مقالة منهجية

أبحاث الكشف عن الربو القائمة على معالجة الإشارات الصوتية والتعلم الآلي

DOI:

10.3791/67742

⸱

يوليو 22, 2025

 ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1The College of Life Sciences, Beijing University of Chinese Medicine, 2Respiratory Department, Beijing University of Chinese Medicine Third Affiliated Hospital, 3Institute of Acoustics, Chinese Academy of Sciences, 4Otorhinolaryngology, Children's Hospital Affiliated to the Capital Institute of Pediatrics, 5Institute of information on traditional Chinese medicine, China Academy of Chinese Medical Sciences, 6Institute of Basic Theory for Chinese Medicine, China Academy of Chinese Medical Sciences

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

استخدمت هذه الدراسة تحليل الإشارات الصوتية وطرق التعلم الآلي ، باستخدام MATLAB لاستخراج ميزات صوتية مميزة للكشف المبكر غير الجراحي عن الربو. أظهرت خوارزميات آلة ناقلات الدعم (SVM) والغابة العشوائية (RF) أداء مماثلا من حيث دقة التصنيف الإجمالية ، على الرغم من أن SVM قد تحقق توازنا أفضل بين الحساسية والخصوصية.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

لتحليل الإشارات الصوتية وتحديد مرضى الربو باستخدام تحليل الإشارات الصوتية وتقنيات التعلم الآلي ، قمنا بجمع إشارات صوتية واضحة منخفضة الضوضاء ذات نمط ثابت من 50 مريضا بالربو و 50 ضابطا صحيا لبناء قاعدة بيانات تحليل. أجرى البحث تحليلا متعدد الأبعاد للإشارة الصوتية بناء على MATLAB ومؤشرات ميزات صوتية مختارة مع اختلافات كبيرة بين مرضى الربو والضوابط الصحية. بعد تحليل تقليل الأبعاد على السمات الصوتية التفاضلية ، تم دمج الميزات المعالجة في أبحاث النمذجة والتصنيف اللاحقة SVM و RF.

أنشأت الدراسة أكثر من 400 مؤشر للميزات الصوتية المتعلقة بالتشخيص ، منها 20 مؤشرا أظهرت اختلافات ذات دلالة إحصائية بين مرضى الربو والضوابط الصحية (P < 0.01). في دراسة التصنيف ، حقق كل من طرازي SVM و RF معدلات دقة متطابقة بنسبة 87٪ في مجموعة الاختبار ، مع قيم AUC تبلغ 0.95 ل SVM و 0.93 للتردد اللاسلكي. وهذا يدل على أدائها القابل للمقارنة من حيث دقة التصنيف الإجمالية، في حين يشير التباين في قيم AUC إلى أن نموذج SVM قد يحقق مقايضة أفضل بين الحساسية والخصوصية. وبالتالي ، لا توفر هذه الورقة طريقة جديدة للكشف المبكر غير الجراحي عن الربو فحسب ، بل تضع أيضا الأساس لمزيد من التطبيق وتحسين هذه الطريقة في إعدادات العالم الحقيقي.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

وفقا لبيانات من دراسة صحة الرئة الصينية (CPH) ، يبلغ انتشار الربو بين البالغين الصينيين 4.2٪ ، حيث قام الأطباء بتشخيص 28.8٪ فقط من مرضى الربو ، و 5.6٪ فقط يتلقون العلاج بالكورتيكوستيرويد المستنشق1. وتشير هذه الأرقام إلى انخفاض معدل تشخيص الربو وعلاجه في الصين، مما يسلط الضوء على الحاجة الملحة إلى تعزيز الوعي ولفت الانتباه إلى الربو بين الجمهور والمتخصصين في الرعاية الصحية. تتنوع طرق التشخيص الحالية للربو ، بما في ذلك التاريخ السريري والفحص البدني ، واختبار وظائف الرئة ، وقياس أكسيد النيتريك الجزئي (FeNO) ، ولكن لكل منها حدوده بدرجاتمتفاوتة 2،3،4. علاوة على ذلك ، فإن المراقبة المنتظمة للربو أمر بالغ الأهمية لإدارة المرض. يمكن أن تمنع المراقبة المنتظمة للأعراض ووظائف الرئة تفاقم الربو بشكل فعال ، وتحسين نوعية حياة المريض ، وتقليل الزيارات الطارئة والاستشفاء5،6. ومع ذلك ، من الناحية العملية ، غالبا ما تكون طرق التشخيص التقليدية هذه غير عملية للرعاية الروتينية بسبب تكلفتها وتعقيدها.

