用于从传感器数据检测咳嗽的系统和方法

背景技术

咳嗽是一种防御反射，人体通过该防御反射试图清除呼吸道中的刺激物、外来颗粒、流体和微生物。咳嗽典型地以吸气开始，紧接着对着闭合的声门用力呼气，随后打开声门；结果是空气从肺部快速释放，且通常伴随明显的声音。频繁咳嗽或慢性咳嗽可能指示存在疾病；频繁咳嗽或慢性咳嗽的发展通常是疾病发作的指标，而咳嗽的恶化通常指示疾病进展和/或健康状况下降。这些疾病通常是感染传染性病原体诸如新型的SARS-CoV-2(COVID-19)的结果。咳嗽还可能由暴露至环境微粒诸如烟、污染物、花粉、粉尘等而造成，这些环境微粒对健康的影响可能与许多内部疾病相似。

咳嗽还通常由于相对良性的原因发生，诸如由于气味对呼吸道的轻微刺激、急性暴露至过敏源(诸如，粉尘和皮屑)、喉咙中的食物或痰等。对于经历疾病/感染发作的健康个体或对于遭遇有害环境微粒(诸如，烟、硅粉尘等)的健康个体来说，在没有意识到他们的状况或暴露的情况下，可能难以从良性咳嗽中识别出恶性咳嗽。

存在可用于咳嗽检测的已知工具。这些设备包括肺活量计、心电图传感器、胸带、血氧计以及麦克风。然而，这些设备可能是侵入性的，而且未验证用户耐受性。此外，麦克风可能是当前使用的最常见的自动化检测工具，但受到环境噪声的影响。

因此，存在能够从良性咳嗽识别恶性咳嗽的需求。此外，用于测量和识别这些咳嗽的设备需要是非侵入性的，且具有高的用户耐受性。另外，这些设备不应当受到环境噪声的影响。

发明内容

所提出的发明描述了一种使用穿戴在身体上或放置在身体附近的光电容积描记(photoplethysmography，PPG)和加速度(accelerometry)传感器来检测咳嗽的方法。在一些实施方案中，本发明还可考虑生理和非生理的“辅助”数据，从而在人类活动、潜在疾病、环境条件以及其他与咳嗽发生有关因素的背景下提高检测效率和特异性。取决于所检测到的咳嗽发生的背景(例如，锻炼之后、生病期间、地区中的高污染水平等)，辅助数据可被用于随后对所检测到的咳嗽进行分类。本公开内容还描述了一种整合来自多种来源的辅助数据且对所检测到的咳嗽进行适当分类的系统。除了改善检测以外，此相同的数据还可用于对所检测到的咳嗽进行情景化和分类，以在个体规模和群体规模上提供有价值的见解。

如下文将示出的，以自动、低分歧(low-friction)和易于大规模实施的方式对咳嗽进行检测、情景化和分类存在价值。本公开内容出于此目的所提出的方法和系统是有利的，原因有若干。一方面，底层传感器(PPG和加速度)已经存在于多种市售设备(诸如，智能手表、健身追踪器、移动电话以及身体监测贴片)中。这些设备典型地通过物联网(IOT)技术实现，以允许在多个平台上容易地追踪测量。

在一方面，本发明涉及一种检测咳嗽发生的方法，包括以下步骤：从对象收集对应于生理数据的非侵入性信号；处理所收集的信号，以生成与对象相关联的生理数据；以及，从所述生理数据检测咳嗽的物理动作。所述物理动作可包含但不限于，物理动作包括吸气、对着闭合的声门呼气、打开声门或放松。非侵入性信号可由光电容积描记(PPG)传感器来收集，所述光电容积描记传感器允许监测血容积的变化，以检测咳嗽的物理动作。在一些方面，非侵入性信号包括与对象的加速度数据相关联的加速度信号。识别指示咳嗽的物理动作的数据是通过信号幅度阈值化(signal magnitude thresholding)、统计基准外的信号幅度偏差、时域分析方法、频域分析方法、信号分解、统计方法(例如，自相关)或机器学习方法(例如，递归神经网络和卷积神经网络)来实现的。

