⚡ electrical engineering

BCoughBench: Benchmarking Respiratory Acoustic Foundation Models Under Body-Coupled Wearable Sensor Conditions

यह शोधपत्र BCoughBench प्रस्तुत करता है, जो यह दर्शाता है कि श्वसन ध्वनिक फाउंडेशन मॉडल (respiratory acoustic foundation models), स्मार्टफोन रिकॉर्डिंग पर प्रभावी होने के बावजूद, उच्च-आवृत्ति सिग्नल क्षीणन (high-frequency signal attenuation) के कारण बॉडी-कपल्ड वियरेबल सेंसर स्थितियों के तहत मूल्यांकन किए जाने पर प्रदर्शन में महत्वपूर्ण गिरावट का सामना करते हैं और नैदानिक संवेदनशीलता थ्रेसहोल्ड को पूरा करने में विफल रहते हैं।

मूल लेखक: Mayur Sanap, Prasanna Desikan, Edgar Lobaton

प्रकाशित 2026-06-25

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mayur Sanap, Prasanna Desikan, Edgar Lobaton

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास बहुत ही समझदार "सुनने वाले रोबोट्स" (जिन्हें फाउंडेशन मॉडल्स कहा जाता है) का एक समूह है, जिन्हें इंसानी खांसने की आवाज़ समझने के लिए प्रशिक्षित किया गया है। ये रोबोट वर्तमान में एक शांत कमरे में एक उच्च-गुणवत्ता वाले स्मार्टफोन माइक्रोफ़ोन का उपयोग करके परीक्षण किए जा रहे हैं। वे टीबी (TB) या कोविड-19 जैसी बीमारियों की पहचान करने और यहाँ तक कि किसी व्यक्ति की उम्र या लिंग का अनुमान लगाने में भी माहिर हैं, जो फोन पर रिकॉर्ड की गई खांसी की स्पष्ट और तीखी आवाज़ पर आधारित है।

लेकिन, डॉक्टर और स्वास्थ्य कंपनियाँ चाहती हैं कि इन रोबोट्स का उपयोग पहनने योग्य उपकरणों (wearable devices) पर किया जाए—जैसे स्मार्ट चश्मे, ईयरबड्स, या गले के कॉलर, जिन्हें लोग दिन भर पहन सकें। समस्या यह है कि ये पहनने योग्य सेंसर "दबे हुए" (muffled) होते हैं—क्योंकि ये आपकी त्वचा या हड्डी से चिपके होते हैं, इसलिए ये एक भारी कंबल की तरह काम करते हैं, जो खांसी के उच्च-पिच वाले, तीखे विवरणों को रोक देते हैं और केवल कम आवृत्ति वाले, गहरे गड़गड़ाहट वाले हिस्सों को ही गुजरने देते हैं।

BCoughBench एक नया परीक्षण है यह देखने के लिए कि क्या ये समझदार सुनने वाले रोबोट तब भी अपना काम कर सकते हैं जब आवाज़ दबी हुई हो।

शोधकर्ताओं ने जो पाया है, उसे रोजमर्रा के उदाहरणों के साथ यहाँ समझाया गया है:

1. "मफल्ड फोन" (दबी हुई आवाज़ वाला फोन) परीक्षण

शोधकर्ताओं को 100 अलग-अलग भौतिक पहनने योग्य उपकरण बनाने की आवश्यकता नहीं थी। इसके बजाय, उन्होंने एक डिजिटल "जादुई फ़िल्टर" (जिसे EBEN कहा जाता है) का उपयोग किया ताकि खांसी की स्पष्ट स्मार्टफोन रिकॉर्डिंग को कृत्रिम रूप से ऐसा बनाया जा सके जैसे कि उन्हें हड्डी, त्वचा, या कान की नली के माध्यम से रिकॉर्ड किया गया हो। उन्होंने पाँच अलग-अलग प्रकार के "मफल्ड" परिदृश्यों पर पाँच अलग-अलग प्रकार के "सुनने वाले रोबोट्स" का परीक्षण किया:

