Methodenartikel

Forschung zur Asthmaerkennung auf der Grundlage von Sprachsignalverarbeitung und maschinellem Lernen

DOI:

10.3791/67742

⸱

22. Juli 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

In diesem Artikel

Zusammenfassung

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

In dieser Studie wurden Methoden der Sprachsignalanalyse und des maschinellen Lernens eingesetzt, wobei MATLAB verwendet wurde, um charakteristische Stimmmerkmale für die nicht-invasive Früherkennung von Asthma zu extrahieren. Die Algorithmen Support Vector Machine (SVM) und Random Forest (RF) zeigten eine vergleichbare Leistung in Bezug auf die Gesamtklassifizierungsgenauigkeit, obwohl SVM möglicherweise ein besseres Gleichgewicht zwischen Sensitivität und Spezifität erreicht.

Zusammenfassung

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

Um Sprachsignale zu analysieren und Asthmapatienten mithilfe von Sprachsignalanalyse und maschinellen Lerntechniken zu identifizieren, sammelten wir klare, rauscharme Sprachsignale mit festem Muster von 50 Asthmapatienten und 50 gesunden Kontrollpersonen, um eine Analysedatenbank aufzubauen. Die Studie führte eine mehrdimensionale Sprachsignalanalyse auf der Grundlage von MATLAB und ausgewählten Indikatoren für Sprachmerkmale mit signifikanten Unterschieden zwischen Asthmapatienten und gesunden Kontrollpersonen durch. Nach der Analyse der Dimensionalitätsreduktion an differentiellen phonetischen Merkmalen wurden die verarbeiteten Merkmale in die nachfolgende SVM- und HF-Modellierungs- und Klassifikationsforschung einbezogen.

Die Studie ermittelte über 400 Indikatoren für stimmliche Merkmale im Zusammenhang mit der Diagnose, von denen 20 Indikatoren signifikante Unterschiede zwischen Asthmapatienten und gesunden Kontrollpersonen zeigten (P < 0,01). In der Klassifikationsstudie erreichten sowohl das SVM- als auch das RF-Modell identische Genauigkeitsraten von 87 % auf dem Testset, mit AUC-Werten von 0,95 für SVM und 0,93 für RF. Dies zeigt ihre vergleichbare Leistung in Bezug auf die Gesamtgenauigkeit der Klassifikation, während die Diskrepanz der AUC-Werte darauf hindeutet, dass das SVM-Modell einen besseren Kompromiss zwischen Sensitivität und Spezifität erzielen kann. Damit stellt diese Arbeit nicht nur eine neue Methode zur nicht-invasiven Früherkennung von Asthma vor, sondern legt auch den Grundstein für die weitere Anwendung und Optimierung dieser Methode in der Praxis.

Einleitung

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

Nach Angaben der China Pulmonary Health (CPH)-Studie liegt die Prävalenz von Asthma bei chinesischen Erwachsenen bei 4,2 %, wobei Ärzte nur 28,8 % der Asthmapatienten diagnostizieren und nur 5,6 % eine inhalative Kortikosteroidbehandlung erhalten1. Diese Zahlen deuten auf eine niedrige Rate an Asthmadiagnosen und -behandlungen in China hin und unterstreichen die dringende Notwendigkeit, das Bewusstsein und die Aufmerksamkeit der Öffentlichkeit und der Angehörigen der Gesundheitsberufe auf Asthma zu schärfen. Die derzeitigen Diagnosemethoden für Asthma sind vielfältig, einschließlich klinischer Anamnese und körperlicher Untersuchung, Lungenfunktionstests und fraktionierter ausgeatmeter Stickstoffmonoxid (FeNO)-Messung, aber jede hat ihre Grenzen in unterschiedlichem Ausmaß 2,3,4. Darüber hinaus ist die regelmäßige Überwachung von Asthma für das Krankheitsmanagement von entscheidender Bedeutung. Eine systematische Überwachung der Symptome und der Lungenfunktion kann Asthma-Exazerbationen wirksam verhindern, die Lebensqualität des Patienten verbessern und Notfallbesuche und Krankenhausaufenthalte reduzieren 5,6. In der Praxis sind diese konventionellen Diagnoseverfahren jedoch aufgrund ihrer Kosten und Komplexität für die Routineversorgung oft unpraktikabel.

