Bowel sounds (BSs), typically generated by the intestinal peristalses, are a significant physiological indicator of the digestive system's health condition. In this study, a wearable BS monitoring system is presented for long-term BS monitoring. The system features a wearable BS sensor that can record BSs for days long and transmit them wirelessly in real-time. With the system, a total of 20 subjects' BS data under the hospital environment were collected. Each subject is recorded for 24 hours. Through manual screening and annotation, from every subject's BS data, 400 segments were extracted, in which half are BS event-contained segments. Thus, a BS dataset that contains 20 × 400 sound segments is formed. Afterwards, CNNs are introduced for BS segment recognition. Specifically, this study proposes a novel CNN design method that makes it possible to transfer the popular CNN modules in image recognition into the BS segmentation domain. Experimental results show that in holdout evaluation with corrected labels, the designed CNN model achieves a moderate accuracy of 91.8% and the highest sensitivity of 97.0% compared with the similar works. In cross validation with noisy labels, the designed CNN delivers the best generability. By using a CNN visualizing technique—class activation maps, it is found that the designed CNN has learned the effective features of BS events. Finally, the proposed CNN design method is scalable to different sizes of datasets.

中文翻译：

---

通过可穿戴设备和卷积神经网络进行长期肠鸣音监测和分割。

通常由肠道蠕动产生的肠鸣音 (BS) 是消化系统健康状况的重要生理指标。在这项研究中，提出了一种用于长期 BS 监测的可穿戴 BS 监测系统。该系统具有可穿戴 BS 传感器，可以记录数天的 BS 并实时无线传输。该系统共采集了20名受试者在医院环境下的BS数据。每个受试者被记录 24 小时。通过人工筛选和标注，从每个受试者的BS数据中提取出400个片段，其中一半是BS事件包含的片段。这样，就形成了一个包含 20 × 400 个声音片段的 BS 数据集。之后，CNN 被引入用于 BS 段识别。具体来说，本研究提出了一种新颖的 CNN 设计方法，可以将图像识别中流行的 CNN 模块转移到 BS 分割领域。实验结果表明，在具有校正标签的保持评估中，与同类作品相比，所设计的 CNN 模型达到了 91.8% 的中等准确率和 97.0% 的最高灵敏度。在与嘈杂标签的交叉验证中，设计的 CNN 提供了最佳的可生成性。通过使用 CNN 可视化技术——类激活图，发现设计的 CNN 已经学习了 BS 事件的有效特征。最后，所提出的 CNN 设计方法可扩展到不同大小的数据集。与同类作品相比，设计的 CNN 模型实现了 91.8% 的中等准确率和 97.0% 的最高灵敏度。在与嘈杂标签的交叉验证中，设计的 CNN 提供了最佳的可生成性。通过使用 CNN 可视化技术——类激活图，发现设计的 CNN 已经学习了 BS 事件的有效特征。最后，所提出的 CNN 设计方法可扩展到不同大小的数据集。与同类作品相比，设计的 CNN 模型实现了 91.8% 的中等准确率和 97.0% 的最高灵敏度。在与嘈杂标签的交叉验证中，设计的 CNN 提供了最佳的可生成性。通过使用 CNN 可视化技术——类激活图，发现设计的 CNN 已经学习了 BS 事件的有效特征。最后，所提出的 CNN 设计方法可扩展到不同大小的数据集。