بالنظر إلى الظروف المذكورة أعلاه ، قد تلعب المراقبة الذاتية للربو دورا مهما في السيطرة على المرض. يجب أن تكون هذه المراقبة بسيطة ومريحة ودقيقة. في هذا الصدد ، يقدم الصوت مزايا مميزة. غالبا ما يظهر مرضى الربو اختلافات ملحوظة في خصائص الصوت ، بما في ذلك تقليل الحد الأقصى لوقت النطق ، واضطرابات الصوت (مثل بحة الصوت ، والخشونة ، والتعب الصوتي) ، والاختلافات الكبيرة في التردد الأساسي والنغمة مقارنة بالأفراد الأصحاء7،8،9. يمكن أن تكون هذه الاختلافات بمثابة طريقة محتملة لتحديد الربو ومراقبته.

أظهر التعلم الآلي إمكانات كبيرة في اكتشاف الربو باستخدام البيانات الصوتية. أظهرت الدراسات أنه يمكن اكتشاف أعراض الربو بشكل فعال من خلال تحليل أصوات السعال لدى المرضى وأصوات التنفس والميزات الصوتية الأخرى ذات الصلة. هذه التقنيات ، بما في ذلك التعلم العميق والشبكات العصبية ونماذج التعلم الآلي الأخرى ، قادرة على التعرف على أنماط الصوت المميزة وتغيرات الصوت التنفسي لدى مرضى الربو10،11،12،13،14،15.

بالمقارنة مع أصوات السعال والتنفس ، يمكن أن يكون الصوت ذو النمط الثابت (مثل نطق الأرقام من 1 إلى 9) أكثر توحيدا وقابلية للتحكم. كما أنه يسهل استخراج الميزات ، ويتحكم في جودة الصوت ، وهو أسهل لجمع البيانات على نطاق واسع. تظهر آلة ناقلات الدعم (SVM) قدرة تصنيف قوية عند التعامل مع البيانات عالية الأبعاد والعينات الصاخبة ، بينما تدير Random Forest (RF) ، بقوتها الممتازة ، وقدرتها على التعامل مع العلاقات غير الخطية ، وتقييم أهمية الميزات ، بيانات الميزات الصوتية المعقدةبشكل فعال 16،17،18،19،20.

في هذه الدراسة ، استخدمنا تسجيلات للأرقام "123456789" المنطوقة بوتيرة طبيعية وثابتة لاستخراج ميزات الصوت المرتبطة بالربو. بناء على هذه الميزات ، قمنا ببناء نماذج RF و SVM للكشف عن الربو. وفي المستقبل، يمكن دمج هذه النماذج في تطبيقات الهاتف المحمول للتمكين من تحديد الربو ومراقبة تطور المرض، مما يساعد على منع تفاقم الربو.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

وافقت لجنة الأخلاقيات بجامعة بكين للطب الصيني والمستشفى الثالث التابع لها على هذه الدراسة. وقع جميع المشاركين على موافقة خطية مستنيرة قبل المشاركة. من يوليو إلى أغسطس 2024 ، قمنا بتجنيد 50 مريضا من قسم طب الجهاز التنفسي في المستشفى الثالث التابع لجامعة بكين للطب الصيني. في الوقت نفسه ، قمنا بتسجيل 50 فردا أصحاء كمراقبين.

