Hexoskin Smart Garments นวัตกรรมการตรวจจับอาการไอด้วยเทคโนโลยีที่ไม่รบกวนความเป็นส่วนตัว
Hexoskin Smart Garments คือเสื้ออัจฉริยะที่ปฏิวัติการติดตามอาการไอ ด้วยเซ็นเซอร์ที่ฝังในเนื้อผ้าทำให้สามารถตรวจจับการไอได้อย่างแม่นยำและต่อเนื่องโดยไม่จำเป็นต้องใช้ไมโครโฟนหรือบันทึกเสียง ซึ่งช่วยรักษาความเป็นส่วนตัวของผู้ใช้ได้ดีเยี่ยม
PHYSIOLOGY
RAT
6/7/2025
Hexoskin Smart Garments นวัตกรรมการตรวจจับอาการไอด้วยเทคโนโลยีที่ไม่รบกวนความเป็นส่วนตัว
TL;DR
Hexoskin Smart Garments คือเสื้ออัจฉริยะที่ปฏิวัติการติดตามอาการไอ ด้วยเซ็นเซอร์ที่ฝังในเนื้อผ้าทำให้สามารถตรวจจับการไอได้อย่างแม่นยำและต่อเนื่องโดยไม่จำเป็นต้องใช้ไมโครโฟนหรือบันทึกเสียง ซึ่งช่วยรักษาความเป็นส่วนตัวของผู้ใช้ได้ดีเยี่ยม ตัวโมเดล AI ของ Hexoskin ที่ใช้ข้อมูลจากเซ็นเซอร์วัดความเร่งสามมิติและการหายใจ แสดงประสิทธิภาพที่ยอดเยี่ยมในการจำแนกอาการไอ ด้วยค่า F1-score เฉลี่ย 93.0% และ AUC สูงถึง 95.2% รวมถึงความไว (Sensitivity) 98.5% และความจำเพาะ (Specificity) 91.9% ซึ่งเป็นระดับที่ยอมรับได้ทางคลินิกและทนทานแม้ในสภาพแวดล้อมจริงที่มีเสียงรบกวน นวัตกรรมนี้จึงมีศักยภาพสูงในการติดตามผู้ป่วยโรคระบบทางเดินหายใจเรื้อรัง เช่น หอบหืดและ COPD จากระยะไกล และเป็นเครื่องมือที่มีคุณค่าสำหรับการวิจัยทางการแพทย์
วิธีการประเมินอาการไอในปัจจุบัน
อาการไอเป็นสัญญาณสำคัญที่บ่งบอกถึงสภาพสุขภาพของระบบทางเดินหายใจ โดยเฉพาะในผู้ป่วยโรคหอบหืด โรคปอดอุดกั้นเรื้อรัง (COPD) และภาวะหยุดหายใจขณะหลับ การติดตามความถี่และลักษณะของอาการไอจึงมีความสำคัญต่อการวินิจฉัย การติดตามอาการ และการประเมินผลการรักษา
ในปัจจุบัน วิธีการประเมินอาการไอยังมีข้อจำกัดหลายประการ ยกตัวอย่างเช่น วิธีการใช้แบบสอบถามต้องพึ่งพาความจำของผู้ป่วย ซึ่งอาจไม่ถูกต้อง โดยเฉพาะสำหรับอาการไอตอนกลางคืน ส่วนวิธีการบันทึกเสียงแม้จะแม่นยำ แต่ก็ทำให้เกิดข้อกังวลเรื่องความเป็นส่วนตัว เนื่องจากต้องมีบุคลากรมาฟังและวิเคราะห์เสียงที่บันทึกไว้ นอกจากนี้ การวิเคราะห์ข้อมูลด้วยตนเองยังใช้เวลานาน จึงจำเป็นต้องหาวิธีการใหม่ที่แม่นยำ ไม่รบกวน และรักษาความเป็นส่วนตัวได้
เทคโนโลยีสวมใส่ที่ติดตามสุขภาพได้
Hexoskin Smart Garments คือเสื้ออัจฉริยะเชิงพาณิชย์ที่ออกแบบมาเพื่อติดตามค่าต่างๆ ทางสรีรวิทยาอย่างต่อเนื่อง ด้วยการฝังเซ็นเซอร์เข้าไปในเนื้อผ้าโดยตรง ทำให้สวมใส่ได้สะดวกและใช้งานได้ในชีวิตประจำวัน