माथे का सेंसर (Forehead sensor): जैसे आपके सिर की हड्डी के खिलाफ कंपन करने वाला स्मार्ट ग्लास फ्रेम (यह अधिकांश उच्च ध्वनियों को बनाए रखता है)।
सॉफ्ट ईयरबड (Soft earbud): जैसे एक हल्का ईयरप्लग (यह कुछ उच्च ध्वनियों को रोकता है)।
हार्ड ईयरबड (Hard earbud): जैसे एक टाइट ईयरप्लग (यह अधिक उच्च ध्वनियों को रोकता है)।
टेम्पल सेंसर (Temple sensor): जैसे आपके चश्मे की डंडी पर लगा कंपन सेंसर (यह लगभग सभी उच्च ध्वनियों को रोकता है)।
गले का सेंसर (Throat sensor): जैसे आपके गले के चारों ओर एक कॉलर (यह गहरी गड़गड़ाहट के अलावा लगभग सब कुछ रोकता है)।

2. रोबोट भ्रमित हो गए (ज्यादातर मामलों में)

जब आवाज़ दबी हुई थी, तो रोबोटों का प्रदर्शन गिर गया।

"डिजीज डिटेक्टिव" (बीमारी पहचानने वाले) संघर्ष करते हैं: जब टीबी (TB) या सामान्य बीमारी जैसी गंभीर बीमारियों का पता लगाने की कोशिश की गई, तो रोबलेट बहुत कम विश्वसनीय हो गए। वास्तव में, इन दबी हुई स्थितियों में, वे चिकित्सा उपयोग के लिए आवश्यक न्यूनतम सुरक्षा मानक को पूरा करने में विफल रहे। यह किसी विशिष्ट पक्षी के गीत को पहचानने की कोशिश करने जैसा है, लेकिन किसी ने उस गीत को दीवार के पीछे से बजाया है; आप सुन तो सकते हैं कि कुछ गा रहा है, लेकिन आप यह नहीं बता सकते कि वह कौन सा पक्षी है।
"जेंडर गेस" (लिंग का अनुमान) ढह गया: एक विशिष्ट डेटासेट पर, रोबोटों को यह अनुमान लगाने में बहुत बुरा अनुभव हुआ कि व्यक्ति पुरुष है या महिला। उनकी सटीकता लगभग पूर्ण (95%) से गिरकर महज एक सिक्के के उछाल (60%) से थोड़ी बेहतर रह गई। यह सुझाव देता है कि रोबोट लिंग का अनुमान लगाने के लिए जिन संकेतों का उपयोग करते हैं, वे उच्च-पिच वाली ध्वनियाँ हैं जो शरीर द्वारा ब्लॉक कर दी जाती हैं।
"एज गेसइमेट" (उम्र का अनुमान) बेहतर हुआ: आश्चर्यजनक रूप से, जब उम्र का अनुमान लगाने की बात आई, तो रोबोटों ने कुछ पहनने योग्य सेंसरों (जैसे माथे के सेंसर) के साथ स्मार्टफोन की तुलना में बेहतर प्रदर्शन किया। ऐसा लगता है कि स्मार्टफोन कभी-कभी बहुत अधिक बैकग्राउंड शोर पकड़ लेता है, जबकि पहनने योग्य सेंसर उन गहरी, स्थिर गड़गड़ाहटों पर ध्यान केंद्रित करता है जो उम्र के लिए अच्छे संकेत हैं।

3. "वन-स्टार" अपवाद

एक कार्य ऐसा था जहाँ रोबोट पूरी तरह से अडिग रहे: कोविड-19 का पता लगाना। यहाँ तक कि मफल्ड सेंसरों के साथ भी, कोविड को पहचानने की रोबोटों की क्षमता में वास्तव में कोई बदलाव नहीं आया। ऐसा लग रहा था जैसे "कोविड खांसी" की एक अनूठी लो-फ्रीक्वेंसी सिग्नेचर होती है जो शरीर के "कंबल" के बावजूद सुरक्षित रहती है।

4. मुख्य निष्कर्ष

पेपर यह निष्कर्ष निकालता है कि आप यह मानकर नहीं चल सकते कि जो रोबोट फोन पर काम करता है, वह पहनने योग्य उपकरण पर भी काम करेगा।