Unter den oben genannten Umständen kann die Selbstüberwachung von Asthma eine wichtige Rolle bei der Krankheitskontrolle spielen. Eine solche Überwachung muss einfach, bequem und genau sein. In dieser Hinsicht bietet Voice deutliche Vorteile. Asthmapatienten weisen häufig bemerkenswerte Unterschiede in den Stimmeigenschaften auf, einschließlich einer verkürzten maximalen Phonationszeit, Stimmstörungen (wie Heiserkeit, Rauheit und Stimmermüdung) und signifikanter Unterschiede in der Grundfrequenz und Tonhöhe im Vergleich zu gesunden Personen 7,8,9. Diese Unterschiede könnten als potenzielle Methode zur Identifizierung und Überwachung von Asthma dienen.

Maschinelles Lernen hat ein erhebliches Potenzial bei der Erkennung von Asthma anhand von Sprachdaten gezeigt. Studien haben gezeigt, dass Asthmasymptome durch die Analyse von Hustengeräuschen, Atemgeräuschen und anderen relevanten akustischen Merkmalen der Patienten effektiv erkannt werden können. Diese Techniken, einschließlich Deep Learning, neuronaler Netze und anderer Modelle des maschinellen Lernens, sind in der Lage, charakteristische Stimmmuster und Veränderungen des Atemschalls bei Asthmapatienten zu erkennen 10,11,12,13,14,15.

Im Vergleich zu Husten- und Atemgeräuschen kann eine Stimme mit festem Muster (wie die Aussprache der Zahlen 1-9) standardisierter und kontrollierbarer sein. Es erleichtert auch die Extraktion von Merkmalen, steuert die Sprachqualität und ist einfacher für die groß angelegte Datenerfassung. Support Vector Machine (SVM) demonstriert eine starke Klassifizierungsfähigkeit bei der Verarbeitung hochdimensionaler Daten und verrauschter Proben, während Random Forest (RF) mit seiner hervorragenden Robustheit, der Fähigkeit, nichtlineare Beziehungen zu handhaben, und der Bewertung der Merkmalsbedeutung komplexe Sprachmerkmalsdaten effektiv verwaltet 16,17,18,19,20.

In dieser Studie verwendeten wir Aufnahmen der Ziffern "123456789", die in normalem und gleichmäßigem Tempo gesprochen wurden, um asthmabedingte Stimmmerkmale zu extrahieren. Basierend auf diesen Merkmalen haben wir HF- und SVM-Modelle für die Asthmaerkennung entwickelt. In Zukunft könnten diese Modelle möglicherweise in mobile Anwendungen integriert werden, um die Identifizierung von Asthma und die Überwachung des Krankheitsverlaufs zu ermöglichen und so dazu beizutragen, Asthma-Exazerbationen zu verhindern.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

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

Die Ethikkommission der Beijing University of Chinese Medicine und ihres dritten angeschlossenen Krankenhauses hat diese Studie genehmigt. Alle Teilnehmer unterschrieben vor der Teilnahme eine schriftliche Einverständniserklärung. Von Juli bis August 2024 rekrutierten wir 50 Patientinnen und Patienten aus der Abteilung für Atemwegsmedizin des Dritten angegliederten Krankenhauses der Universität für Chinesische Medizin Peking. Gleichzeitig haben wir 50 gesunde Personen als Kontrollen aufgenommen.