在一些方面，所述方法可整合辅助数据，以提供收集所述非侵入性信号的条件的背景，从而允许修改或暂时暂停咳嗽检测技术。辅助数据是指与咳嗽的发生和/或检测有关的任何信息。辅助数据可包括与由于改变测量条件而引起的信号质量变化有关的数据。实施例包括但不限于：对象处于运动的知识，对象处于睡眠的知识等。对象的生理状态数据可包括对象最近已锻炼的知识，对象生病或从疾病恢复的知识，以及关于对象环境中的潜在危害(例如，空气污染)的信息。辅助数据被用于改变咳嗽检测技术，使最佳地适配测量条件，调整检测参数来提高或降低敏感度，或者在测量条件不佳或混杂过高时暂停检测工作。辅助数据还能够用于对所检测到的咳嗽进行情景化和/或分类。应用这样的信息的实施例包括但不限于：识别可指示疾病发作或恶化的咳嗽，识别可指示或量化锻炼引起的哮喘的严重度的咳嗽，以及识别环境危害(例如，空气污染)的公共影响。

在一方面，本发明涉及一种用于自动地检测对象咳嗽的系统，所述系统包括传感器和处理器。这些部件以及其他部件可在支持IOT设备的任何合适组合(诸如，支持PPG的智能手表或其他身体监测设备、移动电话、个人计算机或云服务器)上分布，从而形成能监测任何用户的可部署的咳嗽检测解决方案。传感器被配置为收集与对象相关联的非侵入性生理信号。传感器可包括PPG传感器和加速度计。处理器可被配置为经由输入传感器数据的改变来自动地检测咳嗽的发生。处理器被配置为将非侵入性生理信号处理为与对象有关的生理数据，从生理数据的变化中检测咳嗽的发生，且在检测到咳嗽时生成咳嗽事件输出。在一些方面，咳嗽事件包括已检测到咳嗽的标志或其他指示，标记检测到咳嗽的时间点的时间戳和/或置信度值。置信度值可以是定性的(例如，低/中/高)或定量的(例如，[0,1]范围内的值)。咳嗽事件还可包括对咳嗽强度的测量，所述测量可以是定性的(例如，低/中/高)或定量的(例如，[0,1]范围内的值)。所述系统可被用于监测多个对象且汇总咳嗽事件，从而实现群体规模研究。所述系统可利用用户界面来向对象或已授权的第三方(例如，医师等)示出所检测到的咳嗽事件或其概要度量。

在一些实例中，可利用用户界面来请求对象输入与用户有关的信息，包括人口统计学特征、总体健康、病史、疾病症状。可经由用户界面提出后续问题来对所收集的数据进行澄清以及获得附加的信息。所收集的数据可由辅助数据模块使用，所述辅助数据模块被配置为利用辅助数据来生成测量条件的背景或咳嗽的背景。在一些实例中，测量条件的背景可使处理器去修改检测。咳嗽事件的检测以及对这种检测的修改可借助算法来实现。所述算法可以包括选择规则、数学技术或数学函数、机器学习方法或其他技术的任何组合，所述算法基于源自输入数据的背景信息来对如何修改咳嗽检测工作做出决策。辅助数据可被辅助数据模块利用，从而做出这些调整。辅助数据模块还可在适用的情况下修改置信度值。辅助数据模块可基于所提取的背景信息对咳嗽事件进行分类。在一些实施方案中，分拣模块应用置信度值修改和咳嗽事件分类。辅助数据、咳嗽检测和分拣模块可一起运行，也可以彼此独立运行。

本发明的这些以及其他目的和优势将从以下对本发明的优选实施方案的详细描述中变得明显。前文的总体描述和下文的详细描述都仅是示例性和解释性的，且旨在对所要求保护的本发明提供进一步的解释。

