本文介绍了咳嗽检测的研究进展，重点讨论了AioCare便携式肺活量检测系统的自动咳嗽检测算法，该算法基于气流信号，运用深度学习模型进行分类，准确性良好。此外，研究还探讨了机器学习在呼吸声分类、慢性咳嗽监测及COPD预测中的应用，强调数据质量和模型解释性的重要性，为临床诊断提供新思路。

本文介绍了一种基于可穿戴声学传感器和深度学习的咳嗽检测系统，分类敏感度达到95.1%，特异性为99.5%。研究探讨了利用深度学习进行COVID-19预筛查的方法，提出了自监督学习框架和半监督学习方法以提高咳嗽声音分类的准确性。同时，发展了F2LCough框架，结合少样本学习和联邦学习，解决数据稀缺和隐私问题。

本研究使用智能手表内置麦克风传感器监测咳嗽并检测咳嗽类型。通过研究32名参与者，收集9小时音频数据，使用结构化方法处理数据得到223个阳性咳嗽样本。通过增加技术改进数据集，采用1D CNN模型，非步行状态下准确率达98.49%，步行状态下达98.2%，证明智能手表可以检测咳嗽。研究成功使用聚类技术识别出四种不同类型的咳嗽。