1. Auswahl der Teilnehmer

  1. Legen Sie die folgenden Einschlusskriterien fest.
    1. Wählen Sie unter den Hörbeispielen, bei denen die Sprecher die Ziffern "123456789" in normalem und gleichmäßigem Tempo aussprechen, solche mit geringen Hintergrundgeräuschen und klarer Artikulation aus.
    2. Stellen Sie sicher, dass die Asthmagruppe eine bestätigte Asthmadiagnose auf der Grundlage festgelegter klinischer Kriterien durch einen Atemwegsspezialisten hat und die Kontrollgruppe aus gesunden Personen ohne Atemwegserkrankungen oder andere Erkrankungen besteht, die die Stimmqualität beeinträchtigen könnten.
    3. Ausgewählte Teilnehmer im Alter von 18 bis 75 Jahren, wobei das Geschlechterverhältnis zwischen den Gruppen konstant bleibt.
    4. Holen Sie eine schriftliche Einverständniserklärung aller Teilnehmer für die Studie ein.
  2. Legen Sie die folgenden Ausschlusskriterien fest.
    1. Ausschließen von Teilnehmern mit chronischen Atemwegserkrankungen wie chronisch obstruktiver Lungenerkrankung (COPD) oder interstitieller Lungenerkrankung.
    2. Ausschließen von Teilnehmern, die innerhalb der letzten 6 Wochen akute Atemwegsinfektionen oder Krankheitsverschlimmerungen erlitten haben.
    3. Schließen Sie Personen mit einer Vorgeschichte von Stimmstörungen wie Stimmbandproblemen oder Kehlkopfentzündungen aus.
    4. Schließen Sie Teilnehmer mit neurologischen Störungen aus, die die Stimme oder die kognitiven Funktionen beeinträchtigen könnten.
    5. Personen mit erheblichen Hörbeeinträchtigungen ausschließen.
    6. Schließen Sie Teilnehmer aus, die sich nicht an das Studienprotokoll gehalten oder nicht genügend Audioproben zur Verfügung gestellt haben.
    7. Schließen Sie Personen aus, die nicht in der Lage oder nicht willens sind, eine Einwilligungserklärung zu erteilen.

2. Studiendesign

  1. Nehmen Sie die Teilnehmer in einem isolierten, ruhigen Sprechzimmer (Umgebungsgeräusche < 30 dB) in einer natürlichen, bequemen Sitzposition und in einem entspannten Zustand auf (wie in Abbildung 1 dargestellt).
  2. Lassen Sie das Personal (das Probenahmepersonal), das die Teilnehmer erfasst, die grundlegenden Informationen (Größe, Gewicht, Alter usw.) der erfassten Teilnehmer einholen und überprüfen Sie mit dem Arzt, ob bei dem Teilnehmer reines Asthma diagnostiziert wurde.
  3. Bitten Sie nach dem Sammeln der grundlegenden Informationen das Probenahmepersonal, das Mikrofon des Aufnahmegeräts auf eine geeignete Höhe einzustellen, etwa 20-30 cm von den Lippen entfernt.
  4. Sammeln Sie die Audioaufnahmen mit einem digitalen Recorder, wobei die Abtastrate einheitlich auf 44,1 kHz eingestellt ist. Kalibrieren Sie das Gerät vor den täglichen Aufnahmesitzungen und stellen Sie eine Fehlerspanne von ≤±1 dB sicher.
  5. Leiten Sie die Teilnehmer an, die Zahlen 1 bis 9 nacheinander vorzulesen, wobei die natürliche Stimmgeschwindigkeit und die klare Artikulation während der gesamten Aufnahme beibehalten werden.
  6. Speichern Sie nach Abschluss des Vorgangs die Audiodatei in .wav Format.
  7. Entfernen Sie abnormale Audiosegmente durch Sprachaktivitätserkennung (VAD) in Kombination mit manueller Überprüfung. Beziehen Sie Aufnahmen, die das Kriterium des Signal-Rausch-Verhältnisses (SNR) von >20 dB erfüllen, in die Studie ein.