附图被包括以提供对本发明的进一步的理解，且附图被包括在本说明书中且构成本说明书的一部分，例示本发明的若干实施方案，附图与描述一起用于解释本发明的原理。

附图说明

图1a至图1b例示了在受控条件下(对象躺下，静止)，光电容积描记(photoplethysmography)信号和三轴加速度(accelerometry)信号在3次连续咳嗽期间的轨迹。

图2是指示组成系统的不同电子设备的框图。用虚线勾勒的模块可以在系统中的任何设备上实施。

图3是例示了系统的3个主要模块(咳嗽检测(105)、辅助数据(106)、分拣(107))以及它们交换数据的方式的框图。

定义

PPG-光电容积描记

IOT-物联网

SpO

具体实施方式

经由PPG进行咳嗽检测的原理

本公开内容中所提出的咳嗽检测的方法寻找光电容积描记(PPG)信号和加速度信号的变化，这些信号由戴在身体上或放置在身体附近的传感器所捕获。传感器的这种组合常见于智能手表和健身追踪器、指尖脉冲血氧计以及一些移动电话以及新型身体监测设备(诸如，可穿戴传感器贴片)中。承载传感器的设备将被称作支持PPG设备(PPG-enableddevice)(100)，但应理解，在一些实施方案中，这些不同的传感器类型可能未必被捆绑在同一设备中，例如，支持PPG设备可以是放置在腕部上的可穿戴带，而加速度由穿戴在身体上或放置在身体附近的另一设备(诸如，移动电话)捕获。此外，由于咳嗽引起的PPG信号的变化典型地比加速度信号的变化更明显，所以在本方法的一些实施方案中，可以完全地排除加速度。本文所描述的基于PPG的咳嗽检测的原理可应用于能够对人体动脉系统和/或相关联的身体组织中的压力或体积动态进行测量的任何传感器数据。

PPG是一种用于检测血液循环中的体积变化的非侵入性光学技术。简言之：一个或多个发光二极管被放置在皮肤的表面处，与一个或多个光电检测器(光电二极管、CMOS或其他光检测传感器)一起，吸收由血液和组织所反射的光。在一些配置中，可以将身体的一部分诸如手指放置在发光二极管与光电检测器之间。无论何种配置，测量原理是相同的：含氧血将以与皮肤、肌肉组织、骨骼等不同的速率吸收发射光。本领域技术人员已知的是，结果，到达光电检测器传感器的光量的某些波动(依赖于测量配置，所述光量或者被血液/组织反射，或者穿过所述血液/组织传输)将对应于传感器的“量程范围”内循环血的体积变化。这种技术通常被用在各种商业设备和医疗设备中，以实现心率感测、血氧饱和度以及其他测量。除了PPG之外，所述设备通常还包括加速度计传感器。除了为对象的运动水平/活动水平提供独立测量(所述测量在进行连续生理监测的背景下特别有价值(例如，通过智能手表、健身追踪器以及其他非侵入性设备))，加速度测量还可被用于校正PPG信号中由运动引起的伪影。

图1a至图1b示出了在受控条件下(即，对象躺下且静止，如在睡眠期间)由腕戴式设备所捕获的PPG信号和三轴加速度信号的两个示例轨迹。x轴追踪时间。在图1a与图1b这二者中，y轴成比例于所测得的光电二极管电流，且由于对象的心跳，所述电流大约每秒脉动一次，随着血液流向皮肤且吸收更多的光，所述电流在每次脉冲发作时急剧减小。最下方的图表的y轴(“Acc[G]”)测量由三轴传感器所测得的加速度的幅度。图1中的数据跨越了～24秒的时段。在这两个实施例中，3个单独的咳嗽接连不断地发生，这可以清楚地看作在另外的静止状态期间的加速度信号中的扰动。这些扰动将主要对应于用力呼气及随后打开声门，导致了典型咳嗽的特征动作/声音。结合这些扰动，可以看到PPG信号中暂时但显著的降低(以箭头指示)，这是由于咳嗽周期的潜在生理机能的原因。对着闭合的声门用力呼气还可能导致循环血压的急剧增大，这可能还调制PPG信号。无论所观测到的PPG降低背后的生理学机制如何(可能归因于光电二极管的光路中的血容积变化)，它是咳嗽检测时的潜在有用的明显可测量信号。此外，响应于咳嗽的PPG信号波动幅度以及加速度信号波动幅度可以潜在地被用作是咳嗽强度或力度的实际测量，即作为一个量度(index)，所述量度可以被推定为表示胸腔中产生咳嗽的用力呼气时的肌肉收缩强度，此外还表示对着闭合的声门呼气的力。虽然所测得的信号中的咳嗽强度/力度的这种体现可能依赖于对象的生理机能的不同而不同，但是它会是在同一对象水平上对咳嗽的严重度进行分类的有用测量，从而追踪导致咳嗽的疾病或潜在状况的进展。