จุดเด่นของ Hexoskin ในการตรวจจับอาการไอคือไม่จำเป็นต้องใช้ไมโครโฟนหรือบันทึกเสียง ซึ่งช่วยลดปัญหาเรื่องความเป็นส่วนตัวที่เกี่ยวข้องกับข้อมูลเสียงได้อย่างมาก
วิธีการตรวจจับอาการไอด้วยการทำงานร่วมกันของเซ็นเซอร์และปัญญาประดิษฐ์
Hexoskin ใช้เซ็นเซอร์หลายชนิดที่ฝังอยู่ในเสื้อเพื่อรวบรวมข้อมูลที่เกี่ยวข้องกับการไอประกอบด้วย
- เซ็นเซอร์วัดความเร่งสามมิติ (3D Accelerometer) บันทึกการเคลื่อนไหวของลำตัวที่เกิดจากการไอ
- เซ็นเซอร์วัดการหายใจ (Respiratory Inductance Plethysmography - RIP) วัดการเปลี่ยนแปลงการขยายตัวของทรวงอกและช่องท้อง ซึ่งเป็นลักษณะเฉพาะของการหายใจและการไอ
- เซ็นเซอร์คลื่นไฟฟ้าหัวใจ (ECG) เป็นเซ็นเซอร์ช่องเดียวที่ใช้ประมวลผลสัญญาณไฟฟ้าของหัวใจ แม้จะมีบทบาทโดยตรงน้อยกว่าในการตรวจจับอาการไอ แต่ก็เป็นส่วนหนึ่งของระบบเซ็นเซอร์ใน Hexoskin
ข้อมูลจากเซ็นเซอร์เหล่านี้จะถูกนำไปประมวลผลและใช้เป็นข้อมูลเข้าสำหรับโมเดลการเรียนรู้ของเครื่อง (Machine Learning) โดยเฉพาะ Random Forest Classifier ซึ่งเป็นอัลกอริทึมที่ใช้จำแนกเหตุการณ์ “ไอ” ออกจาก “ไม่ไอ”
ประสิทธิภาพการตรวจจับ และผลการทดสอบความแม่นยำ
การศึกษาล่าสุดโดย Dixon และคณะ (2025) ได้ทดสอบประสิทธิภาพของ Hexoskin ในการตรวจจับอาการไอ ผลการวิจัยพบว่า โมเดลที่ใช้ข้อมูลจากเซ็นเซอร์วัดความเร่งและเซ็นเซอร์การหายใจร่วมกันให้ประสิทธิภาพสูงสุด ด้วยค่า F1-score เฉลี่ย 93.0% (ค่าเบี่ยงเบนมาตรฐาน 1.1%)
เมื่อเปรียบเทียบกับการใช้เซ็นเซอร์เพียงชนิดเดียว พบว่า
- โมเดลที่ใช้เซ็นเซอร์วัดความเร่งเพียงอย่างเดียวให้ F1-score ที่ 92.6% (ค่าเบี่ยงเบนมาตรฐาน 1.2%)
- โมเดลที่ใช้เซ็นเซอร์การหายใจเพียงอย่างเดียวให้ F1-score ที่ 88.9% (ค่าเบี่ยงเบนมาตรฐาน 3.2%)
ผลลัพธ์นี้บ่งชี้ว่าการรวมข้อมูลจากเซ็นเซอร์หลักทั้งสองชนิดช่วยเพิ่มความแม่นยำในการตรวจจับเหตุการณ์ไอ
โมเดลที่พัฒนาขึ้นยังแสดงประสิทธิภาพที่ดีเยี่ยมด้วยค่า Area Under the ROC Curve (AUC) 95.2% ค่าความไว (Sensitivity) 98.5% และค่าความจำเพาะ (Specificity) 91.9% ประสิทธิภาพในระดับนี้ถือว่าเป็นที่ยอมรับในทางคลินิกและสามารถตอบสนองความต้องการที่เข้มงวดสำหรับการวิจัยทางคลินิกเกี่ยวกับการไอ การศึกษานี้ยังแสดงให้เห็นความทนทานของโมเดลในการทำงานในสภาพแวดล้อมจริงที่มีเสียงรบกวน ซึ่งเป็นประโยชน์สำหรับการติดตามที่บ้านและการแพทย์ทางไกล
การประยุกต์ใช้ในทางการแพทย์และการวิจัย
ด้วยความสามารถในการติดตามอาการไอได้อย่างแม่นยำและไม่รบกวน Hexoskin Smart Garment จึงมีศักยภาพในการใช้งานหลายด้านดังนี้
