Automatic identification of cough events in audio signals

The world population life expectancy is increasing every year, especially in Western countries, together with the demand for assistance and monitoring from the healthcare system towards elderly people. Moreover, this year, the Covid-19 pandemic highlighted the limited availability of accommodation and specialized personnel in healthcare structures. Furthermore, the need to maintain patients far from the hospitals, when possible, and to give care in remote to avoid the contagious spread, strongly demonstrated the importance of telemedicine and dislocation of care solutions. In particular, the Covid-19 pandemic focused the world attention to the respiratory tract in general and, more specifically, to the virus symptoms: cough, fever, tiredness and loss of taste and smell. In this context, this work was focused on the assessment of the status of the respiratory tract through the count of cough events. Specifically, the aim was to develop a classification algorithm to identify cough events based on acoustic voice features, automatically extracted from audio recordings. The performance of different classifiers, both classical machine learning methods (Random Forest with Bagging, Support Vector Machine, K-Nearest Neighbours) and deep machine learning methods (Neural Network with Long Short-Term Memory), were compared. This project should be considered as a preliminary work towards the development of an application for smartphones, able to count the number of cough events per day in a transparent and unobtrusive manner.

L'aspettativa di vita della popolazione mondiale aumenta ogni anno, soprattutto nei paesi occidentali, assieme al bisogno di assistenza e monitoraggio nei confronti degli anziani da parte del sistema sanitario. Inoltre, quest'anno, la pandemia da Covid-19 ha evidenziato la limitata disponibilità di letti e personale specializzato nelle strutture sanitarie. Inoltre, la necessità di mantenere i pazienti lontani dagli ospedali, quando possibile, e di prestare assistenza a distanza per evitare la diffusione del contagio, ha fortemente dimostrato l'importanza della telemedicina e delle soluzioni per dislocare l'assistenza ai pazienti. In particolare, la pandemia di Covid-19 ha focalizzato l'attenzione mondiale sulle vie respiratorie in generale e, più nello specifico, sui sintomi del virus: tosse, febbre, stanchezza e la perdita del gusto e dell'olfatto. In questo contesto, lo scopo di questo lavoro è quello di sviluppare un modello di classificazione per valutare la salute respiratoria e la qualità della vita degli utenti attraverso il conteggio degli eventi di tosse. L'obiettivo principale di questo lavoro era quello di valutare e confrontare diversi classificatori atti a rilevare eventi di tosse all'interno di audio contenenti parole e suoni ambientali. Gli algoritmi confrontati in questo lavoro sono stati sia metodi di machine learning classici (Random Forest con Bagging, Support Vector Machine, K-Nearest Neighbors) che metodi di deep machine learning (Neural Network con Long Short-Term Memory). Questo progetto di tesi va considerato come un lavoro preliminare allo sviluppo di un'applicazione per smartphone, in grado di contare il numero di eventi di tosse al giorno in modo trasparente e non invasivo.