在图1a至图1b中看到的PPG波动的幅度和时长使它们与正常的窦性心律失常不同，对于健康个体来说，所述正常的窦性心律失常是PPG信号中的规律的、正常的调制。因此，这些波动可被用于确定咳嗽的发生。加速度信号中的伴随扰动还可以用于确认检测到的咳嗽的存在和/或以定量方式或定性方式增大检测置信度。可以使用数种技术来直接地且自动地检测咳嗽在PPG信号和加速度信号中所引起的波动，这些技术诸如但不限于：信号幅度阈值化、统计基准外的信号幅度偏差、时域分析方法、频域分析方法、信号分解、统计方法(例如，自相关)以及机器学习方法(例如，递归神经网络和卷积神经网络)。在适用的情况下，这些技术可以实时或近实时地应用于PPG和/或加速度数据流，从而提供对咳嗽的连续检测。这些技术还可以应用于历史的PPG和/或加速度数据(这些数据在任意时长上进行汇总)，从而追溯地检测某一先前时段内的咳嗽。同样的技术可以应用于PPG信号的各种二次变换(诸如但不限于导数、积分、滤波、熵测量、组合或任意函数的应用)，所述二次变换可能包含与PPG信号中存在咳嗽有关的附加可测量信息。本发明考虑了可归因于咳嗽的生理作用的PPG信号和/或加速度信号中的任何可测量的变化或它们的变换。

在图1a至图1b的实施例中，PPG信号来源于波长约为525nm(绿光)的单个发光二极管。应理解，同样的咳嗽检测原理可被适用于任何配置的PPG技术，诸如那些整合了(例如，在商业血氧剂中常见的)红光或近红外光和/或那些共同组合了多种波长的光从而测量人体组织中的不同反射系数的技术。依赖于发光二极管和光电传感器的配置，PPG信号中看到的由咳嗽所导致的变化的确切性质可能不会明确地遵循图1a至图1b中的变化(例如，在血容积增大导致光吸收减弱的配置中，可能存在信号增大而非减小)。类似的考虑适用于咳嗽引起的加速度信号中的扰动。例如：在图1a至图1b的实施例中，存在3个加速度轴(标记为X、Y、Z)，但同样的原理适用于可能存在仅(比如)加速度测量绝对幅度的单个通道的配置。作为另一实施例，可以通过移动电话中而非腕带式设备中的传感器来测量伴随加速度，在这种情况下，扰动可能表现得不同。总体而言，应理解，本公开内容提出的方法考虑了所有这些可能性。

用于咳嗽检测的支持系统

本公开内容还提出了一种系统，所述系统根据源自多种来源的“辅助”数据，协助在所描述的方法中自动检测咳嗽，对咳嗽进行情景化(contextualize)且对咳嗽进行分类。在本公开内容的背景下，辅助数据宽泛地指与任何特定个体(下文称作“用户”)中的咳嗽的检测和/或发生有关的任何数据。如以下所讨论的，辅助数据可以从传感器或其他数据收集服务或设备收集。

