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

يركز هذا البحث على التشخيص الصوتي، مستخدما تحليل إشارات الصوت والتعلم الآلي لاستخراج ميزات صوتية مميزة لتصنيف مبكر غير جراحي لأمراض الانسداد الرئوي المزمن والتهابات الجهاز التنفسي. تشمل التطورات الحديثة في هذا المجال تحليل الصوت المدفوع بالذكاء الذكاء الاصطناعي، وتقنيات التعلم الآلي مثل الشبكات العصبية الالتفاوية وأجهزة التوجيه الداعمة، وأدوات معالجة الإشارات مثل MFCCs، وأجهزة استشعار صوتية متغيرة لاكتشاف أنماط الإشارات الصوتية المرتبطة بالأمراض. أحد التحديات الرئيسية في الترجمة السريرية للتشخيص المعتمد على الصوت هو ندرة البيانات.

تشمل التحديات الأخرى تعميم النماذج المحدود، وأخلاقيات الخصوصية، والصراعات، والحواجز أمام قابلية التفسير. بعد تجميع قاعدة بيانات مؤشر الميزات الصوتية، افتح SPSS وحمل ملف البيانات المناسب. من شريط القائمة، اختر تحليل، ثم اختر الاختبارات غير المرامية، ثم الحوارات القديمة، وانقر على عينتين مستقلتين.

في مربع الحوار المنبثق، اختر المتغيرات التي تمت مقارنتها تحت قسم قائمة متغيرات الاختبار. ثم، تحت قسم التجميع المتغير، اختر المتغير الذي سيستخدم للتجميع. انقر على زر تعريف المجموعات وأدخل معرفات المجموعتين في نافذة المنبثقة.

تحت نوع الاختبار، اختر اختبار مان-ويتني U. انقر على موافقة لتشغيل الاختبار والسماح ل SPSS بتوليد المخرجات تلقائيا. لتحليل المكونات الرئيسية، تأكد من تجميع البيانات، وحفظها بصيغة Excel أو CSV، واستيرادها إلى SPSS الإصدار 20.0.

لفتح الملف، اختر الملف، ثم اختر فتح، ثم البيانات، واختر الملف المناسب. لبدء تحليل المكون الرئيسي، اضغط على تحليل، ثم اختر تقليل الأبعاد، واختر العامل (Factor). في مربع الحوار، أضف جميع المتغيرات المستمرة المستخدمة في تحليل المكونات الرئيسية إلى حقل المتغيرات.

انقر على زر الاستخلاص واختر طريقة المكونات الرئيسية كتقنية استخراج. اختر القيم الذاتية التي تزيد عن 1 كمعيار للاحتفاظ بالمكونات الرئيسية. اختر طريقة التدوير واضغط على التدوير لاختيار فاريماكس أو بروماكس.

تحت قسم الخيارات، تحقق من مخطط سكري ومصفوفة المعاملات لتضمين مخطط الحصى ومصفوفة المعاملات في المخرجات لتقييم المتغيرات المحتجزة. بعد إكمال جميع الإعدادات، اضغط على موافق لتنفيذ التحليل والسماح ل SPSS بتوليد المخرج. تفسير مصفوفة تحميل المكونات الرئيسية لتقييم العلاقة بين المكونات الرئيسية والمتغيرات الأصلية.

حدد المتغيرات ذات قيم التحميل الأعلى، حيث تساهم بشكل أكبر في تغييرات المكونات. استخدم جدول شرح التباين الكلي لتقييم مقدار التباين الذي يأخذه كل مكون رئيسي في الاعتبار. حدد المكونات الرئيسية ذات النسب الكبيرة في التباين، لأنها عادة ما تلتقط معظم التغيرات في البيانات.

راجع مخطط الحصى لتحديد المكونات التي يجب الاحتفاظ بها. حدد نقطة الانعطاف وحافظ على جميع المكونات إلى يسار هذه النقطة. إذا كانت هناك حاجة لدرجات المكونات الرئيسية، تحقق من حفظ كمتغيرات قبل إجراء التحليل.

سيقوم SPSS بإضافة الدرجات لكل عينة كمتغيرات جديدة في مجموعة البيانات. حدد تحليل المكونات الرئيسية ستة مكونات رئيسية شكلت معا 76.8٪ من التباين الكلي. أظهر نموذج الانحدار اللوجستي أداء مستقرا عبر ثلاث طيات تحقق، مع قيم AUC بلغت 0.71، 0.74، و0.88، مما أعطى متوسط AUC يبلغ 0.77.

على النقيض من ذلك، أظهر نموذج الغابات العشوائية تباينا أكبر، مع درجات AUC للطيات بلغت 0.69، 0.52، و0.83، ومتوسط AUC أقل يبلغ 0.68. حقق نموذج الانحدار اللوجستي تنبؤات صحيحة بنسبة 100٪ لمرض الانسداد الرئوي المزمن وستة من أصل سبع صحة لعدوى الجهاز التنفسي، كما هو موضح في مصفوفة الالتباس، مما يشير إلى دقة تصنيف عالية. صنف نموذج الغابات العشوائية حالة واحدة من مرض الانسداد الرئوي المزمن وحالتين لعدوى الجهاز التنفسي، مما أدى إلى دقة تصنيف أقل مقارنة بنموذج الانحدار اللوجستي.

في مجموعة بيانات الاختبار، قدم نموذج الانحدار اللوجستي أداء تصنيفا ممتازا، محققا قيمة AUC تبلغ 0.95. أظهر نموذج الغابة العشوائية أداء اختبارا أقل مع قيمة AUC بلغت 0.76.