1. اختيار المشاركين

  1. حدد معايير التضمين التالية.
    1. من بين العينات الصوتية حيث نطق مكبرات الصوت الأرقام "123456789" بوتيرة عادية وثابتة ، حدد تلك ذات الضوضاء الخلفية المنخفضة والتعبير الواضح.
    2. تأكد من أن مجموعة الربو لديها تشخيص مؤكد للربو بناء على معايير سريرية محددة من قبل أخصائي الجهاز التنفسي ، وتتكون المجموعة الضابطة من أفراد أصحاء لا يعانون من أمراض الجهاز التنفسي أو غيرها من الحالات التي قد تؤثر على جودة الصوت.
    3. حدد المشاركين الذين تتراوح أعمارهم بين 18 و 75 عاما ، مع الحفاظ على نسبة الجنس متسقة بين المجموعات.
    4. الحصول على موافقة خطية مستنيرة من جميع المشاركين للدراسة.
  2. قم بتعيين معايير الاستبعاد التالية.
    1. استبعاد المشاركين المصابين بأمراض الجهاز التنفسي المزمنة مثل مرض الانسداد الرئوي المزمن (COPD) أو مرض الرئة الخلالي.
    2. استبعاد المشاركين الذين عانوا من التهابات الجهاز التنفسي الحادة أو تفاقم المرض خلال الأسابيع الستة الماضية.
    3. استبعاد الأفراد الذين لديهم تاريخ من اضطرابات الصوت، مثل مشاكل الأحبال الصوتية أو التهاب الحنجرة.
    4. استبعاد المشاركين الذين يعانون من اضطرابات عصبية قد تضعف الصوت أو الوظائف المعرفية.
    5. استبعاد الأفراد الذين يعانون من إعاقات سمعية كبيرة.
    6. استبعاد المشاركين الذين فشلوا في الالتزام ببروتوكول الدراسة أو تقديم عينات صوتية كافية.
    7. استبعاد الأفراد غير القادرين أو غير الراغبين في تقديم موافقة مستنيرة.

2. تصميم الدراسة

  1. سجل المشاركين في غرفة استشارة معزولة وهادئة (الضوضاء المحيطة < 30 ديسيبل) في وضع جلوس طبيعي ومريح ، مع الحفاظ على حالة الاسترخاء (كما هو موضح في الشكل 1).
  2. اطلب من الموظفين (موظفي أخذ العينات) تسجيل المشاركين الحصول على المعلومات الأساسية (الطول والوزن والعمر وما إلى ذلك) للمشاركين المسجلين والتحقق مع الطبيب مما إذا كان المشارك قد تم تشخيصه بالربو الخالص.
  3. بعد جمع المعلومات الأساسية ، اطلب من موظفي أخذ العينات ضبط ميكروفون جهاز التسجيل على ارتفاع مناسب ، على بعد حوالي 20-30 سم من الشفاه.
  4. اجمع التسجيلات الصوتية باستخدام مسجل رقمي، مع ضبط معدل أخذ العينات بشكل موحد على 44.1 كيلو هرتز. قم بمعايرة الجهاز قبل جلسات التسجيل اليومية، مما يضمن هامش خطأ في حدود ≤±1 ديسيبل.
  5. قم بتوجيه المشاركين لقراءة الأرقام بصوت عال من 1 إلى 9 بالتسلسل ، مع الحفاظ على سرعة الصوت الطبيعية والتعبير الواضح طوال التسجيل.
  6. عند الانتهاء ، احفظ الصوت بتنسيق .wav.
  7. قم بإزالة مقاطع الصوت غير الطبيعية من خلال اكتشاف النشاط الصوتي (VAD) جنبا إلى جنب مع التحقق اليدوي. تضمين التسجيلات التي تفي بمعيار نسبة الإشارة إلى الضوضاء (SNR) البالغ > 20 ديسيبل في الدراسة.

3. بناء مكتبة ميزات الصوت

ملاحظة: قاعدة بيانات مؤشرات ميزة الكلام عبارة عن مجموعة من خصائص الكلام المختلفة المستخدمة لتحليل الاختلافات في الكلام بين مرضى الربو والأفراد الأصحاء ، مما يدعم الفحص المبكر والكشف عن الربو. يتم تفصيل الإطار المنهجي المحدد لإنشاء مستودع مقاييس ميزة الكلام في الجدول 1. وفي الوقت نفسه ، تم تحميل عملية إنشاء قاعدة بيانات فهرس الميزات الصوتية لهذه الدراسة إلى GitHub (https://github.com/Liteng811/speech-feature-index-database-construction). ستصف الخطوات التالية بشكل أساسي كيفية تنزيل التعليمات البرمجية وتشغيلها من GitHub.