作为一个实施例：考虑用户正在进行物理运动的场景，诸如在行走或其他形式的锻炼期间所发生的物理运动；此知识构成了辅助数据，且此知识可以经由任何适用的方法(例如，通过监测一个或多个生理传感器中的相关联的变化)来获得。与咳嗽检测有关，物理运动可能导致PPG信号和加速度信号中的附加改变，所述附加改变可能与先前所描述的咳嗽引起的波动类似或混杂。在这种场景中，辅助数据可以通过在混杂运动期间触发自动咳嗽检测方法停止来起到去除混杂的作用；这将通过在行走阶段期间关闭算法来总体上导致咳嗽检测算法的特异性增大。在这种场景中，同样的辅助数据可以起到支持咳嗽检测的作用：一旦运动停止，系统可以确定用户经历了一段剧烈活动，随后恢复具有增大敏感度的自动咳嗽检测，因为锻炼引起的支气管收缩的可能性大。

此外，相对于诸如疾病、环境刺激物等原因，在这种场景中锻炼之后的咳嗽将具有不同的且相对良性的潜在原因。鉴于此，辅助数据可被用于相应地对所检测到的咳嗽进行分类，使得用户能够受益于这种知识。例如：可以采用简单的算法，对在锻炼阶段期间(如果在锻炼期间未关闭算法)或锻炼阶段之后不久所检测到的发生咳嗽的频率进行计数；可以向用户报告相对高频率的锻炼引起的咳嗽(经由例如通过用户界面，诸如将立刻所描述的用户界面)。

这种场景应被考虑是示例性的，而绝不是全面的。源自生理传感器的辅助数据的其他实施例包括但不限于运动检测、活动/锻炼检测、睡眠检测、疾病/感染存在(例如，COVID-19、支气管炎等)、氧饱和度以及呼吸率；源自其他的辅助数据的实施例包括但不限于用户对疾病的注释、用户对医疗状况和/或过敏的披露、流行病学数据(例如，用户附近的疾病的爆发)、GPS数据(例如，指示用户已旅行)、天气数据、空气污染数据以及区域花粉数据。本公开内容考虑了可能与咳嗽的检测、情景化和分类有关的任何和所有可适用的辅助数据。

在所提出的系统的一些实施方案中，所检测到的咳嗽及伴随的辅助数据可在群体规模上被汇总和分析。例如，在一个地理区域内所检测到的咳嗽的患病率增大可能指示传染性感染的爆发。在另一实施例中，患病率增大可能伴随诸如高空气污染、野火烟等的环境条件，所述环境条件正对受影响群体的健康有不利影响。本公开内容中所要求保护的发明包括以所描述的方式共同使用辅助数据与咳嗽检测，从而提供群体规模的见解，可以由例如个体、公共卫生官员、流行病学家、政府官员等来执行所述见解。

图2是指示构成所公开的系统的不同电子设备100、101、102以及负责执行所公开的方法和系统的模块的框图。与所公开的发明有关的主要模块是咳嗽检测模块(105)、辅助数据模块(106)、分拣模块(107)以及生理数据处理模块(115)(在下文中详细描述)。同样要注意的是用户界面模块(108)，用户可以在所述用户界面模块(108)中接收关于所检测到的他们咳嗽的信息，在特定的实施方案中，用户可以通过所述用户界面模块(108)录入注释数据(例如，当前存在疾病)或其他有关信息(可以构成系统内的辅助数据)。在图2中所考虑的实施方案中，支持PPG设备(100)充当传感器平台，且与移动设备(101)和云系统(102)结合工作。云系统(102)是任何计算机、服务器或其集合，所述云系统(102)的存在支持多个用户，每个用户都具有一个或多个支持PPG设备(100)和/或移动设备(101)，它们与板上网络通信模块(114)结合以经由网络连接(例如，互联网连接)(104)与云系统(102)通信。在支持PPG设备101的情况下，互联网连接(104)可以直接地(110)进行(例如，通过LTE连接或其他手段)，或者经由将移动设备(101)用作代理而间接地进行。支持PPG设备(100)与移动设备(101)之间的通信典型地通过直接短距离通信(109)发生(例如，经由蓝牙连接、NFC、通过局域网的连接或其他多种已知的通信手段)。

