北卡罗来纳州立大学研究人员通过整合多模态数据与优化算法，显著提升了可穿戴健康设备对咳嗽的检测精度。传统咳嗽检测技术常因无法区分咳嗽声、言语声及非言语噪音(如打喷嚏、清嗓子)而受限，而新模型通过结合音频数据与加速度计捕捉的运动信息，有效降低了“假阳性”率，为慢性呼吸系统疾病监测及哮喘发作预测提供了更可靠的工具。

研究团队从佩戴于胸部的健康监测器中同步采集两类数据：一是环境音频信号，用于识别咳嗽声特征;二是加速度计记录的运动数据，捕捉咳嗽时胸部的突然振动。“单独依赖声音或运动均存在局限性，”论文第一作者陈宇涵指出，“例如，咳嗽与大笑可能产生相似的运动模式，但结合音频特征后，模型能更精准地区分两者。”研究显示，新算法在实验室测试中“假阳性”率显著低于传统模型，即被误判为咳嗽的非咳嗽声音大幅减少。这一改进得益于对现实场景中未标注声音的适应性训练，使模型能更灵活地应对未知噪音。

“咳嗽是追踪呼吸系统健康的重要生物标志物，”论文通讯作者埃德加·洛巴顿教授强调，“新模型不仅提升了咳嗽与人类语音的区分能力，在非言语声音识别上也取得突破。”尽管当前技术仍需优化，但研究已明确后续方向，包括扩大数据集规模及进一步细化运动与声音的融合策略。该成果发表于《IEEE生物医学与健康信息学杂志》，为可穿戴设备在远程健康管理中的应用开辟了新路径。