  1. قم بتثبيت MATLAB على الكمبيوتر من موقع MathWorks الرسمي ، وحدد الإصدار المناسب لنظام التشغيل. تحقق مما إذا كان MATLAB مثبتا بشكل صحيح عن طريق بدء تشغيل برنامج MATLAB وكتابة الإصدار في نافذة الأوامر. إذا تم تثبيته بشكل صحيح ، تظهر معلومات إصدار MATLAB.
  2. قم بتثبيت Git من موقع Git الرسمي (https://git-scm.com/). قم بتأكيد التثبيت الناجح عن طريق إدخال الأمر التالي في سطر الأوامر (موجه الأوامر لنظام التشغيل Windows ، Terminal لنظام التشغيل Mac / Linux): git --version. إذا تم التثبيت بنجاح، فستظهر معلومات إصدار Git.
  3. استنساخ مستودع GitHub.
    1. افتح أداة سطر الأوامر واستخدم الأمر التالي لاستنساخ المستودع إلى الجهاز المحلي:
      git clone https://github.com/Liteng811/voice-feature-index-database-construction.git
      ملاحظة: سيقوم هذا الأمر بتنزيل محتوى مستودع GitHub إلى دليل العمل الحالي وإنشاء مجلد باسم voice-feature-index-database-construction
    2. للانتقال إلى هذا المجلد لعرض التعليمات البرمجية والملفات التي تم تنزيلها وإدارتها، استخدم الأمر:
      CD صوت ميزة فهرس قاعدة البيانات.
  4. تكوين بيئة MATLAB.
    1. قم بتشغيل برنامج MATLAB.
    2. في MATLAB ، انقر فوق الزر تعيين المسار أسفل علامة التبويب الصفحة الرئيسية وحدد إضافة مجلد. اختر مجلد voice-feature-index-database-construction الذي تم استنساخه للتو وانقر فوق حفظ. سيسمح ذلك ل MATLAB بالتعرف على جميع ملفات البرنامج النصي في هذا المجلد وتنفيذها.
    3. في نافذة المجلد الحالي MATLAB، حدد موقع المجلد voice-feature-index-database-construction وانقر نقرا مزدوجا فوق ملف voiceH6_batch_3_stage_WAV_tt.m لفتحه. هذا الملف هو البرنامج النصي الرئيسي للمعالجة.
  5. تكوين البيانات وإعدادها.
    1. يتطلب الكود الموجود في المستودع ملفات صوتية كمدخل. تأكد من أن الملفات الصوتية بتنسيق .wav أو .pcm .
    2. يتم ترميز مسارات الملفات للملفات الصوتية بشكل ثابت في كود المستودع (أي أنها مكتوبة مباشرة في الكود). قم بتعديل المسارات وفقا لموقع الملفات المحلية.
  6. قم بتشغيل التعليمات البرمجية.
    1. بعد فتح ملف voiceH6_batch_3_stage_WAV_tt.m ، انقر فوق الزر Run ، أو اكتب اسم الملف في نافذة الأوامر لتنفيذ البرنامج النصي:
      voiceH6_batch_3_stage_WAV_tt.
    2. يتطلب البرنامج النصي تفاعل المستخدم. سيظهر MATLAB واجهة رسومية لمطالبة المستخدم بتحديد الملف أو المجلد الصوتي المقابل. تأكد من تحديد الملف أو المجلد الصوتي المراد معالجته بشكل صحيح كما هو مطلوب.
    3. في حالة وجود أي مشكلات في تجميد الواجهة الرسومية أو عدم عرضها عند تشغيل البرنامج النصي في MATLAB، تحقق من وجود مشكلات محتملة في توافق إصدار MATLAB أو تأكد من أن برامج تشغيل رسومات نظام التشغيل تعمل بشكل صحيح.
  7. إخراج النتائج. بعد التشغيل ، ابحث عن ملف إخراج .txt سيكتب فيه البرنامج النصي نتائج استخراج الميزات. سيقوم ملف الإخراج بحفظ معلومات مثل نتائج التعرف على ميزة الصوت.

4. تحليل البيانات

ملاحظة: بعد الحصول على قاعدة بيانات مؤشرات الميزات الصوتية ، قم بإجراء تحليلات إحصائية على البيانات. ويرد في الجدول 2 بالتفصيل الإطار المنهجي المحدد لتحليل البيانات. وترد أدناه تفاصيل الإجراءات التشغيلية المحددة.

