Method Article

تصنيف نغمة السعال القائم على التعلم الآلي: الاستكشاف التشخيصي لمرض الانسداد الرئوي المزمن والتهابات الجهاز التنفسي

DOI:

10.3791/68222

⸱

September 19th, 2025

 ,  ,  ,  ,  ,  ,  ,  ,  , 
1Beijing University of Chinese Medicine, 2Institute of Information on Traditional Chinese Medicine, Chinese Academy of Traditional Chinese Medicine, 3Beijing University of Chinese Medicine Third Affiliated Hospital

In This Article

Summary

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

أنجزت هذه الدراسة بشكل فعال التصنيف الآلي لفئتين متميزتين من خلال الحصول على بيانات صوت السعال من المرضى الذين تم تشخيص إصابتهم بمرض الانسداد الرئوي المزمن (COPD) والتهابات الجهاز التنفسي (RTI) ، باستخدام تكامل تقنيات معالجة إشارات الكلام وخوارزميات التعلم الآلي.

Abstract

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

كان الهدف من هذه الدراسة هو تطوير وتقييم طريقة غير جراحية للتمييز بين المرضى الذين يعانون من مرض الانسداد الرئوي المزمن (COPD) وأولئك الذين يعانون من التهابات الجهاز التنفسي (RTI) باستخدام تحليل الإشارات الصوتية والتعلم الآلي. تم جمع الإشارات الصوتية ذات النمط الثابت من 25 مريضا بمرض الانسداد الرئوي المزمن و 25 مريضا بتقنية RTI (تعمل كمجموعة تحكم / مقارنة). تم إجراء تحليل ميزات الصوت متعدد الأبعاد لتحديد الميزات التي تميز بشكل كبير بين المجموعتين. تم اختيار السمات ذات الدلالة الإحصائية وإخضاعها لتقليل الأبعاد. ثم تم تدريب نماذج الانحدار اللوجستي (LR) والغابات العشوائية (RF) وتقييمها لأداء التصنيف في التمييز بين مرض الانسداد الرئوي المزمن عن RTI. تم تحليل أكثر من 400 ميزة صوتية في البداية. أظهرت ثمانية عشر ميزة اختلافات ذات دلالة إحصائية كبيرة بين مرضى الانسداد الرئوي المزمن ومرضى RTI (P < ؛ 0.05). في مهمة التمييز بين مرضى مرض الانسداد الرئوي المزمن ومرضى RTI ، حقق نموذج LR منطقة مجموعة اختبار تحت منحنى AUC 0.95 ، متفوقا بشكل كبير على نموذج الترددات اللاسلكية (AUC = 0.76). توضح هذه الدراسة جدوى استخدام التحليل الصوتي والتعلم الآلي ، وخاصة نموذج LR ، كأداة واعدة غير جراحية للتمييز بين مرض الانسداد الرئوي المزمن عن RTI. يوفر أساسا للتطبيق العملي وتحسين هذا النهج القائم على الصوت في البيئات السريرية التي تتطلب التشخيص التفريقي لأمراض الجهاز التنفسي.

Introduction

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

يمثل مرض الانسداد الرئوي المزمن (COPD) والتهابات الجهاز التنفسي مساهمين مهمين في الوفيات والمراضة على نطاق عالمي. يعرف مرض الانسداد الرئوي المزمن بأنه حالة التهابية مزمنة تؤثر على الشعب الهوائية وحمة الرئة ، والتي تحدث في الغالب عن طريق التدخين. يتميز بأعراض مثل السعال المستمر وضيق التنفس وزيادة إنتاج البلغم1. تتوقع منظمة الصحة العالمية أنه بحلول عام 2030 ، سيصنف مرض الانسداد الرئوي المزمن كثالث سبب رئيسي للوفاة في جميع أنحاء العالم ، مما يفرض عبئا اقتصاديا كبيرا2،3. في المقابل ، تمثل التهابات الجهاز التنفسي (RTI) ما يقرب من 6٪ من عبء المرض العالمي ، متجاوزة العبء المرتبط بأمراض القلب الإقفارية وعدوى فيروس العوز المناعي البشري والسرطان والملاريا وأمراض الإسهال4.