3. Aufbau einer Voice-Feature-Bibliothek

HINWEIS: Die Datenbank mit Sprachmerkmalsindikatoren ist eine Sammlung verschiedener Sprachmerkmale, die zur Analyse der Sprachunterschiede zwischen Asthmapatienten und gesunden Personen verwendet werden, um das frühzeitige Screening und die Erkennung von Asthma zu unterstützen. Der spezifische methodische Rahmen für die Erstellung des Repositorys für Sprachfunktionsmetriken ist in Tabelle 1 aufgeführt. In der Zwischenzeit wurde der Prozess der Erstellung der Indexdatenbank für Sprachfunktionen für diese Studie auf GitHub (https://github.com/Liteng811/speech-feature-index-database-construction) hochgeladen. In den folgenden Schritten wird in erster Linie beschrieben, wie Sie den Code von GitHub herunterladen und ausführen.

  1. Installieren Sie MATLAB von der offiziellen MathWorks-Website auf dem Computer und wählen Sie die entsprechende Version für das Betriebssystem aus. Überprüfen Sie, ob MATLAB korrekt installiert ist, indem Sie die MATLAB-Software starten und ver in das Befehlsfenster eingeben. Bei korrekter Installation werden die Versionsinformationen von MATLAB angezeigt.
  2. Installieren Sie Git von der offiziellen Git-Website (https://git-scm.com/). Bestätigen Sie die erfolgreiche Installation, indem Sie in der Befehlszeile (Eingabeaufforderung für Windows, Terminal für Mac/Linux) den folgenden Befehl eingeben: git --version. Bei erfolgreicher Installation werden die Versionsinformationen für Git angezeigt.
  3. Klonen Sie das GitHub-Repository.
    1. Öffnen Sie das Befehlszeilentool, und verwenden Sie den folgenden Befehl, um das Repository auf den lokalen Computer zu klonen:
      git clone https://github.com/Liteng811/voice-feature-index-database-construction.git
      HINWEIS: Mit diesem Befehl wird der Inhalt des GitHub-Repositorys in das aktuelle Arbeitsverzeichnis heruntergeladen und ein Ordner mit dem Namen voice-feature-index-database-construction erstellt
    2. Verwenden Sie den folgenden Befehl, um in diesen Ordner zu navigieren und den heruntergeladenen Code und die heruntergeladenen Dateien anzuzeigen und zu verwalten:
      cd voice-feature-index-database-construction.
  4. Konfigurieren Sie die MATLAB-Umgebung.
    1. Starten Sie die MATLAB-Software.
    2. Klicken Sie in MATLAB auf der Registerkarte Start auf die Schaltfläche Pfad festlegen und wählen Sie Ordner hinzufügen aus. Wählen Sie den Ordner voice-feature-index-database-construction aus, der gerade geklont wurde, und klicken Sie auf Speichern. Auf diese Weise kann MATLAB alle Skriptdateien in diesem Ordner erkennen und ausführen.
    3. Suchen Sie im MATLAB-Fenster Aktueller Ordner den Ordner voice-feature-index-database-construction und doppelklicken Sie auf die Datei voiceH6_batch_3_stage_WAV_tt.m , um sie zu öffnen. Diese Datei ist das Hauptverarbeitungsskript.
  5. Konfigurieren und Vorbereiten von Daten.
    1. Der Code im Repository benötigt Audiodateien als Eingabe. Stellen Sie sicher, dass die Audiodateien im .wav- oder PCM-Format vorliegen.
    2. Die Dateipfade für die Audiodateien sind im Repository-Code fest codiert (d. h. sie werden direkt in den Code geschrieben). Ändern Sie die Pfade entsprechend dem Speicherort der lokalen Dateien.
  6. Führen Sie den Code aus.
    1. Klicken Sie nach dem Öffnen der Datei voiceH6_batch_3_stage_WAV_tt.m auf die Schaltfläche Ausführen , oder geben Sie den Dateinamen in das Befehlsfenster ein, um das Skript auszuführen:
      voiceH6_batch_3_stage_WAV_tt.
    2. Das Skript erfordert eine Benutzerinteraktion. MATLAB öffnet eine grafische Oberfläche, in der der Benutzer aufgefordert wird, die entsprechende Audiodatei oder den entsprechenden Ordner auszuwählen. Stellen Sie sicher, dass Sie die Audiodatei oder den Ordner korrekt auswählen, die bzw. der verarbeitet werden soll.
    3. Im Falle von Problemen mit der grafischen Benutzeroberfläche, die beim Ausführen des Skripts in MATLAB einfriert oder nicht angezeigt wird, überprüfen Sie auf mögliche Kompatibilitätsprobleme mit der MATLAB-Version oder stellen Sie sicher, dass die Grafiktreiber des Betriebssystems ordnungsgemäß funktionieren.
  7. Geben Sie die Ergebnisse aus. Suchen Sie nach dem Ausführen nach einer .txt Ausgabedatei, in die das Skript die Ergebnisse der Merkmalsextraktion schreibt. In der Ausgabedatei werden Informationen wie die Ergebnisse der Audio-Feature-Erkennung gespeichert.