  1. اختبارات التباين الطبيعي وتجانس
    ملاحظة: أجرينا اختبارات لطبيعية وتجانس التباين على مؤشرات الميزة الصوتية لتحديد طرق التحليل الإحصائي المناسبة. إذا استوفت جميع مجموعات المؤشرات كلا من افتراضات التباين الطبيعية والتجانس، فقد استخدم اختبار t للعينات المستقلة. خلاف ذلك ، قمنا بتطبيق اختبار Mann-Whitney U .
    1. افتح البرنامج الإحصائي، وانقر فوق ملف | فتح | البيانات، وحدد ملف البيانات. تأكد من تصنيف المتغيرات بشكل صحيح وعرضها في عرض البيانات.
    2. انتقل إلى تحليل | الإحصاء الوصفي | استكشاف.
    3. في مربع الحوار، انقل المتغيرات المراد اختبارها إلى حقل القائمة التابعة .
    4. انقر فوق الزر Plots في الزاوية العلوية اليمنى من النافذة. في مربع الحوار، حدد المخططات الطبيعية مع الاختبارات وانقر فوق متابعة.
    5. ارجع إلى النافذة الرئيسية وانقر فوق موافق لإجراء اختبار الوضع الطبيعي.
    6. في نافذة الإخراج ، حدد موقع جدول اختبارات الوضع الطبيعي. ركز على قيم الأهمية (Sig.) لاختبار Kolmogorov-Smirnov (اختبار K-S) و Shapiro-Wilk (اختبار S-W). إذا كانت Sig. > 0.05 ، تتبع البيانات توزيعا طبيعيا . إذا كانت Sig. ≤ 0.05 ، فإن البيانات لا تتبع توزيعا طبيعيا.
    7. انتقل إلى تحليل | قارن الوسائل | ANOVA أحادي الاتجاه.
    8. في مربع الحوار، انقل المتغير التابع إلى حقل القائمة التابعة ومتغير التجميع (المتغير الفئوي) إلى الحقل العامل .
    9. انقر فوق الزر خيارات على الجانب الأيمن من مربع الحوار. حدد تجانس اختبار التباين وانقر فوق متابعة.
    10. ارجع إلى النافذة الرئيسية وانقر فوق موافق لإجراء اختبار تجانس التباين.
    11. في نافذة الإخراج ، حدد موقع جدول اختبار تجانس الفروق. ركز على قيمة الدلالة (Sig.) لإحصائية ليفين. إذا > Sig. 0.05 ، يتم استيفاء افتراض تجانس التباين. إذا كان Sig. ≤ 0.05 ، يتم انتهاك تجانس افتراض التباين.
  2. اختبار مان ويتني يو
    ملاحظة: نظرا لأن المؤشرات في هذه الدراسة لم تفي في وقت واحد بافتراضات الطبيعية وتجانس التباين ، فقد طبقنا اختبار Mann-Whitney U لمقارنة الاختلافات في مؤشرات ميزة الإشارة الصوتية بين مجموعة الربو والمجموعة الضابطة السليمة.
    1. انتقل إلى تحليل | الاختبارات غير المعلمية | مربعات الحوار القديمة | 2 عينات مستقلة.
    2. في مربع الحوار، انقل المتغير المستمر (المتغير التابع) إلى الحقل قائمة متغيرات الاختبار ومتغير التجميع (المتغير الفئوي) إلى الحقل متغير التجميع .
    3. انقر فوق تعريف المجموعات، وأدخل فئتي متغير التجميع (على سبيل المثال، "1" و"2")، وانقر فوق متابعة.