主要系统模块(105)、(106)、(107)和(115)可以以任何组合分布在支持PPG设备(100)、移动设备(101)和云系统(102)上。例如：如果支持PPG设备(100)是具有充足计算能力和合适接口的现代智能手表，则系统模块可以很好地在设备上直接运行。在这种实施方案中，可以完全去除移动设备(101)。另一方面，如果支持PPG设备(100)是具有有限资源且不具有接口的低成本健身追踪器，则它可能仅充当传感器平台。在这种实施方案中，系统的所有其余功能可以最合适的方式委托给移动设备(101)和云系统(102)。应注意，移动设备(101)和云系统(102)在所公开的系统的所有可能的实施方案中不是强制的；在一些实施方案中，当合适的支持PPG设备(100)包含足够的计算能力和存储能力来托管所有主要模块(105)、(106)、(107)和(115)时，它可以充当系统中的唯一设备，然而，在这种实施方案中，所公开的本发明的某些元素会是不可能的(例如，包括外部辅助数据(天气、污染物、区域流行病等)或在群体水平规模上汇总和分析用户咳嗽和辅助数据的方式)。

图3是更详细地例示咳嗽检测模块(105)、辅助数据模块(106)以及分拣模块(107)(包括它们相互连接和交换数据的方式)的框图。所公开的系统的理想实施方案将包括共同工作的所有3个模块(105)、(106)和(107)；然而，在一些实施方案中，咳嗽检测模块(105)可以独立地操作。下面是对例示的详细描述：

咳嗽检测模块(CDM)(105)从支持PPG设备(100)接收经处理且有时间戳的PPG和加速度传感器数据。此数据最初由生理传感器(111)(例如，PPG光电二极管和光电检测器以及伴随的加速度计)获取，且由伴随的计时模块(112)提供时间戳，所述计时模块能够提供时间背景。来自111和112的原始数据通过生理数据处理模块(115)被处理(例如，归一化、移除离群点、二次变换(诸如，导数等))成可用的形式，随后将数据提供至CDM(105)。在一方面，CDM(105)包括咳嗽检测模型(116)。咳嗽检测模型116可包括一种或多种技术或算法，以在所接收的传感器数据中自动地检测咳嗽特征。这些技术可以包括但不限于：信号幅度阈值化、统计基准外的信号幅度偏差、时域分析方法、频域分析方法、信号分解、统计方法(例如，自相关)以及机器学习方法(例如，递归神经网络和卷积神经网络)。在适用的情况下，这些技术可被实时地或近实时地应用于PPG和/或加速度数据流，从而提供咳嗽的连续检测；这些技术还可以被应用于历史的PPG和/或加速度数据，所述PPG和/或加速度数据在任意时长上被汇总且被存储在支持PPG设备100、移动设备101、云系统102或它们的任何组合中，从而追溯地检测某一先前时段内的咳嗽。在额定状况下，检测模型将接收传感器数据(实时地、近实时地或追溯地)，随后输出所检测到的咳嗽事件，所述咳嗽事件包括时间戳、“所检测到的咳嗽”标记且在一些实施方案中置信度值。在一些实施方案中，置信度值可以是定性的和离散的(例如，低/中/高)，或者在其他实施方案中，置信度值是定量和连续的，例如在[0,1]的范围内。在一些实施方案中，置信度值可以表示所检测到的咳嗽与各种控制数据中已知的咳嗽实例匹配的统计可能性；在其他实施方案中，置信度值可以表示检测模型中的真阳性咳嗽类的统计权重。在其他实施方案中，置信度值可以被完全地去除。在一些实施方案中，咳嗽事件还可以包括(未在图3中明确描绘)咳嗽强度测量，通过测量PPG和/或加速度信号中的咳嗽相关联响应的幅度/强度进行所述咳嗽强度测量。在一些实施方案中，咳嗽强度值可以是定性和离散的(例如，低/中/高)，或者在其他实施方案中，咳嗽强度值是定量和连续的，例如在[0,1]的范围内。咳嗽强度值可以例如通过与控制数据比较来体现，在控制数据中要求对象以不同程度的力进行咳嗽来提供参考；作为另一实施例，咳嗽强度值可以通过在大量个体中累积所检测到的咳嗽且基于所累积的咳嗽的相关联的幅度/强度建立标度来体现。所检测到的咳嗽事件是咳嗽检测模块(105)的后续输出。