نظرا لأوجه التشابه الجوهرية في المظاهر السريرية للمرضين ، لا سيما في أعراض السعال ، وهو أحد الأعراض السائدة ، فإن التمايز المبكر والدقيق بين هذه الأمراض ضروري للعلاج الفعال5،6. تعتمد مناهج التشخيص التقليدية في الغالب على تقييم الأعراض السريرية واختبار وظائف الرئة والتحليلات المختبرية7. في حين أن طرق التشخيص التقليدية لمرض الانسداد الرئوي المزمن فعالة في تحديد الحالة وتقييمها ، إلا أنها تظهر العديد من القيود في الممارسة السريرية. وتشمل هذه القيود عدم كفاية الدقة التشخيصية، والقدرة المحدودة على التشخيص المبكر، وعدم كفاية فهم عدم تجانس المرض، ونقص المراقبة الديناميكية8،9،10،11. على عكس طرق التشخيص التقليدية لمرض الانسداد الرئوي المزمن ، توفر تقنية التشخيص الصوتي ، كأداة مساعدة ناشئة ، العديد من المزايا ، لا سيما في الكشف المبكر والتشخيص غير الجراحي والمراقبة الديناميكية.

مع التقدم في تحليل الكلام ، لا سيما التحليل الآلي لأصوات السعال ، هناك إمكانات ناشئة لتطبيقات التشخيص السريع. تشير الأبحاث إلى أن أصوات السعال تلخص معلومات واسعة النطاق فيما يتعلق بأمراض الرئة ، حيث تعكس ميزاتها الصوتية تغيرات في حالة صحة مجرى الهواء12. في الآونة الأخيرة ، تم استخدام التقنيات القائمة على التعلم الآلي لتحليل ميزات الكلام في تشخيص مرض الانسداد الرئوي المزمن والحالات الأخرى ، مما أدى إلى نتائج ملحوظة13،14،15. تسهل هذه المنهجيات التصنيف الفعال للأمراض عن طريق استخراج الميزات الصوتية من أصوات السعال ، مثل التردد والمدة والسعة ، ودمجها مع خوارزميات التعلم الآلي للتعرف على الأنماط.

على الرغم من بعض الدراسات التي تبحث في إمكانات تحليل صوت السعال في تشخيص المرض ، إلا أن هناك تحديات كبيرة لا تزال قائمة في التمييز بين مرضى مرض الانسداد الرئوي المزمن وأولئك الذين يعانون من RTI. تنشأ هذه الصعوبة بسبب الخصائص المتداخلة في أصوات السعال لكلتا المجموعتين ، والتي تتفاقم بسبب التباين الفردي. وبالتالي ، لا يزال تطوير طرق لاستخراج سمات أكثر دقة وقابلية للتميز من أصوات السعال قضية حاسمة في هذا المجال.

تسعى هذه الدراسة إلى التحقيق في طريقة التصنيف الآلي لأصوات السعال عن طريق تسجيل الصوت من 25 مريضا تم تشخيص إصابتهم بمرض الانسداد الرئوي المزمن و 25 مريضا يعانون من RTI. من خلال دمج تحليل ميزة الكلام مع خوارزميات التعلم الآلي ، نهدف إلى تعزيز دقة التمايز بين الأمراض ، وبالتالي تحسين قدرات التشخيص المبكر لمرض الانسداد الرئوي المزمن و RTI.

Access restricted. Please log in or start a trial to view this content.

Protocol

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

وافقت لجنة الأخلاقيات بجامعة بكين للطب الصيني والمستشفى الثالث التابع لها على هذه الدراسة البحثية. قدم جميع المشاركين موافقتهم الخطية المستنيرة على المشاركة. بين يوليو وأغسطس 2024 ، تم تجنيد مجموعة من 25 مريضا بمرض الانسداد الرئوي المزمن من قسم طب الجهاز التنفسي في المستشفى الثالث التابع لجامعة بكين للطب الصيني. في الوقت نفسه ، تم أيضا تجميع مجموعة ضابطة مكونة من 25 مريضا يعانون من RTI العلوي النموذجي.