- การติดตามผู้ป่วยทางไกล (Remote Patient Monitoring) การเฝ้าระวังอาการไออย่างต่อเนื่องมีความสำคัญมากสำหรับผู้ป่วยโรคระบบทางเดินหายใจเรื้อรัง เช่น โรคหอบหืดและ COPD เนื่องจากอาการไอที่เพิ่มขึ้นอาจเป็นสัญญาณของการกำเริบของโรค Hexoskin สามารถใช้เป็นเครื่องมือเฝ้าระวังทางไกลที่สะดวกและเป็นส่วนตัว
- การประเมินระบบทางเดินหายใจแบบรอบด้าน Hexoskin สามารถรวบรวมข้อมูลพารามิเตอร์การหายใจอื่นๆ ได้แก่ อัตราการหายใจ (BR) ปริมาตรการหายใจ (BV) และการระบายอากาศต่อนาที (VE) ซึ่งได้รับการตรวจสอบความถูกต้องแล้วในกิจกรรมต่างๆ ในชีวิตประจำวัน การรวมข้อมูลเหล่านี้ช่วยให้ได้ภาพรวมสุขภาพระบบทางเดินหายใจที่ครบถ้วน
- การวิจัยทางคลินิก Hexoskin เป็นเครื่องมือที่ช่วยให้นักวิจัยสามารถเก็บข้อมูลทางสรีรวิทยา รวมถึงอาการไอ จากผู้เข้าร่วมการศึกษาในสภาพแวดล้อมธรรมชาติ ซึ่งช่วยเพิ่มความถูกต้องเชิงนิเวศวิทยาของการศึกษา
บทสรุป
Hexoskin Smart Garment แสดงให้เห็นถึงความก้าวหน้าที่สำคัญในเทคโนโลยีสวมใส่ได้เพื่อสุขภาพ ด้วยความสามารถในการตรวจจับอาการไอได้อย่างแม่นยำและไม่รบกวน โดยเฉพาะการไม่ต้องใช้การบันทึกเสียง ซึ่งตอบสนองความต้องการด้านความเป็นส่วนตัวของผู้ใช้
ศักยภาพในการประยุกต์ใช้ในการติดตามผู้ป่วยทางไกล การประเมินระบบทางเดินหายใจ และการวิจัยทางคลินิก ทำให้ Hexoskin เป็นเครื่องมือที่มีคุณค่าและอาจนำไปสู่การจัดการสุขภาพที่เข้าถึงได้และมีประสิทธิภาพมากขึ้นในอนาคต
หมายเหตุ
มาตรวัดประสิทธิภาพของโมเดลปัญญาประดิษฐ์สำหรับการจำแนกประเภท
ในการประเมินประสิทธิภาพของโมเดลปัญญาประดิษฐ์ที่ใช้ในการจำแนกประเภท เช่น การตรวจจับอาการไอ มีมาตรวัดหลักสองค่าที่มีความสำคัญ คือ F1-Score และ Area Under the ROC Curve (AUC) ซึ่งมาตรวัดเหล่านี้ช่วยให้เราเข้าใจประสิทธิภาพของโมเดลได้อย่างรอบด้าน
‣F1-Score มาตรวัดสมดุลสำหรับข้อมูลที่ไม่สมดุล
F1-Score เป็นมาตรวัดที่มีประโยชน์เป็นพิเศษเมื่อต้องจัดการกับข้อมูลที่มีความไม่สมดุล เช่น เมื่อจำนวนครั้งที่เกิดอาการ "ไอ" น้อยกว่าจำนวนครั้งที่ "ไม่ไอ" อย่างมาก
F1-Score คำนวณจากการผสมผสานของค่าสองตัวที่สำคัญ
1. ความแม่นยำ (Precision)
ตอบคำถามว่า "ในจำนวนครั้งที่โมเดลบอกว่าเป็น 'ไอ' มีกี่ครั้งที่ถูกต้องจริงๆ?"
ตัวอย่าง หากโมเดลบอกว่าเกิดอาการไอ 100 ครั้ง แต่ที่จริงแล้วมีการไอเพียง 90 ครั้ง ความแม่นยำจะเท่ากับ 90%
2. ความครอบคลุม (Recall)
ตอบคำถามว่า "โมเดลสามารถตรวจจับอาการไอที่เกิดขึ้นจริงได้กี่เปอร์เซ็นต์?"