在包括辅助数据模块(106)的系统的实施方案中，咳嗽检测模块(105)可以在咳嗽检测工作应暂时中止的情况下(例如，在检测到剧烈锻炼期间)，从辅助数据模块(106)接收“检测中止”命令。如图3中所例示的，中止机制可以经由简单的门函数来限制传感器数据到达检测模型，或替代地，简单地关闭检测模型--已经例示了前者，因为假设实施良好的检测模型将在传感器数据中断的情况下自然暂停。除了“检测中止”命令以外，咳嗽检测模块(105)可以接收来自辅助数据模块(106)的“算法选择”指令，所述“算法选择”指令修改检测模型所使用的技术和/或参数，从而最佳地适配当前环境。例如：如果辅助数据模块(106)接收到用户正在睡觉的信息，它可以向咳嗽检测模块(105)发信号，告知使用在睡眠条件下表现良好但在其他情况下表现不佳的低计算技术/算法；替代地，在具有周期性和/或频繁运动的苏醒条件下，辅助数据模块(106)可以发信号，告知使用更适于处理信号噪声的更复杂的检测算法。还可以相应地修改算法参数，例如，根据环境来提高或降低敏感度。不同的算法参数可以在多种类型(例如，灵敏度相比于特异性)的条件下优化咳嗽检测。

辅助数据模块(106)从支持PPG设备(100)、移动设备(101)、云系统(102)、互联网(103)或它们的任何组合接收多种未分类的辅助数据作为输入。例如，输入数据可以是源自多种传感器(包括PPG和加速度)的经处理的生理数据(诸如，运动存在检测、体育活动检测、睡眠检测、疾病检测等)，这些数据在图2中所例示的任何上述平台上计算。作为另一实施例，输入数据可以由用户录入到用户界面(108)中，诸如对疾病的注释。作为又一实施例，输入数据可以是从互联网(103)检索到的信息，诸如区域空气污染水平、区域花粉计数、与传染疾病的爆发有关的信息等。这些实施例不应当被认为是全面的--出于所公开的系统的目的，本公开内容将从任何来源所收集的与咳嗽检测和/或发生有关的任何数据都认为是潜在的辅助数据。然后，未分类的辅助数据将根据下文所讨论的方法进行解析。

输入至辅助数据模块(106)的数据被解析为三个主要类别中的一个：

1.去混杂数据，所述去混杂数据被主要地用于经由选择适当的技术/算法和/或通过在适当的时间暂停检测工作，帮助提高咳嗽检测模型的检测效率和特异性。实施例包括但不限于睡眠或苏醒状态分类、运动和/或活动检测、心率以及呼吸率。

2.支持数据，所述支持数据被主要被用于对所检测到的咳嗽事件进行情景化。实施例包括但不限于：用户的疾病的知识或检测，用户的先前存在的疾病的知识或检测，锻炼之后状态的知识或检测，以及多种生理数据诸如所测得的SpO2水平。

3.环境数据，所述环境数据被主要地用于对所检测到的咳嗽事件进行情景化。实施例包括但不限于天气数据、污染水平、花粉水平、存在烟或其他环境危害物以及传染性疾病信息。

解析主要通过识别已知的数据类型(例如，睡眠/苏醒数据)和/或它们的来源(例如，来自睡眠/苏醒检测算法)来执行。注意，解析并不是决定性的，目的仅是用于：1)精简后续步骤，将辅助数据转换为咳嗽检测模型的可执行修改(如上面所解释的)，以及，2)更易于对所检测到的咳嗽事件进行情景化和分类，用于个体用户见解和/或汇总分析。一旦辅助数据被解析和宽泛地分类，它就被传递至如图3所示出的决策算法中。决策算法是选择规则、数学技术或函数、机器学习方法或其他未明确命名的技术的任何组合，提供辅助数据模块(106)的输出，如图3中所例示的。适当的决策算法的最简单的实施例将是一个或多个决策树模型，其中将感兴趣的预定义状态组合，以给出适当的输出组合。辅助数据模块(106)的输出为：