1. اختيار المشاركين

  1. معايير الإدراج
    1. حدد عينات الصوت ذات ضوضاء خلفية منخفضة ومفصلية واضحة.
    2. تأكد من أن تشخيص مرض الانسداد الرئوي المزمن لمجموعة مرض الانسداد الرئوي المزمن مفروض من خلال الإرشادات السريرية التي وضعها خبراء الرئة.
      1. قم بتأكيد التشخيص عن طريق قياس التنفس بعد موسع الشعب الهوائية (FEV1 / FVC < 0.70) وفقا لمعايير GOLD 2024.
      2. التحقق من الاستقرار السريري (لا تفاقم ≥ 4 أسابيع)
    3. تأكد من أن مجموعة المقارنة تضم أشخاصا يعانون من RTI العلوي النموذجي.
      1. التشخيص باستخدام معايير التشخيص الخاصة بالدليل الإرشادي لتشخيص وعلاج أمراض عدوى الجهاز التنفسي.
      2. تأكد من وقت ظهور الأعراض ≤ 72 ساعة.
      3. استبعاد تاريخ أمراض الجهاز التنفسي المزمنة.
    4. حدد العمر ب 18-85 سنة.
    5. اطلب من جميع المشاركين تقديم موافقة خطية مستنيرة للمشاركة في الدراسة.
  2. معايير الاستبعاد
    1. استبعاد المشاركين الذين يعانون من صعوبات في الكلام، مثل اضطرابات الأحبال الصوتية أو التهاب الحنجرة.
    2. استبعاد المشاركين الذين يعانون من حالات عصبية قد تضعف الكلام أو الوظائف المعرفية.
    3. استبعاد المشاركين الذين يعانون من إعاقات سمعية كبيرة.
    4. استبعاد المشاركين الذين لم يلتزموا ببروتوكولات الدراسة أو فشلوا في تقديم عدد كاف من العينات الصوتية.
    5. استبعاد المشاركين غير القادرين على تقديم الموافقة المستنيرة.

2. تصميم الدراسة

  1. انقل المشاركين إلى غرفة استشارات سريرية قياسية هادئة ومعزولة (أبعاد 4 أمتار × 5 أمتار) ، مع الحفاظ على مستويات الضوضاء الخارجية أقل من 30 ديسيبل. اجعلهم يجلسون في وضع طبيعي ومريح ويبقون في حالة استرخاء.
  2. قم بتوثيق التفاصيل الأساسية للمشارك بدقة ، بما في ذلك الطول والوزن والعمر والمعلومات الأخرى ذات الصلة ، وتأكيد حالته الصحية الحالية مع الطبيب.
  3. عند الانتهاء من تسجيل البيانات الأولي ، اضبط ارتفاع الميكروفون على الموضع المناسب ، مع ضمان مسافة 20-30 سم تقريبا بين الميكروفون وشفاه المشارك.
  4. اجمع التسجيلات الصوتية باستخدام مسجل احترافي محمول متعدد المسارات ، مع ضبط معدل أخذ العينات بشكل موحد على 44.1 كيلو هرتز.
    1. قم بإجراء معايرة الجهاز قبل جلسات التسجيل اليومية. اضغط مع الاستمرار على مقبض GAIN للقناة المستهدفة لمدة 2 ثانية حتى تعرض الشاشة CAL وقيمة المستوى الحالي.
    2. اضبط الكسب على القيمة المستهدفة عن طريق تدوير مقبض GAIN ببطء حتى يتطابق مستوى الإدخال الموضح على الشاشة بدقة مع القيمة الاسمية لنغمة الاختبار. ضمان هامش الخطأ في حدود ≤±1 ديسيبل.
  5. تحت إشراف فريق أخذ العينات ، دع المشارك يسعل بشكل طبيعي وفقا لحالته. التقط أصوات السعال باستخدام أجهزة التسجيل.
  6. سجل الصوت ك '. تنسيق ملف WAV.
  7. تمت إزالة مقاطع الصوت غير الطبيعية باستخدام اكتشاف النشاط الصوتي (VAD) مع استكمال التحقق اليدوي. تم تضمين التسجيلات التي استوفت عتبة نسبة الإشارة إلى الضوضاء (SNR) البالغة >20 ديسيبل في الدراسة.
    ملاحظة: المنهجية الكاملة متوفرة في مستودع GitHub الخاص بنا (https://github.com/Liteng811/speech-feature-index-database-construction).