सेंसर उतना ही महत्वपूर्ण है जितना कि मस्तिष्क: सही पहनने योग्य उपकरण (जैसे सॉफ्ट ईयरबड) चुनना, सबसे स्मार्ट रोबोट चुनने जितना ही महत्वपूर्ण था। एक खराब सेंसर प्लेसमेंट (जैसे टेम्पल) ने सबसे स्मार्ट रोबोट को भी खराब प्रदर्शन करने पर मजबूर कर दिया।
केवल औसत स्कोर न देखें: शोधकर्ताओं ने पाया कि यदि आप केवल "औसत स्कोर" (AUROC) देखते हैं, तो रोबोट ठीक लगते हैं। लेकिन यदि आप "सुरक्षा स्कोर" (कि वे कितनी अच्छी तरह काम करते हैं जब आपको बहुत सुनिश्चित होने की आवश्यकता होती है) देखते हैं, तो वे विफल हो जाते हैं। यह एक ऐसी कार की तरह है जिसकी औसत गति 60 मील प्रति घंटा है लेकिन वह हर बार चढ़ाई करते समय रुक जाती है; औसत गति ठीक दिखती है, लेकिन चढ़ाई के लिए वह बेकार है।

संक्षेप में: वर्तमान में स्मार्ट खांसी-सुनने वाले रोबोट बहुत अधिक स्पष्ट, उच्च-गुणवत्ता वाली फोन रिकॉर्डिंग पर निर्भर हैं। जब हम उन्हें पहनने योग्य उपकरणों पर ले जाते हैं जो आवाज़ को दबा देते हैं, तो वे अधिकांश बीमारियों का निदान करने की अपनी क्षमता खो देते हैं, हालांकि वे कोविड को पहचानने और उम्र का अनुमान लगाने में आश्चर्यजनक रूप से अच्छे बने रहते हैं। इससे पहले कि हम उन पर अपने शरीर पर भरोसा कर सकें, हमें उन्हें फिर से प्रशिक्षित करने या बेहतर सेंसर बनाने की आवश्यकता है जो उन्हें हमारी त्वचा और हड्डियों के "कंबल" के माध्यम से सुनने में मदद कर सकें।

BCoughBench का तकनीकी सारांश

समस्या विवरण (Problem Statement)
श्वसन संबंधी ध्वनिक फाउंडेशन मॉडल्स (FMs) वर्तमान में विशेष रूप से स्मार्टफोन (वायु-संचालित, AC) रिकॉर्डिंग पर बेंचमार्क किए जाते हैं। हालाँकि, क्लिनिकल परिनियोजन (clinical deployment) तेजी से बॉडी-कपल्ड (BC) वियरेबल सेंसर (जैसे एक्सेलेरोमीटर, थ्रोट माइक्रोफ़ोन, इन-ईयर डिवाइस) को लक्षित कर रहा है। ये BC सेंसर लो-पास फिल्टर के रूप में कार्य करते हैं, जो ऊतकों (tissue) और हड्डियों के माध्यम से उच्च-आवृत्ति (high-frequency) सामग्री को कम कर देते हैं। यह स्पेक्ट्रल क्षरण (spectral degradation) एक ऐसा डोमेन शिफ्ट उत्पन्न करता है जिसे मौजूदा FMs के लिए अभी तक अभिलक्षित (characterized) नहीं किया गया है। फलस्वरूप, वियरेबल स्थितियों के तहत इन मॉडल्स की विश्वसनीयता अज्ञात बनी हुई है, और नैदानिक रूप से प्रासंगिक ऑपरेटिंग पॉइंट्स (विशेष रूप से उच्च विशिष्टता पर संवेदनशीलता) पर इनका प्रदर्शन अपुष्ट है।

कार्यप्रणाली (Methodology)
लेखक BCoughBench पेश करते हैं, जो एक फ्रेमवर्क है जिसे पांच श्वसन FMs का सिम्युलेटेड बॉडी-कपल्ड स्थितियों के तहत मूल्यांकन करने के लिए डिज़ाइन किया गया है।

