基于语音信号处理和机器学习的哮喘检测研究
2025年7月22日
本研究采用语音信号分析和机器学习方法，利用 MATLAB 提取独特的语音特征，用于无创哮喘的早期检测。支持向量机 （SVM） 和随机森林 （RF） 算法在整体分类准确性方面表现出相当的性能，尽管 SVM 可能在灵敏度和特异性之间实现更好的平衡。
- 接下来我将讨论该领域的最新发展和当前的实验挑战。当前的技术使用人工智能驱动的语音分析、SVM 等运动技术、MFCC 等信号处理工具以及可变声学传感器来检测声音信号中与疾病相关的模式。目前基于语音的诊断临床翻译面临的挑战包括数据稀缺、模型泛化有限、隐私伦理、冲突和互作性障碍。
[导师]首先，打开命令行工具并将 GitHub 存储库克隆到本地计算机。前往Python官网，在机器上安装Python。安装 Python 后，使用requirements.txt文件安装所需的 Python 库。或者，如果文本文件不可用，请使用给定命令手动安装必要的库。然后从其官方网站安装 PyCharm。现在，在克隆的存储库中找到主脚本文件。使用 PyCharm 或文本编辑器打开 Python 文件并查看其内容和结构。要配置数据集，请验证代码所需的数据文件是否可用并以 Excel 格式保存。更新脚本中的文件路径以匹配系统上的实际文件位置。确定主脚本后，使用该脚本的相应命令运行代码。在执行过程中，代码将加载数据，训练机器学习模型，并显示精度、混淆矩阵和接收者作特征或 ROC 曲线等结果。该图显示了支持向量机或SVM模型以及随机森林或RF模型的混淆矩阵，显示了它们对哮喘和健康对照受试者的分类结果。SVM 模型在混淆矩阵中的 30 个样本中准确分类了 14 名哮喘受试者和 12 名健康对照。RF模型还正确预测了14例哮喘病例和12例健康对照，显示出可比的分类结果。SVM模型在ROC分析中获得了0.95的曲线下面积值，体现了优越的分类性能。SVM 和 RF 模型在测试数据集上实现了相同的总体分类准确率，均为 87%。在分类表现中，SVM 模型显示哮喘组的回忆率较高，为 0.93，但健康对照组的召回率较低，为 0.80，这表明虽然 SVM 在识别哮喘方面有效，但它可能会错误分类一些健康个体。RF 模型对哮喘的召回率值为 0.93，对健康对照的召回率为 0.80，表明两种模型具有相似的敏感性，并且识别阳性病例的能力相同。
查看完整文字稿并访问数千部科学视频
概述
本研究探讨了利用人工智能驱动的语音分析和机器学习技术进行非侵入性早期哮喘检测。通过使用支持向量机（SVM）和随机森林（RF）算法，研究展示了在识别哮喘病例方面具有可比性的分类准确率。
研究的主要组成部分
科学领域
- 神经科学
- 机器学习
- 语音信号分析
背景
- 当前技术利用人工智能驱动的语音分析来检测疾病相关的模式。
- 临床转化的挑战包括数据稀缺和隐私伦理。
- 支持向量机（SVM）和随机森林（RF）等机器学习模型被用于分类任务。
- 基于语音的诊断因其非侵入性而受到关注。
研究目的
- 探索语音信号分析在检测哮喘方面的有效性。
- 比较SVM和RF算法的性能。
- 解决在临床环境中实施基于语音的诊断的挑战。
使用的方法
- 使用MATLAB进行语音信号分析。
- 机器学习算法：支持向量机（SVM）和随机森林（RF）。
- 分类准确率和性能指标的评估。
- 混淆矩阵和ROC曲线分析用于模型比较。
主要结果
- SVM和RF均达到了87%的整体分类准确率。
- 在ROC分析中，SVM显示出0.95的曲线下面积值更高。
- 在哮喘组中，SVM的召回率（0.93）比健康对照组（0.80）更高。
- RF对两组显示出相似的召回率，表明相似的敏感性。
结论
- 结合机器学习的语音分析可以有效检测哮喘。
- SVM可能在敏感性和特异性之间提供更好的平衡。
- 需要进一步的研究来解决临床转化的挑战。
常见问题
Executive Industry Relevance
Voice signal processing combined with machine learning offers a scalable, non-invasive approach for early asthma detection, addressing a critical need for objective, reproducible diagnostics in respiratory disease research. By leveraging quantitative voice features and robust classification models, this workflow enhances predictive confidence at the target validation and assay development stages. The methodology supports portfolio-wide risk reduction by enabling standardized, data-driven decision-making in biomarker discovery and translational research.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of disease-relevant voice biomarkers for respiratory target validation.
- Supports mechanistic de-risking by quantifying differential phonetic features between patient and control groups.
- Facilitates predictive confidence in early-stage biomarker selection and triage.
Screening & Assay Development
- Prepares validated voice-based assays for downstream machine learning model integration.
- Standardizes feature extraction and dimensionality reduction for reproducible quantitative outputs.
- Enables scalable screening of candidate biomarkers using SVM and RF classification models.
Translational & Preclinical Research
- Aligns non-invasive voice biomarkers with translational endpoints for respiratory disease models.
- Supports continuity from discovery through preclinical validation by providing objective, quantitative readouts.
- Reduces biological risk in advancing candidate biomarkers to later-stage studies.
Pipeline & Workflow Integration
This workflow integrates from early discovery through lead identification and preclinical validation, leveraging voice signal analytics and machine learning for robust biomarker development.
- Discovery Biology: Quantitative voice feature analysis supports hypothesis testing and pathway clarification in respiratory disease.
- Screening: Machine learning models provide reproducible, quantitative classification outputs for candidate biomarker evaluation.
- Analytics: Outputs include accuracy, confusion matrices, and ROC curves to compare model performance and inform go/no-go decisions.
- Translational Research: Non-invasive voice biomarkers facilitate alignment with clinical endpoints and preclinical model systems.
- Enterprise Reuse: The standardized workflow and feature set enable reuse across respiratory and potentially other disease areas.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in respiratory biomarker discovery.
- Operational Value: Delivers standardized, reproducible, and scalable voice-based assays for machine learning integration.
- Strategic Value: Improves go/no-go decision quality and capital efficiency by providing objective, quantitative outputs.
- Portfolio Impact: Enables risk-adjusted prioritization and advancement of candidate biomarkers across the R&D pipeline.
Implementation Considerations
- Requires expertise in signal processing, machine learning, and respiratory disease biology.
- Needs access to high-quality voice recording infrastructure and computational analytics platforms.
- Demands cross-team standardization of data collection, feature extraction, and model evaluation protocols.
- Adaptation across diverse patient populations and disease models may require additional validation.
- Data scarcity and model generalization remain practical limitations for broader clinical translation.