3. تطوير مستودع الميزات الصوتية

ملاحظة: قاعدة بيانات مؤشر الميزة الصوتية عبارة عن مجموعة من الخصائص الصوتية للتحليل المقارن للأنماط الصوتية في مرض الانسداد الرئوي المزمن مقابل RTI. تم تفصيل الهيكل المنهجي في الجدول 1. تم تنفيذ قاعدة بيانات مفتوحة المصدر لبنائها ويمكن الوصول إليها على GitHub (https://github.com/Liteng811/speech-feature-index-database-construction). توضح الخطوات أدناه بالتفصيل تنزيل الكود وتنفيذه.

  1. قم بتثبيت MATLAB على الكمبيوتر من موقع MathWorks الرسمي (https://www.mathworks.com/). تأكد من تحديد الإصدار المناسب لنظام التشغيل. للتحقق من تثبيت MATLAB بشكل صحيح ، ابدأ تشغيل برنامج MATLAB واكتب ver في نافذة الأوامر. إذا تم تثبيته بشكل صحيح ، يجب أن تظهر معلومات إصدار MATLAB.
  2. قم بتثبيت Git من موقع Git الرسمي (https://git-scm.com/). لتأكيد التثبيت الناجح ، أدخل الأمر التالي في سطر الأوامر (موجه الأوامر لنظام التشغيل Windows ، Terminal لنظام التشغيل Mac / Linux): git --version. إذا تم تثبيت Git بنجاح، عرض معلومات الإصدار.
  3. استرداد مستودع التعليمات البرمجية
    1. باستخدام واجهة سطر الأوامر، قم بتنفيذ الأمر git clone لتنزيل ملفات المشروع على جهازك المحلي:
      استنساخ https://github.com/Liteng811/voice-feature-index-database-construction.git git
      ملاحظة: تقوم هذه العملية بإنشاء دليل جديد باسم "voice-feature-index-database-construction" في دليل العمل الحالي ، والذي يحتوي على كافة ملفات المشروع.
    2. قم بالوصول إلى المجلد الذي تم تنزيله لإدارة محتوياته عن طريق تشغيل:
      قرص مضغوط صوت ميزة فهرس قاعدة بيانات بناء.
  4. إعداد بيئة MATLAB.
    1. ابدأ تطبيق MATLAB.
    2. قم بدمج مجلد المشروع في مسار بحث MATLAB. انتقل إلى علامة التبويب الصفحة الرئيسية ، وانقر على تعيين المسار، ثم إضافة مجلد. حدد دليل الميزة الصوتية المستنسخة وسجل قاعدة البيانات واحفظ التغييرات. هذا يسمح ل MATLAB بالوصول إلى جميع البرامج النصية الضرورية.
    3. من لوحة المجلد الحالي في MATLAB ، افتح البرنامج النصي الرئيسي للمعالجة (voiceH6_batch_3_stage_WAV_tt.m) بالنقر المزدوج عليه.
  5. إعداد البيانات.
    1. يتطلب التحليل إدخال ملفات صوتية بتنسيق .wav أو .pcm .
    2. يتم ترميز المسارات إلى هذه الملفات الصوتية داخل البرامج النصية. قم بتحديث متغيرات المسار هذه للإشارة إلى المواقع الصحيحة على النظام المحلي.
  6. تنفيذ البرنامج النصي.
    1. مع فتح البرنامج النصي الرئيسي (voiceH6_batch_3_stage_WAV_tt.m) ، ابدأ المعالجة إما بالنقر فوق الزر Run أو كتابة اسم البرنامج النصي مباشرة في نافذة أوامر MATLAB: voiceH6_batch_3_stage_WAV_tt.
    2. يتطلب البرنامج النصي تفاعل المستخدم. سيعرض MATLAB واجهة رسومية تطالب المستخدم باختيار الملف الصوتي أو المجلد المناسب. تأكد من أن ملف الصوت أو المجلد المحدد للمعالجة يطابق المطالبة.
    3. إذا تمت مواجهة مشكلات تتعلق بتجميد الواجهة الرسومية أو عدم عرضها عند تشغيل البرنامج النصي في MATLAB ، فتحقق من مشكلات التوافق المحتملة مع إصدار MATLAB أو تأكد من أن برامج تشغيل الرسومات الخاصة بنظام التشغيل تعمل بشكل صحيح.
  7. إخراج النتائج. عند الانتهاء ، ابحث عن ملف إخراج .txt حيث سيكتب البرنامج النصي نتائج استخراج الميزة. سيحتوي ملف الإخراج على معلومات مثل نتائج التعرف على ميزة الصوت.