    4. في النافذة الرئيسية ، حدد Mann-Whitney U. تأكد من عدم تحديد Exact (حدد هذا الخيار لأحجام العينات الصغيرة لتحسين الدقة). انقر فوق خيارات، وحدد وصفي، ثم انقر فوق متابعة.
    5. ارجع إلى النافذة الرئيسية وانقر فوق "موافق" لإجراء اختبار Mann-Whitney U.
    6. في نافذة الإخراج ، حدد موقع جدول إحصائيات الاختبار: تمثل قيمة Mann-Whitney U إحصائية الاختبار. تمثل قيمة Asymp. Sig. (2-tailed) قيمة p. إذا كان p > 0.05 ، فلا يوجد فرق كبير بين المجموعات. إذا كان P ≤ 0.05 ، فهناك فرق كبير بين المجموعات.
    7. لتحديد المجموعة التي لديها قيم قياس أعلى، تحقق من جدول الرتب، الذي يعرض متوسط الرتب وأحجام العينات لكل مجموعة.
  3. تحليل المكون الرئيسي (PCA)
    ملاحظة: بعد تحديد المؤشرات التفاضلية ، أجرينا PCA لتحليل البيانات بشكل أكبر. PCA هي تقنية لتقليل الأبعاد تحول البيانات الأصلية إلى عدد قليل من المكونات الرئيسية لاستخراج الميزات المهمة وتبسيط التحليل. قبل PCA ، كان البرنامج الإحصائي يقوم تلقائيا بتوحيد البيانات للتخلص من تأثيرات الأبعاد.
    1. انتقل إلى تحليل | تقليل الأبعاد | عامل.
    2. في مربع الحوار، انقل كافة المتغيرات المراد تحليلها إلى حقل المتغيرات .
    3. انقر فوق الزر "الوصفات" وحدد اختبار KMO و Bartlett للكروية للتحقق مما إذا كانت البيانات مناسبة ل PCA. انقر على متابعة.
    4. في علامة التبويب Extraction ، قم بتعيين Method إلى Principal Components ، وحدد Scree Plot لتحديد عدد المكونات الرئيسية ، وقم بتعيين Extract إلى Eigenvalues أكبر من 1. انقر على متابعة.
    5. في علامة التبويب التدوير ، حدد بلا. انقر على متابعة.
    6. في علامة التبويب الدرجات ، حدد حفظ كمتغيرات لحفظ درجات المكون الرئيسي في مجموعة البيانات.
    7. ارجع إلى النافذة الرئيسية وانقر فوق "موافق " لإجراء PCA.
    8. اختبار KMO و Bartlett: تشير قيمة KMO ≥ 0.6 إلى أن البيانات مناسبة ل PCA. يشير اختبار بارتليت لكروية Sig. < 0.05 إلى ارتباطات كبيرة بين المتغيرات ، مما يجعل البيانات مناسبة ل PCA.
    9. شرح التباين الكلي: راجع القيم الذاتية والتباين الموضح من قبل كل مكون رئيسي. يعد معدل تفسير التباين التراكمي 70٪ -85٪ مثاليا.
    10. استخدم مخطط scree لتحديد عدد المكونات الرئيسية، وعادة ما يتم تحديد المكونات قبل نقطة الانقلاب.
    11. مصفوفة المكونات أو مصفوفة المكونات المستديرة: تحقق من معاملات تحميل المتغيرات على كل مكون رئيسي. تعتبر المعاملات > 0.5 مساهمات كبيرة.