डेटासेट और कार्य (Datasets and Tasks): यह बेंचमार्क पांच लेबल वाले कफ डेटासेट्स (CoughVID, Coswara, CIDRZ, COPD-CC, CovidUK) का उपयोग करता है जो 12 कार्यों को कवर करते हैं: नौ वर्गीकरण कार्य (रोग पहचान, जनसांख्यिकीय अनुमान, ध्वनिक विशेषताएं) और तीन आयु प्रतिगमन (age regression) कार्य।
AC-to-BC सिमुलेशन: प्रारंभिक मूल्यांकन के लिए भौतिक वियरेबल हार्डवेयर की आवश्यकता के बजाय, लेखक पूर्व-प्रशिक्षित EBEN (Extreme Bandwidth Extension Network) रिवर्स मॉडल्स का उपयोग करते हैं। ये मॉडल स्वच्छ स्मार्टफोन ऑडियो को पांच अलग-अलग सेंसर प्लेसमेंट के अनुरूप बॉडी-कपल्ड समकक्षों में परिवर्तित करते हैं:
1. फोरहेड एक्सेलेरोमीटर (≤8 kHz)
2. सॉफ्ट इन-ईयर माइक्रोफ़ोन (≤6 kHz)
3. रिजिड इन-ईयर माइक्रोफ़ोन (≤5 kHz)
4. टेम्पल वाइब्रेशन पिकअप (≤2 kHz)
5. थ्रोट माइक्रोफ़ोन (≤1.5 kHz)
मूल्यांकित मॉडल्स (Models Evaluated): पांच फ्रोजन (frozen) श्वसन FMs का परीक्षण बिना किसी फाइन-ट्यूनिंग या BC ऑडियो के अनुकूलन के किया जाता है:
- OPERA-CT, OPERA-CE, और OPERA-GT (136K श्वसन क्लिप्स पर प्रशिक्षित)।
- HeAR (एक ViT-L मास्कड ऑटोएनकोडर जो 313M स्वास्थ्य ऑडियो क्लिप्स पर प्रशिक्षित है)।
- M2D+Resp (AudioSet मास्किंग के साथ श्वसन फाइन-ट्यूनिंग का संयोजन)।
मूल्यांकन प्रोटोकॉल: मॉडल्स का मूल्यांकन कड़ाई से ज़ीरो-शॉट (zero-shot) शासन में किया जाता है।
- वर्गीकरण (Classification): फ्रोजन एम्बेडिंग्स के ऊपर एक लीनियर प्रोब को प्रशिक्षित किया जाता है। मेट्रिक्स में AUROC, 95% विशिष्टता पर संवेदनशीलता (Se@Sp95), और एक्सपेक्टेड कैलिब्रेशन एरर (ECE) शामिल हैं। एक Se@Sp95 < 0.20 को क्लिनिकली अनुपयोगी माना जाता है।
- प्रतिगमन (Regression): आयु भविष्यवाणी के लिए एक MLP-small हेड का उपयोग किया जाता है, जिसका मूल्यांकन मीन-प्रेडिक्टर बेसलाइन (MAD) के विरुद्ध मीन एब्सोल्यूट एरर (MAE) के माध्यम से किया जाता है।

मुख्य योगदान (Key Contributions)

BC सिमुलेशन पाइपलाइन: भौतिक हार्डवेयर के बिना पांच डेटासेट्स से पांच सेंसर प्रकारों के लिए BC-समकक्ष ऑडियो उत्पन्न करने हेतु EBEN रिवर्स मॉडल्स का उपयोग करने वाला एक पुनरुत्पादक (reproducible) तरीका, जो प्रगतिशील हाई-फ्रीक्वेंसी क्षरण (जैसे फोरहेड 8 kHz तक सुरक्षित रखता है, थ्रोट 1.5 kHz के ऊपर कम करता है) को प्रदर्शित करता है।
बहु-मेट्रिक मूल्यांकन फ्रेमवर्क: बेंचमार्क वर्गीकरण के लिए AUROC से आगे बढ़कर Se@Sp95 और ECE को शामिल करता है, और प्रतिगमन के लिए बेसलाइन बनाम MAE को शामिल करता है, जिससे वे विफलताएं सामने आती हैं जिन्हें केवल AUROC छिपा देता है।
सेंसर क्षरण लक्षण वर्णन (Sensor Degradation Characterization): सेंसर प्रकारों के बीच प्रदर्शन गिरावट का परिमाणीकरण, जिसमें टेम्पल वाइब्रेशन पिकअप को सबसे गंभीर क्षरण स्रोत और सॉफ्ट इन-ईयर को सबसे कम बताया गया है।
कार्य-निर्भर निष्कर्ष (Task-Dependent Findings): व्यवस्थित विश्लेषण जो दिखाता है कि कुछ कार्य (जैसे CIDRZ पर सेक्स वर्गीकरण) BC स्थितियों के तहत ढह जाते हैं, जबकि अन्य (जैसे आयु प्रतिगमन) मजबूत रहते हैं या वास्तव में सुधरते हैं।

परिणाम (Results)