4. تحليل البيانات

ملاحظة: بعد تجميع قاعدة بيانات مؤشرات السمات الصوتية ، أجريت تحليلات إحصائية. ويرد النهج التحليلي في الجدول 2. تم استخدام اختبار Mann-Whitney U لتقييم الاختلافات في ميزات الإشارة الصوتية بين مجموعات مرض الانسداد الرئوي المزمن و RTI.

  1. اختبار مان ويتني يو.
    ملاحظة: بعد الحصول على مكتبة فهرس ميزات الكلام، تم إجراء اختبار Mann-Whitney U على البيانات باستخدام SPSS 20.0. عملية التشغيل هي كما يلي:
    1. افتح SPSS وقم بتحميل ملف البيانات.
    2. حدد تحليل > الاختبارات غير المعلمية > مربعات الحوار القديمة > 2 عينات مستقلة من شريط القوائم.
    3. في مربع الحوار المنبثق:
      1. قائمة متغيرات الاختبار: حدد المتغيرات المراد مقارنتها (المتغيرات المرصودة).
      2. متغير التجميع: حدد متغير التجميع (المتغير الذي سيتم استخدامه للتجميع).
      3. انقر فوق الزر تعريف المجموعات لإدخال معرفات المجموعتين في النافذة المنبثقة (على سبيل المثال، إذا تم تجميعها ك "المجموعة 1" و"المجموعة 2"، فأدخل 1 و2).
    4. في نوع الاختبار، حدد اختبار Mann-Whitney U جزئيا.
    5. انقر فوق OK ، وسيقوم SPSS تلقائيا بإنشاء الإخراج.
  2. تحليل المكونات الرئيسية (PCA)
    ملاحظة: بعد تحديد السمات ذات الدلالة الإحصائية ، تم استخدام تحليل المكون الرئيسي (PCA) لاستكشاف البيانات المتقدم. تقلل هذه التقنية من الأبعاد عن طريق تكثيف المتغيرات الأصلية في مجموعة أصغر من المكونات المركبة التي تحافظ على المعلومات الهامة وتبسط قابلية تفسير مجموعة البيانات. قبل إجراء PCA ، تم توحيد البيانات تلقائيا بواسطة البرنامج الإحصائي للتخفيف من التحيزات المتعلقة بالمقياس. تم تنفيذ الإجراء على النحو التالي:
    1. تأكد من تجميع البيانات وحفظها بتنسيق Excel أو CSV واستيرادها إلى SPSS 20.0.
    2. حدد ملف > فتح بيانات >، ثم حدد الملف المراد فتحه.
    3. تأكد من معالجة القيم والقيم المتطرفة المفقودة في البيانات، وأن المتغيرات موحدة.
    4. لتحليل PCA في SPSS، انقر فوق تحليل > عامل > تقليل الأبعاد.
    5. في مربع الحوار، أضف جميع المتغيرات المستخدمة في PCA إلى حقل المتغيرات . عادة ما تكون هذه المتغيرات بيانات مستمرة.
    6. قم بإعداد طريقة الاستخراج.
      1. في مربع الحوار، انقر فوق الزر Extraction وحدد طريقة المكونات الرئيسية . بشكل افتراضي ، يستخرج SPSS ما يكفي من المكونات الرئيسية لشرح التباين في البيانات.
      2. حدد القيم الذاتية أكبر من 1 كمعيار الاحتفاظ ، مما يعني أنه يتم الاحتفاظ بالمكونات الرئيسية فقط ذات القيم الذاتية الأكبر من 1 ، وهو ما يفسر عادة معظم التباين.
    7. حدد طريقة التدوير وانقر فوق Rotation لاختيار إما Varimax (التدوير المتعامد) أو Promax (التدوير المائل). بالنسبة لمعظم التطبيقات ، تعد Varimax طريقة دوران شائعة الاستخدام.
    8. في الخيارات ، تحقق من مخطط Scree ومصفوفة المعامل بحيث يمكن إخراج مخطط الحصى للمكونات الرئيسية ومصفوفة المعامل لكل مكون رئيسي للمساعدة في الحكم على التباين المحتفظ به.
    9. بعد تعيين جميع الخيارات ، انقر فوق الزر "موافق" ، وسيقوم SPSS بإنشاء الإخراج.
    10. تفسير النتائج.
      1. تفسير مصفوفة تحميل المكون الرئيسي لتحديد العلاقات بين المكونات الرئيسية والمتغيرات الأصلية. لاحظ أن المتغيرات ذات قيم التحميل الأعلى تتطلب مساهمة أكبر في التغييرات.
      2. شرح التباين باستخدام جدول "شرح التباين الكلي". راقب القيم الذاتية ونسب التباين لكل مكون رئيسي. حدد المكونات الرئيسية ذات النسب الكبيرة ، لأنها تشرح عادة معظم تباين البيانات.
      3. استخدم مخطط scree لتحديد المكونات الرئيسية المحتجزة. حدد نقطة الانعطاف الواضحة في المؤامرة. احتفظ بالمكونات الرئيسية على يسار نقطة الانقلاب.
      4. درجات المكون الأساسي: حدد حفظ كمتغيرات إذا كانت هناك حاجة للحصول على درجة كل عينة في المكون الأساسي، وسيقوم SPSS بإضافة درجات المكون الأساسي إلى مجموعة البيانات كمتغيرات جديدة.

