을 통해 지표로 변환

(2) 곡선 모양 회귀

• 폐 기능 곡선의 모양(예: Flow-Volume 곡선)을 예측하기 위해 CRF(Conditional Random Field를 사용
• 곡선의 형상을 정규화한 후, 예측된 지표 값을 사용해 곡선을 스케일링

6. 결과 후처리

• 예측된 값은 Savitzky-Golay 필터(3차 다항식)를 사용해 잡음을 제거하고 부드럽게 만둚
• 물리적으로 불가능한 곡선(예: 부피가 단조 증가하지 않는 곡선)은 제거