这篇文档属于类型a，即报告了一项原创研究。以下是对该研究的学术报告：
该研究由Xiaoyue Ni、Wei Ouyang、Hyoyoung Jeong等来自美国西北大学（Northwestern University）的研究团队主导，其他合作机构包括杜克大学（Duke University）、乔治亚理工学院（Georgia Institute of Technology）等。研究于2021年4月23日发表在《PNAS》（Proceedings of the National Academy of Sciences of the United States of America）期刊上。
该研究属于生物电子学（Bioelectronics）和数字健康（Digital Health）领域，旨在开发一种自动化、多参数的监测系统，用于在临床和家庭环境中持续监测COVID-19患者的呼吸生物标志物（respiratory biomarkers）和生命体征（vital signs）。COVID-19大流行背景下，传统的监测系统无法在医院外部署，现有的可穿戴设备也无法捕捉关键的呼吸生物标志物。因此，研究团队开发了一种基于皮肤贴附的软电子设备，结合云端数据基础设施和机器学习算法，实现对咳嗽、心率、呼吸频率等生理参数的持续监测。
研究分为以下几个主要步骤：
设备设计与开发
研究团队开发了一种软性、皮肤贴附的电子设备，该设备集成了高带宽的微型运动传感器，能够通过无线方式测量心机械声学（mechanoacoustic, MA）信号。设备的核心组件包括三轴加速度计、蓝牙低功耗系统芯片（BLE SoC）、内存模块和无线充电单元。设备通过柔性印刷电路板（FPC）封装在软弹性体膜中，能够贴附在患者的胸骨上切迹（suprasternal notch）位置，捕捉皮肤微弱的振动信号。
数据采集与处理
设备采集到的MA信号通过蓝牙传输到云端服务器，结合数字滤波和卷积神经网络（CNN）算法进行分析。研究团队开发了一套自动化数据预处理流程，利用短时傅里叶变换（STFT）和Morlet小波变换提取咳嗽、说话、笑等事件的时频特征。通过机器学习算法，研究团队能够区分咳嗽与其他日常活动，并量化咳嗽的频率和强度。
咳嗽与飞沫产生的相关性研究
研究团队通过定量成像研究，分析了咳嗽、说话和笑等事件与飞沫产生之间的关系。实验使用粒子追踪测速技术（PTV）捕捉飞沫的动态，并结合MA传感器和分贝计的测量结果，量化飞沫的数量与声音强度的相关性。研究结果表明，咳嗽产生的飞沫数量显著高于说话和笑，且飞沫的数量与声音强度呈线性相关。
临床与家庭环境中的长期监测
研究团队在西北大学纪念医院（Northwestern Memorial Hospital）和Shirley Ryan AbilityLab康复医院进行了长期监测研究，共收集了37名COVID-患者（20名女性，17名男性）的3,111小时数据。研究结果显示，咳嗽频率和强度在疾病恢复过程中呈下降趋势，但不同患者之间存在显著差异。
设备性能
设备能够高保真地捕捉心率、呼吸频率和咳嗽频率等生理参数，且对背景噪声具有免疫力。研究团队通过机器学习算法，实现了对咳嗽事件的准确分类，分类准确率达到90%以上。
咳嗽与飞沫产生的关系
研究发现，咳嗽产生的飞沫数量显著高于说话和笑，且飞沫数量与声音强度呈线性相关。这一结果为量化个体传染性提供了重要依据。
长期监测结果
长期监测数据显示，咳嗽频率和强度在疾病恢复过程中呈下降趋势，但不同患者之间存在显著差异。研究还发现，女性患者的咳嗽频率普遍高于男性患者。
该研究开发了一种新型的软性、皮肤贴附电子设备，结合云端数据基础设施和机器学习算法，实现了对COVID-19患者呼吸生物标志物和生命体征的持续监测。研究结果表明，咳嗽频率和强度与疾病恢复过程密切相关，且咳嗽产生的飞沫数量与声音强度呈线性相关。这一技术为早期检测、患者护理和疾病管理提供了重要工具，具有广泛的应用前景。
创新设备
研究团队开发了一种软性、皮肤贴附的电子设备，能够高保真地捕捉多种生理参数，且对背景噪声具有免疫力。
机器学习算法
研究团队开发了一套基于卷积神经网络的机器学习算法，能够准确区分咳嗽与其他日常活动，并量化咳嗽的频率和强度。
飞沫产生研究
研究团队通过定量成像研究，首次量化了咳嗽、说话和笑等事件与飞沫产生之间的关系，为量化个体传染性提供了重要依据。
长期监测
研究团队在临床和家庭环境中进行了长期监测研究，揭示了咳嗽频率和强度在疾病恢复过程中的变化趋势，为疾病管理提供了重要数据支持。
研究团队还探讨了该技术在无症状患者监测和接触者追踪中的应用潜力，为未来研究提供了新的方向。