5. بناء نموذج الانحدار اللوجستي (LR) والغابة العشوائية (RF)

ملاحظة: يرد الجدول 3 بالتفصيل الإطار المنهجي المحدد لبناء نماذج LR و RF. وفي الوقت نفسه ، تم تحميل نماذج LR و RF في هذه الدراسة إلى GitHub (https://github.com/Liteng811/The-distinction-between-COPD-and-respiratory-infections). سيصف ما يلي بشكل أساسي كيفية تنزيل التعليمات البرمجية وتشغيلها من GitHub. تم إنشاء نموذج التردد اللاسلكي باستخدام Python 3.12.3 كلغة برمجة أساسية.

  1. الحصول على قاعدة التعليمات البرمجية للمشروع.
    1. قم بتشغيل محطة طرفية أو موجه أوامر وقم بتشغيل الأمر git clone لتنزيل المستودع محليا:
      git استنساخ التمييز بين مرض الانسداد الرئوي المزمن والالتهابات التنفسية.git التمييز بين مرض الانسداد الرئوي المزمن والالتهابات التنفسية.git
      لاحظ أن هذا الأمر يسترد جميع محتويات المستودع في دليل العمل الحالي الخاص بك ، مما يؤدي إلى إنشاء مجلد جديد بعنوان The-distinction-between-COPD-and-respiratory-infections.
  2. قم بإعداد بيئة البرمجة.
    1. قم بتنزيل وتثبيت Python من موقع التوزيع الرسمي (https://www.python.org/).
    2. استخدم الأمر أدناه لتثبيت جميع تبعيات Python المدرجة في ملف المتطلبات: pip install -r requirements.txt.
    3. إذا كان ملف requirements.txt غير متوفر، فقم بتثبيت المكتبات الأساسية يدويا عن طريق تنفيذ:
      تثبيت النقطة numpy pandas scikit-learn matplotlib
    4. قم بتثبيت بيئة التطوير المتكاملة PyCharm من موقع JetBrains الرسمي (https://www.jetbrains.com/pycharm/).
  3. استكشف محتويات المستودع.
    1. في المستودع، حدد موقع ملفات البرنامج النصي الرئيسية (LR.py، RF.py).
    2. افتح هذه الملفات باستخدام محرر التعليمات البرمجية أو PyCharm لمراجعة تنفيذها وتفاصيلها الهيكلية.
  4. قم بإعداد بيانات الإدخال.
    1. تأكد من أن مجموعة البيانات المطلوبة متوفرة بتنسيق .xlsx ، كما هو متوقع من قبل التعليمات البرمجية ، ومنظمة بشكل صحيح قبل التنفيذ.
    2. يحتوي الكود على مسارات ملفات مشفرة. قم بتحديث هذه المسارات لتعكس المواقع الفعلية للملفات ، واستبدال المسارات الموجودة في التعليمات البرمجية بشكل فعال (على سبيل المثال ، C: \ Users \ 1 \ Desktop \ pca-result.xlsx) بمسارات الملفات الفعلية على النظام.
  5. قم بتشغيل التعليمات البرمجية.
    1. بمجرد تحديد موقع البرنامج النصي الرئيسي ، قم بتنفيذه عبر سطر الأوامر. على سبيل المثال ، لتشغيل LR.py ، استخدم: python LR.py
      إذا كان البرنامج النصي الهدف RF.py، فاستبدل اسم الملف وفقا لذلك.
    2. قبل التنفيذ، تأكد من أن المحطة الطرفية في دليل العمل الصحيح، أو حدد المسار الكامل للبرنامج النصي. على سبيل المثال:
      python C: / path / to / your / repository / LR.py.
    3. أثناء التشغيل ، سيقوم البرنامج النصي بتحميل مجموعة البيانات ، وتدريب نموذج التعلم الآلي المقابل (LR أو RF) ، وإنشاء مقاييس الأداء بما في ذلك الدقة ومصفوفة الارتباك ومنحنى ROC.