4. Datenanalyse

HINWEIS: Nachdem Sie die Datenbank mit Indikatoren für Sprachfunktionen erhalten haben, führen Sie statistische Analysen der Daten durch. Der spezifische methodische Rahmen für die Datenanalyse ist in Tabelle 2 aufgeführt. Die spezifischen Betriebsverfahren sind im Folgenden aufgeführt.

  1. Tests auf Normalität und Homogenität der Varianz
    HINWEIS: Wir haben Tests für Normalität und Homogenität der Varianz an den Indikatoren für Sprachfunktionen durchgeführt, um die geeigneten statistischen Analysemethoden zu bestimmen. Wenn alle Gruppen von Indikatoren sowohl die Annahmen über die Normalität als auch über die Homogenität der Varianz erfüllten, wurde der t-Test für unabhängige Stichproben verwendet. Andernfalls haben wir den Mann-Whitney U-Test angewendet.
    1. Öffnen Sie die Statistiksoftware, klicken Sie auf Datei | Öffnen | Daten, und wählen Sie die Datendatei aus. Stellen Sie sicher, dass die Variablen ordnungsgemäß kategorisiert und in der Datenansicht angezeigt werden.
    2. Navigieren Sie zu Analysieren | Deskriptive Statistik | Erkunden.
    3. Verschieben Sie im Dialogfeld die zu testenden Variablen in das Feld Abhängige Liste .
    4. Klicken Sie auf die Schaltfläche Zeichnungen in der oberen rechten Ecke des Fensters. Wählen Sie im Dialogfeld Normalitätsdiagramme mit Tests aus, und klicken Sie auf Weiter.
    5. Kehren Sie zum Hauptfenster zurück und klicken Sie auf OK , um den Normalitätstest durchzuführen.
    6. Suchen Sie im Ausgabefenster die Tabelle Normalitätstests. Fokussierung auf die Signifikanzwerte (Sig.) des Kolmogorov-Smirnov (K-S-Test) und des Shapiro-Wilk-Tests (S-W-Test). Wenn Sig. > 0,05 beträgt, folgen die Daten einer Normalverteilung . Wenn Sig. ≤ 0,05 beträgt, folgen die Daten keiner Normalverteilung.
    7. Navigieren Sie zu Analysieren | Mittelwerte vergleichen | Einseitige ANOVA.
    8. Verschieben Sie im Dialogfeld die abhängige Variable in das Feld Abhängige Liste und die Gruppierungsvariable (kategoriale Variable) in das Feld Faktor .
    9. Klicken Sie auf die Schaltfläche Optionen auf der rechten Seite des Dialogfelds. Wählen Sie Varianzhomogenitätstest aus und klicken Sie auf Weiter.
    10. Kehren Sie zum Hauptfenster zurück und klicken Sie auf OK , um den Varianzhomogenitätstest durchzuführen.
    11. Suchen Sie im Ausgabefenster die Tabelle Test der Homogenität der Varianzen. Konzentrieren Sie sich auf den Signifikanzwert (Sig.) der Levene-Statistik. Wenn Sig. > 0,05 ist, ist die Annahme der Varianzhomogenität erfüllt. Wenn Sig. ≤ 0,05 beträgt, wird die Annahme der Varianzhomogenität verletzt.
  2. Mann-Whitney U-Test
    HINWEIS: Da die Indikatoren in dieser Studie nicht gleichzeitig den Annahmen der Normalität und der Homogenität der Varianz entsprachen, haben wir den Mann-Whitney U-Test angewendet, um die Unterschiede in den Indikatoren für Sprachsignalmerkmale zwischen der Asthmagruppe und der gesunden Kontrollgruppe zu vergleichen.
    1. Navigieren Sie zu Analysieren | Nichtparametrische Prüfungen | Legacy-Dialogfelder | 2 unabhängige Proben.
    2. Verschieben Sie im Dialogfeld die stetige Variable (abhängige Variable) in das Feld Testvariablenliste und die Gruppierungsvariable (kategoriale Variable) in das Feld Gruppierungsvariable .