5. بناء نماذج SVM و RF

ملاحظة: يرد في الجدول 3 تفصيل الإطار المنهجي المحدد لبناء نماذج SVM و RF. لقد قمنا بتحميل نماذج SVM و RF للكشف عن الربو التي تم إنشاؤها في هذه الدراسة إلى GitHub (https://github.com/Liteng811/Asthma-Detection). سيصف ما يلي بشكل أساسي كيفية تنزيل التعليمات البرمجية وتشغيلها من GitHub.

  1. استنساخ مستودع GitHub.
    1. افتح أداة سطر الأوامر واستخدم الأمر التالي لاستنساخ المستودع إلى الجهاز المحلي:
      git clone https://github.com/Liteng811/Asthma-Detection.git
      ملاحظة: سيقوم هذا الأمر بتنزيل محتوى مستودع GitHub إلى دليل العمل الحالي وإنشاء مجلد باسم Asthma-Detection.
  2. قم بتثبيت مكتبات Python وPyCharm وPython المطلوبة.
    1. قم بتثبيت Python على الجهاز من موقع Python الرسمي (https://www.python.org/).
    2. بعد تثبيت Python ، قم بتثبيت مكتبات Python الضرورية باستخدام الأمر التالي: pip install -r requirements.txt.
    3. إذا لم يكن هناك ملف requirements.txt ، فقم بتثبيت المكتبات المستخدمة في هذه الدراسة باستخدام الأمر التالي:
      PIP تثبيت numpy الباندا scikit-تعلم matplotlib
    4. تأكد من تثبيت PyCharm من موقع PyCharm الرسمي (https://www.jetbrains.com/pycharm/).
  3. عرض الملفات في المستودع.
    1. في المستودع ، حدد موقع ملفات البرنامج النصي الرئيسية (SVM.py ، RF.py).
    2. استخدم محرر نصوص أو PyCharm لفتح ملفات Python هذه ومراجعة محتوياتها وهيكلها.
  4. تكوين مجموعة البيانات.
    1. تتطلب التعليمات البرمجية الموجودة في المستودع ملفات بيانات. تأكد من إعداد ملفات البيانات ، وأن تنسيقها يتوافق مع متطلبات الكود (.XLSX).
    2. توجد مسارات ملفات مشفرة في الكود. قم بتعديل المسارات بناء على الموقع الفعلي للملفات ، أي استبدال المسارات الموجودة في الكود (على سبيل المثال ، C: \ Users \ 1 \ Desktop \ pca-result.xlsx) بمسارات الملفات الفعلية على النظام.
  5. قم بتشغيل التعليمات البرمجية.
    1. بعد العثور على البرنامج النصي الرئيسي ، استخدم الأمر التالي في سطر الأوامر لتشغيل التعليمات البرمجية (باستخدام SVM.py كمثال). إذا كان البرنامج النصي الرئيسي RF.py، فقم بتشغيل البرنامج النصي المقابل بدلا من ذلك.
      بايثون SVM.py.
    2. عند تشغيل التعليمات البرمجية، قم بالتبديل إلى دليل العمل الصحيح، أو حدد البرنامج النصي باستخدام مساره الكامل في سطر الأوامر. على سبيل المثال ، إذا قمت بتشغيل python SVM.py في سطر الأوامر ، فقم بالتبديل إلى الدليل الذي يحتوي على SVM.py ، أو استخدم المسار المطلق:
      python C: / المسار / إلى / الخاص بك / المستودع / SVM.py.
    3. أثناء التنفيذ ، ستقوم التعليمات البرمجية بتحميل البيانات وتدريب نماذج التعلم الآلي (SVM أو RF) ونتائج الإخراج مثل الدقة ومصفوفة الارتباك ومنحنى ROC.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

الانتهاء من إنشاء قاعدة بيانات فهرس الميزات الصوتية

نجحت هذه الدراسة في استخراج 467 مقياسا للميزات الصوتية من خلال تحليل متعدد المستويات للإشارات الصوتية. راجع عنوان URL الخاص ب GitHub أعلاه للحصول على 467 مؤشرا للميزات الصوتية. تشمل الأساليب التحليلية المستخدمة تحليل المجال الزمني ، وتحليل مجال التردد ، واستخراج MFCC ، وتحويل الميزات بناء على معايير تشخيص الطب الصيني التقليدي. على وجه التحديد ، يعكس تحليل المجال الزمني خصائص الشكل الموجي الأساسية وتغيرات سعة الإشارة ، بينما ي...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تستكشف هذه الدراسة طرق الكشف عن الربو غير الغازية باستخدام تحليل الإشارات الصوتية وتقنيات التعلم الآلي. من خلال جمع البيانات الصوتية من 50 مريضا بالربو و 50 ضابطا صحيا ، قامت هذه الدراسة ببناء نماذج باستخدام خوارزميات SVM و RF16،17،18،19،20. أظهر كلا النموذجين أداء مماثلا من حيث نسبة العينات المصنفة بشكل صحيح بشكل صحيح ، لكن ا...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ليس لدى المؤلفين أي تضارب في المصالح للإعلان عنه.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم دعم هذه الدراسة من قبل مشروع صندوق العلوم للشباب التابع للمؤسسة الوطنية للعلوم الطبيعية في الصين (رقم الموافقة على المشروع: 82104739) وبرنامج البحث العلمي التابع لإدارة مقاطعة خبي للطب الصيني التقليدي (رقم المشروع: B2025032). يود المؤلفون أن يشكروا جميع المعلمين والطلاب الذين قدموا المساعدة أثناء التجربة.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
<قوي>جهاز<قوي>المورد<قوي>النموذج / الإصدار<قوي>العلامة التجارية
مسجل رقميZOOM Audio StoreH6ZOOM
GitHubالموقع الرسمي2.47.1.2Git
Matlabhttps://www.mathworks.com/R2024bMathWorks
Pycharmالرسمي2024.1موقع JetBrains
Pythonالرسمي3.12Python
موقع