Access restricted. Please log in or start a trial to view this content.

Results

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

نتائج تحليل البيانات

نجح البحث في عزل أكثر من 400 فهرس لميزات الكلام باستخدام طرق مثل تحليل المجال الزمني ، وتحليل مجال التردد ، واستخراج معامل التردد الميل (MFCC) ، وتغيير مؤشرات الميزات وفقا لتشخيص الطب الصيني التقليدي. يعد تحليل المجال الزمني عنصرا حاسما في معالجة إشارات الكلام ، مع التركيز على التلاعب المباشر ببيانات السلاسل الزمنية للإشارة لفهم خصائص الإشارة بشكل حدسي مثل الطاقة ، ومعدل الصفر الزائد ، والات...

Access restricted. Please log in or start a trial to view this content.

Discussion

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

تبحث هذه الدراسة في الطرق غير الغازية للكشف عن مرض الانسداد الرئوي المزمن من خلال تحليل الإشارات الصوتية وتقنيات التعلم الآلي. تضمنت جمع البيانات الصوتية من 25 مريضا بمرض الانسداد الرئوي المزمن و 25 مريضا مصابا ب RTI. تم إنشاء النماذج باستخدام خوارزميات LR و RF. أظهر كلا النموذجين دقة مماثلة في تصنيف العينات بشكل صحيح بشكل عام ، ومع ذلك يشير الاختلاف في قيم AUC إلى أن نموذج LR قد يوفر توازنا فائقا بين الحساسية والخصوصية. تقدم الأقسام التالية فحصا مفصلا لنتائج البحث.

Access restricted. Please log in or start a trial to view this content.

Disclosures

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

يعلن المؤلفون عدم وجود تضارب في المصالح فيما يتعلق بنشر هذه الدراسة. لم يتم تلقي أي دعم مالي أو غير مالي من أي منظمة تجارية يمكن أن تؤثر على نتائج أو تفسير هذا البحث. أجريت جميع جوانب الدراسة ، بما في ذلك التصميم وجمع البيانات والتحليل وإعداد المخطوطات ، بشكل مستقل عن أي تأثير خارجي.

Acknowledgements

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

تم دعم هذه الدراسة من قبل مشروع صندوق علوم الشباب الصيني التابع للمؤسسة الوطنية للعلوم الطبيعية (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 خلال التجربة.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
مسجل رقميالتكبيرH6متجر ZOOM للصوت
GitHubبوابه2.47.1.2الموقع الرسمي
ماتلابماث ووركسR2024bالموقع الرسمي
بايتشارمجيت برينز2024.1الموقع الرسمي
بايثونبايثون3.12الموقع الرسمي

