基于机器学习的咳嗽音调分类：慢性阻塞性肺疾病与呼吸道感染的诊断探索

本研究聚焦于声学诊断，利用语音信号分析和机器学习技术提取独特的语音特征，以实现对慢性阻塞性肺疾病和呼吸道感染的无创早期分类。该领域的最新进展包括人工智能驱动的语音分析、卷积神经网络和支持向量机等机器学习方法、MFCCs等信号处理工具，以及用于检测声音信号中疾病相关模式的多种声学传感器。基于语音的诊断技术在临床转化中的主要挑战之一是数据稀缺。

其他挑战包括模型泛化能力有限、隐私伦理问题、利益冲突以及可解释性方面的障碍。在构建语音特征指标数据库后，打开 SPSS 并加载相应的数据文件。从菜单栏中选择“分析”，然后选择“非参数检验”，接着选择“旧对话框”，并点击“两个独立样本”。

在弹出的对话框中，于“检验变量列表”部分选择要比较的观测变量。然后，在“分组变量”下选择用于分组的变量。单击“定义组”按钮，并在弹出窗口中输入两个组的标识符。

在“检验类型”中，选择 Mann-Whitney U 检验。点击“确定”运行检验，SPSS 将自动生成结果。对于主成分分析，需确保数据已整理，并以 Excel 或 CSV 格式保存，然后导入 SPSS 20.0 版本中。

要打开文件，请选择“文件”，然后选择“打开”，接着选择“数据”，并选取相应的文件。要开始主成分分析，请点击“分析”，然后选择“降维”，再选择“因子”。在对话框中，将主成分分析中使用的所有连续变量添加到“变量”字段中。

单击“提取”按钮，并选择“主成分法”作为提取方法。选择特征值大于1作为保留主成分的标准。选择旋转方法，然后单击“旋转”以选择“方差最大法”（Varimax）或“斜交旋转法”（Promax）。

在“选项”中，选中“碎石图”和“系数矩阵”，以在输出结果中包含砾石图及系数矩阵，用于评估保留的变量。完成所有设置后，点击“确定”执行分析，由 SPSS 生成输出结果。通过解释主成分载荷矩阵，评估主成分与原始变量之间的关系。

识别载荷值较高的变量，因为这些变量对主成分变化的贡献更为显著。利用“总方差解释”表格评估每个主成分所解释的方差比例。识别方差贡献比例较大的主成分，因为它们通常能够捕捉到数据中的大部分变异。

参考碎石图以确定保留哪些主成分。找到拐点，并保留该点左侧的所有主成分。如果需要主成分得分，请在运行分析前勾选“保存为变量”。

SPSS 会将每个样本的得分作为新变量添加到数据集中。主成分分析确定了六个主要成分，共同解释了总方差的 76.8%。逻辑回归模型在三次验证折中表现出稳定的性能，AUC 值分别为 0.71、0.74 和 0.88，平均 AUC 为 0.77。

相比之下，随机森林模型表现出更大的变异性，各折 AUC 分数分别为 0.69、0.52 和 0.83，平均 AUC 较低，为 0.68。逻辑回归模型对慢性阻塞性肺疾病（COPD）实现了 100% 的正确预测，对呼吸道感染病例七例中预测正确六例，如混淆矩阵所示，表明其具有较高的分类准确性。随机森林模型误分类了一例 COPD 和两例呼吸道感染病例，导致其分类准确性低于逻辑回归模型。

在测试数据集上，逻辑回归模型表现出优异的分类性能，AUC值达到0.95。随机森林模型的测试性能较低，AUC值为0.76。