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Huang, K., et al. risk factors, and management of asthma in China: a national cross-sectional study. Lancet. 394 (10196), 407-418 (2019).
  2. McCormack, M. C., Enright, P. L. Making the diagnosis of asthma. Respir Care. 53 (5), discussion 590-2 583-590 (2008).
  3. Backer, V., et al. Diagnostic work-up in patients with possible asthma referred to a university hospital. Eur Clin RespirJ. 2, (2015).
  4. Fortuna, A. M., Feixas, T., González, M., Casan, P. Diagnostic utility of inflammatory biomarkers in asthma: exhaled nitric oxide and induced sputum eosinophil count. Respir Med. 101 (11), 2416-2421 (2007).
  5. Gibson, P. G. Monitoring the patient with asthma: an evidence-based approach. Allergy Clin Immunol. 106 (1 Pt 1), 17-26 (2000).
  6. Gibson, P. G., et al. Self-management education and regular practitioner review for adults with asthma. Cochrane Database Syst Rev. (1), CD001117(2003).
  7. Dogan, M., Eryuksel, E., Kocak, I., Celikel, T., Sehitoglu, M. A. Subjective and objective evaluation of voice quality in patients with asthma. J Voice. 21 (2), 224-230 (2007).
  8. Ihre, E., Zetterström, O., Ihre, E. B. Voice problems as side effects of inhaled corticosteroids in asthma patients--a prevalence study. J Voice. 18 (3), 403-414 (2004).
  9. Analysis of acoustic features for voice sound based classification of asthmatic and healthy subjects. Yadav, S., Keerthana, M., Gope, D., Uma, M. K., Ghosh, P. K. ICASSP 2020-2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Barcelona, Spain, , 6789-6793 (2020).
  10. Isangula, K. G., Haule, R. J. Leveraging AI and machine learning to develop and evaluate a contextualized user-friendly cough audio classifier for detecting respiratory diseases: Protocol for a diagnostic study in rural Tanzania. JMIR Res Protoc. 13, e54388(2024).
  11. Rogers, H. P., et al. Voice as a biomarker of pediatric health: A scoping review. Children (Basel). 11 (6), 684(2024).
  12. MeLoDicA AI - machine learning based detection of asthma via vocal audio analysis. Looi, Z. Q., Ng, Z. H., Yak, R. X., Rosen, O., Kumar, A. 2024 IEEE Conference on Artificial Intelligence (CAI), , 905-910 (2024).
  13. Barua, P. D., et al. Automated asthma detection in a 1326-subject cohort using a one-dimensional attractive-and-repulsive center-symmetric local binary pattern technique with cough sounds. Neural Comput & Applic. 36, 16857-16871 (2024).
  14. Iqbal, M. D. A., Krishnamoorthy, D., Musthak, S. A. Real time detection and forecasting technique for asthma disease using voice signal and DENN classifier. Biomedical Signal Processing and Control. 76, 103637(2022).
  15. Wu, Y., et al. Ubi-Asthma: Toward ubiquitous asthma detection using the Smartwatch. IEEE Internet of Things Journal. 10 (13), 11576-11587 (2023).
  16. Schölkopf, B., Smola, A. J. Support vector machines. Encyclopedia of Biostatistics. , 978-047197762 (1998).
  17. Burges, C. J. C. A tutorial on support vector machines for pattern recognition. Data Mining and Knowledge Discovery. 2 (2), 121-167 (1998).
  18. Liaw, A., Wiener, M. Random Forest: Classification and Regression. R News. 2 (3), 18-22 (2002).
  19. Cutler, D. R., et al. Random forests for classification in ecology. Ecology. 88 (11), 2783-2792 (2007).
  20. Breiman, L. Random forests. Machine Learning. 45 (1), 5-32 (2001).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

Asthma DetectionVoice Signal ProcessingMachine LearningVoice Feature AnalysisSupport Vector MachineRandom ForestAcoustic SensorsMATLAB AnalysisROC CurveNon Invasive Diagnosis

مقالات ذات صلة