1.算法选择指令，被发送至咳嗽检测单元(105)。

2.检测中止命令，被发送至咳嗽检测单元(105)。

3.用于所检测到的咳嗽事件的置信度修改器，被发送至分拣模块(107)。

4.随附至所检测到的咳嗽事件的活动状态，被发送至分拣模块(107)。

分拣模块(107)将来自咳嗽检测模块(105)的咳嗽事件以及来自辅助数据模块(106)的置信度修改器和活动状态分类作为输入。置信度修改器是指令、数学函数、标量等的任何组，它们基于有关辅助数据所提供的背景来改变所检测到的咳嗽事件的置信度值。例如，辅助数据可以包括用户当前疾病的知识，在这种情况下，所检测到的咳嗽事件的置信度可以随后被某一因子增大。作为另一实施例，辅助数据可包括确定用户最近已进行密集锻炼的算法，以及(在所公开的系统的背景中)先验知识或已习得的知识，即同一用户具有因锻炼引起的支气管收缩而咳嗽的倾向，此信息还可以随后通过一个因子来增大置信度值。简单而言，活动状态是一组有关状况或分类，在所述状况或分类下，所检测到的咳嗽事件可以被情景化。实施例包括但不限于：生理状态，诸如睡眠、发烧或低SpO2；行为状态，诸如锻炼后或所检测到的压力；急性健康状态，诸如持续的患病；用户地区的环境状态，诸如传染性疾病爆发、高于正常的空气污染、高于正常的花粉计数、烟或其他微粒的存在或天气背景；等等。

在适用的情况下，分拣模块(107)的输出是具有修改的置信度以及增加分类的咳嗽事件。这些被返回至且存储在图2中所例示的任何系统设备上。替代地，在不包括分拣模块(107)和/或辅助数据模块(106)的实施方案中，从咳嗽检测模块(105)所输出的未经修改的咳嗽事件被返回且存储。

咳嗽事件或咳嗽事件的任何概要或概要度量可以经由用户界面(108)显示给个体用户。尽管在图2中未明确例示，但在一些实施方案中，用户界面(108)可以在用户的个人计算机上操作，或者替代地可以被远程访问(例如，用户界面被托管在外部计算机服务器上且经由基于网络的界面被显示)。经用户的同意，特定用户的咳嗽事件可以被显示给诸如监测医师的第三方，在这种情况下，所公开的方法和系统可以充当临床背景下的健康监测工具。来自所公开的系统内的多个用户的匿名咳嗽事件还可以在云系统(102)或其他计算机服务器中汇总，以用于由第三方进行群体规模的研究的目的。作为一个实施例，如果在辅助数据中不能够找到更合适的解释(例如，区域性升高的空气污染水平)，则特定地理区域内的用户中的咳嗽事件患病率的增加可能指示传染性疾病的扩散。作为另一实施例，在倾向于发生野火及其相关联的烟的区域中，本地用户中的咳嗽事件的患病率可以通过公共卫生官员监测，以估计烟对群体的影响。作为又一实施例，咳嗽事件可与其他匿名健康评估结合，所述其他匿名健康评估是通过捕获用户的生理数据和/或通过经由用户界面(108)或其他装置由用户自愿提供的健康或病史信息来进行的，为了执行。这些实施例不应视为全面的，总体上，本公开内容将来自多个用户的匿名咳嗽事件的任何汇总及后续分析视为是所提出的系统的特征。

已经如此描述了本发明的示例性实施方案，本领域技术人员应注意，本公开内容仅是示例性的，在本发明的范围内可以做出多种其他的替代、适配和修改。因此，本发明不限于本文所例示的具体实施方案，而仅受以下权利要求的限制。