    3. Klicken Sie auf Gruppen definieren, geben Sie die beiden Kategorien der Gruppierungsvariablen ein (z. B. "1" und "2") und klicken Sie auf Weiter.
    4. Wählen Sie im Hauptfenster Mann-Whitney U aus. Stellen Sie sicher, dass die Option Exakt deaktiviert ist (wählen Sie diese Option für kleine Stichprobengrößen, um die Genauigkeit zu verbessern). Klicken Sie auf Optionen, wählen Sie Beschreibend aus, und klicken Sie dann auf Weiter.
    5. Kehren Sie zum Hauptfenster zurück und klicken Sie auf OK , um den Mann-Whitney U-Test durchzuführen.
    6. Suchen Sie im Ausgabefenster die Tabelle Test Statistics: Der Mann-Whitney U-Wert stellt die Teststatistik dar. Der Wert für Asymp. Sig. (2-seitig) stellt den p-Wert dar. Wenn p 0,05 >, besteht kein signifikanter Unterschied zwischen den Gruppen; Wenn p ≤ 0,05, besteht ein signifikanter Unterschied zwischen den Gruppen.
    7. Um festzustellen, welche Gruppe höhere Messwerte aufweist, überprüfen Sie die Tabelle "Ränge", in der die mittleren Ränge und Stichprobengrößen für jede Gruppe angezeigt werden.
  3. Hauptkomponenten-Analyse (PCA)
    HINWEIS: Nachdem wir die Differenzindikatoren identifiziert hatten, führten wir eine PCA durch, um die Daten weiter zu analysieren. PCA ist eine Technik zur Reduzierung der Dimensionalität, die die ursprünglichen Daten in einige wenige Hauptkomponenten umwandelt, um wichtige Merkmale zu extrahieren und die Analyse zu vereinfachen. Vor der PCA standardisierte die Statistiksoftware die Daten automatisch, um dimensionale Effekte zu eliminieren.
    1. Navigieren Sie zu Analysieren | Reduzierung der Abmessungen | Faktor.
    2. Verschieben Sie im Dialogfeld alle zu analysierenden Variablen in das Feld Variablen .
    3. Klicken Sie auf die Schaltfläche Deskriptive Elemente, und wählen Sie KMO und Bartlett-Sphärizitätstest aus, um zu überprüfen, ob die Daten für PCA geeignet sind. Klicken Sie auf Weiter.
    4. Legen Sie auf der Registerkarte Extraktion Methode auf Hauptkomponenten fest, wählen Sie Gerölldiagramm aus, um die Anzahl der Hauptkomponenten zu bestimmen, und legen Sie Extrahieren auf Eigenwerte größer als 1 fest. Klicken Sie auf Weiter.
    5. Wählen Sie auf der Registerkarte Rotation die Option Keine aus. Klicken Sie auf Weiter.
    6. Wählen Sie auf der Registerkarte Bewertungen die Option Als Variablen speichern aus, um die Bewertungen der Hauptkomponenten im Datensatz zu speichern.
    7. Kehren Sie zum Hauptfenster zurück und klicken Sie auf OK , um die PCA durchzuführen.
    8. KMO und Bartlett-Test: Ein KMO-Wert ≥ 0,6 bedeutet, dass die Daten für PCA geeignet sind. Ein Bartlett's Test of Sphericity Sig.-Wert < 0,05 weist auf signifikante Korrelationen zwischen Variablen hin, wodurch die Daten für PCA geeignet sind.
    9. Erklärte Gesamtvarianz: Überprüfen Sie die Eigenwerte und die Varianz, die von den einzelnen Hauptkomponenten erklärt werden. Eine kumulative Varianzerklärungsrate von 70 % bis 85 % ist ideal.
    10. Verwenden Sie das Gerölldiagramm , um die Anzahl der Hauptkomponenten zu bestimmen, wobei in der Regel Komponenten vor dem Wendepunkt ausgewählt werden.
    11. Komponentenmatrix oder gedrehte Komponentenmatrix: Überprüfen Sie die Belastungskoeffizienten von Variablen für jede Hauptkomponente. Koeffizienten > 0,5 gelten als signifikante Beiträge.