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Roth, M. Pathogenesis of COPD. Part III. Inflammation in COPD. Int J Tuberc Lung Dis. 12 (4), 375-380 (2008).
  2. Alsayari, A., Muhsinah, A. B., Almaghaslah, D., Annadurai, S., Wahab, S. Pharmacological efficacy of ginseng against respiratory tract infections. Molecules. 26 (13), 4095(2021).
  3. Iheanacho, I., Zhang, S., King, D., Rizzo, M., Ismaila, A. S. Economic burden of chronic obstructive pulmonary disease (COPD): A systematic literature review. Int J Chron Obstruct Pulmon Dis. 15, 439-460 (2020).
  4. Al Rajeh, A. M., et al. Acute upper respiratory tract infections admissions in England and Wales. Medicine (Baltimore). 102 (21), e33616(2023).
  5. Lieberman, D., et al. Pneumonic vs nonpneumonic acute exacerbations of COPD. Chest. 122 (4), 1264-1270 (2002).
  6. Hassan Naqvi, S. Z., Choudhry, M. A. Embedded system design for classification of COPD and pneumonia patients by lung sound analysis. Biomed Tech (Berl). 67 (3), 201-218 (2022).
  7. Rennard, S., et al. Introducing the COPD Foundation Guide for Diagnosis and Management of COPD, recommendations of the COPD Foundation. COPD. 10 (3), 378-389 (2013).
  8. Spyratos, D., et al. false diagnosis and treatment of COPD in a selected population in Northern Greece. Eur J Gen Pract. 27 (1), 97-102 (2021).
  9. Azleen, A., Wilkinson, T. Early COPD: current evidence for diagnosis and management. Ther Adv Respir Dis. 14, 1753466620942128(2020).
  10. Kostikas, K., et al. Clinical impact and healthcare resource utilization associated with early versus late COPD diagnosis in patients from UK CPRD database. Int J Chron Obstruct Pulmon Dis. 15, 1729-1738 (2020).
  11. Cosio, B. G., et al. Defining the asthma-COPD overlap syndrome in a COPD cohort. Chest. 149 (1), 45-52 (2016).
  12. Kilic, M., et al. GCLP: An automated asthma detection model based on global chaotic logistic pattern using cough sounds. Eng Appl Artif Intell. 127, 107184(2024).
  13. Idrisoglu, A., et al. COPDVD: Automated classification of chronic obstructive pulmonary disease on a new collected and evaluated voice dataset. Artif Intell Med. 156, 102953(2024).
  14. Karaarslan, O., Ergen, O., Belcastro, K. D. Respiratory sound-base disease classification and characterization with deep/machine learning techniques. Biomed Signal Process Control. 87, 105570(2024).
  15. Farrús, M., et al. Speech-based support system to supervise chronic obstructive pulmonary disease patient status. Appl Sci. 11 (17), 7999(2021).
  16. Akamatsu, N. Segmentation of speech utilizing the time-domain properties of speech signals. J Acoust Soc Am. 64, S179(1978).
  17. Joy, S., Upadhya, S. Speech analysis in time and frequency domain. Int J Eng Res Technol. 3 (1), 1-4 (2018).
  18. Do, H. D. Exploiting signal linear trend in the time domain to enhance speech feature. IEEE Access. 10, 117886-117899 (2022).
  19. Schroeder, R. M. New approach to time domain analysis and synthesis of speech. J Acoust Soc Am. 31 (6), 852-853 (1959).
  20. Garreth, P., Johnson, S. R., Green, G. G. R. Extracting amplitude modulations from speech in the time domain. Speech Commun. 53 (6), 903-913 (2011).
  21. Thomas, S., Ganapathy, S., Hermansky, H. Recognition of reverberant speech using frequency domain linear prediction. IEEE Signal Processing Letters. 15, 681-684 (2008).
  22. Malah, D. Efficient implementation of a frequency-domain technique for frequency scaling of speech signals. J Acoust Soc Am. 68 (S1), (1980).
  23. Képesi, M., Weruaga, L. Adaptive chirp-based time-frequency analysis of speech signals. Speech Commun. 48 (5), 474-492 (2006).
  24. 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).
  25. Wang, Q., et al. Towards reliable respiratory disease diagnosis based on cough sounds and vision transformers. ArXiv. , (2024).
  26. Can machine learning be used to recognize and diagnose coughs. Bales, C., et al. 2020 International Conference on e-Health and Bioengineering (EHB), , (2020).
  27. Melek, N. Responding to challenge call of machine learning model development in diagnosing respiratory disease sounds. ArXiv. , (2021).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Cough Tone ClassificationMachine Learning DiagnosticsVoice Signal AnalysisChronic Obstructive PulmonaryRespiratory Tract InfectionsLogistic Regression ModelRandom Forest ModelPrincipal Component AnalysisVoice Feature ExtractionNon Invasive Diagnosis

Related Articles