ตัวอย่าง หากมีการไอจริง 100 ครั้ง แต่โมเดลตรวจจับได้เพียง 85 ครั้ง ความครอบคลุมจะเท่ากับ 85%
F1-Score จึงเป็นการวัดประสิทธิภาพที่สมดุล ช่วยให้โมเดลหลีกเลี่ยงทั้งการตรวจผิด (False Positives) และการตรวจไม่ครบ (False Negatives) ค่า F1-Score ที่สูง (ใกล้ 100%) บ่งชี้ว่าโมเดลมีประสิทธิภาพดีในทั้งสองด้าน
‣Area Under the ROC Curve (AUC) มาตรวัดความสามารถในการแยกแยะ
AUC เป็นมาตรวัดที่แสดงความสามารถโดยรวมของโมเดลในการแยกแยะระหว่างคลาสต่างๆ เช่น ระหว่าง "ไอ" กับ "ไม่ไอ" ในทุกระดับความมั่นใจ
การคำนวณ AUC
AUC ได้มาจากการคำนวณพื้นที่ใต้กราฟ ROC (Receiver Operating Characteristic) ซึ่งเป็นกราฟที่แสดงความสัมพันธ์ระหว่าง
True Positive Rate (TPR) หรือ Sensitivity/Recall สัดส่วนของเหตุการณ์จริงที่โมเดลระบุได้ถูกต้อง
False Positive Rate (FPR) สัดส่วนของเหตุการณ์ที่ไม่ใช่เป้าหมาย แต่โมเดลระบุผิดว่าเป็นเป้าหมาย
การตีความค่า AUC
ค่า AUC จะอยู่ระหว่าง 0.5 ถึง 1.0 โดย
ใกล้ 1.0 โมเดลมีความสามารถในการจำแนกที่ยอดเยี่ยม
0.5 โมเดลมีประสิทธิภาพไม่ต่างจากการสุ่มเดา
เกณฑ์การประเมินค่า AUC
- 0.9 ≤ AUC ยอดเยี่ยม (Excellent)
- 0.8 ≤ AUC < 0.9 ดีมาก (Considerable) - มีประโยชน์ทางคลินิก
- 0.7 ≤ AUC < 0.8 ปานกลาง (Fair)
- 0.6 ≤ AUC < 0.7 ไม่ดี (Poor)
- 0.5 ≤ AUC < 0.6 ล้มเหลว (Fail)
ความสำคัญในการประยุกต์ใช้
การใช้มาตรวัดทั้งสองแบบร่วมกันช่วยให้นักวิจัยและแพทย์สามารถประเมินประสิทธิภาพของโมเดลได้อย่างครอบคลุม เช่น โมเดล Hexoskin ที่มีค่า AUC 95.2% แสดงถึงประสิทธิภาพการตรวจจับอาการไอที่อยู่ในระดับยอดเยี่ยม ซึ่งมีความหมายว่าโมเดลสามารถแยกแยะระหว่างผู้ที่มีอาการไอกับผู้ที่ไม่มีอาการไอได้อย่างแม่นยำสูง
References
- Çorbacıoğlu, Ş. K., & Aksel, G. (2023). Receiver operating characteristic curve analysis in diagnostic accuracy studies A guide to interpreting the area under the curve value. Turkish Journal of Emergency Medicine, 23(4), 195–198.
- Dixon, P. C., Dubeau, S., Roy, J.-F., & Fournier, P.-A. (2025). Automatic cough detection via a multi-sensor smart garment using machine learning. Computers in Biology and Medicine, 191, 110192.
- Hexoskin. (2025, April 16). Hexoskin Unveils Breakthrough Cough Detection AI Algorithm in Computers in Biology and Medicine Journal. Hexoskin. Retrieved from https//hexoskin.com/blogs/news/new-computers-in-biology-and-medicine-paper-demonstrate-best-in-class-ai-algorithm-for-automatic-cough-detection
- Yacouby, R., & Axman, D. (2020). Probabilistic Extension of Precision, Recall, and F1 Score for More Thorough Evaluation of Classification Models. Proceedings of the First Workshop on Evaluation and Comparison of NLP Systems (Eval4NLP), 79–91.