कुल प्रदर्शन: औसत AUROC स्मार्टफोन बेसलाइन (0.785) से घटकर BC सेंसरों के लिए 0.689–0.723 हो जाता है। सबसे गंभीर गिरावट टेम्पल वाइब्रेशन पिकअप ( $\Delta = -0.096$ ) के तहत होती है, जबकि सॉफ्ट इन-ईयर में सबसे कम ( $\Delta = -0.062$ ) होती है।
क्लिनिकल उपयोगिता: अधिकांश रोग कार्यों (TB, Symptomatic, COVID) के तहत कोई भी FM किसी भी BC सेंसर पर क्लिनिकल संवेदनशीलता मानदंड (Se@Sp95 $\ge$ 0.20) को पूरा नहीं करता है। केवल COPD और सिम्पटोमैटिक (Coswara) कार्य ही क्लिनिकल संवेदनशीलता बनाए रखते हैं।
कार्य-विशिष्ट भिन्नता:
- सेक्स वर्गीकरण: CIDRZ कोहॉर्ट पर प्रदर्शन नाटकीय रूप से गिर जाता है (AUROC 0.954 से गिरकर 0.596–0.628 हो जाता है, $\Delta = -0.341$ ), जो यह सुझाव देता है कि सेक्स-विभेदक विशेषताएं उन उच्च आवृत्तियों पर निर्भर करती हैं जो BC ट्रांसडक्शन में खो जाती हैं। इसके विपरीत, Coswara पर सेक्स वर्गीकरण फोरहेड सेंसर के तहत थोड़ा बेहतर होता है।
- COVID डिटेक्शन: अद्वितीय रूप से मजबूत, जो लगभग शून्य क्षरण ( $\Delta = -0.004$ ) दिखाता है, हालांकि कम संवेदनशीलता के कारण अभी भी क्लिनिकली अनुपयोगी है।
- आयु प्रतिगमन: सभी सेंसरों में मजबूत रहता है। CoughVID पर, आयु प्रतिगमन फोरहेड एक्सेलेरोमीटर के तहत वास्तव में सुधर जाता है (MAE 9.61 से घटकर 8.97 वर्ष हो जाता है), जो यह सुझाव देता है कि लो-फ्रीक्वेंसी आयु सहसंबंध (correlates) ओपन-एयर रिकॉर्डिंग में हाई-फ्रीक्वेंसी शोर द्वारा आंशिक रूप से मास्क किए जाते हैं।
मॉडल प्रदर्शन: HeAR जनसांख्यिकीय और प्रतिगमन कार्यों में अग्रणी है, जबकि M2D+Resp रोग और विशेषता कार्यों में अग्रणी है। OPERA मॉडल्स आम तौर पर कम प्रदर्शन करते हैं।

महत्व (Significance)
यह शोध पत्र तर्क देता है कि वियरेबल परिनियोजन के लिए इच्छित श्वसन FMs के मूल्यांकन के लिए केवल AUROC पर्याप्त नहीं है, क्योंकि यह उन ऑपरेटिंग पॉइंट्स पर महत्वपूर्ण विफलताओं को प्रकट करने में विफल रहता है जो क्लिनिकल स्क्रीनिंग (Se@Sp95) के लिए आवश्यक हैं। परिणाम दर्शाते हैं कि सेंसर चयन उतना ही परिणामी है जितना कि मॉडल चयन; सर्वश्रेष्ठ और सबसे खराब सेंसरों के बीच का प्रदर्शन अंतर (0.034 AUROC) स्मार्टफोन डेटा पर अंतर-मॉडल अंतर के बराबर है। BCoughBench इन डोमेन शिफ्ट को उजागर करने के लिए एक आवश्यक फ्रेमवर्क प्रदान करता है, जो यह रेखांकित करता है कि जबकि लो-फ्रीक्वेंसी फिजियोलॉजिकल सिग्नल (जैसे आयु) BC ट्रांसडक्शन में जीवित रहते हैं, उच्च-आवृत्ति विभेदक संकेत (जैसे कुछ रोग या जनसांख्यिकीय मार्कर) अक्सर नहीं बच पाते। लेखक यह भी नोट करते हैं कि उनके द्वारा उपयोग किए गए सिम्युलेटेड डेटा का उपयोग एक सीमा है, और भविष्य के कार्यों को भौतिक वियरेबल हार्डवेयर पर इन निष्कर्षों को सत्यापित करना चाहिए।

1. "मफल्ड फोन" (दबी हुई आवाज़ वाला फोन) परीक्षण

2. रोबोट भ्रमित हो गए (ज्यादातर मामलों में)

3. "वन-स्टार" अपवाद

4. मुख्य निष्कर्ष

इसी तरह के और पेपर