5. Aufbau der SVM- und RF-Modelle

HINWEIS: Der spezifische methodische Rahmen für die Erstellung von SVM- und RF-Modellen ist in Tabelle 3 aufgeführt. Wir haben die in dieser Studie erstellten SVM- und RF-Modelle zur Asthmaerkennung auf GitHub (https://github.com/Liteng811/Asthma-Detection) hochgeladen. Im Folgenden wird in erster Linie beschrieben, wie Sie den Code von GitHub herunterladen und ausführen.

  1. Klonen Sie das GitHub-Repository.
    1. Öffnen Sie das Befehlszeilentool, und verwenden Sie den folgenden Befehl, um das Repository auf den lokalen Computer zu klonen:
      git clone https://github.com/Liteng811/Asthma-Detection.git
      HINWEIS: Mit diesem Befehl wird der Inhalt des GitHub-Repositorys in das aktuelle Arbeitsverzeichnis heruntergeladen und ein Ordner mit dem Namen Asthma-Detection erstellt.
  2. Installieren Sie Python-, PyCharm- und erforderliche Python-Bibliotheken.
    1. Installieren Sie Python von der offiziellen Python-Website (https://www.python.org/) auf dem Computer.
    2. Installieren Sie nach der Installation von Python die erforderlichen Python-Bibliotheken mit dem folgenden Befehl: pip install -r requirements.txt.
    3. Wenn keine requirements.txt Datei vorhanden ist, installieren Sie die in dieser Studie verwendeten Bibliotheken mit dem folgenden Befehl:
      pip install numpy pandas scikit-learn matplotlib
    4. Stellen Sie sicher, dass Sie PyCharm von der offiziellen PyCharm-Website (https://www.jetbrains.com/pycharm/) installieren.
  3. Zeigen Sie Dateien im Repository an.
    1. Suchen Sie im Repository die Hauptskriptdateien (SVM.py RF.py).
    2. Verwenden Sie einen Texteditor oder PyCharm, um diese Python-Dateien zu öffnen und ihren Inhalt und ihre Struktur zu überprüfen.
  4. Konfigurieren Sie das Dataset.
    1. Für den Code im Repository sind Datendateien erforderlich. Überprüfen Sie, ob die Datendateien vorbereitet wurden und ob ihr Format den Anforderungen des Codes entspricht (.xlsx).
    2. Es gibt hartcodierte Dateipfade im Code. Ändern Sie die Pfade basierend auf dem tatsächlichen Speicherort der Dateien, d. h. ersetzen Sie die Pfade im Code (z. B. C:\Users\1\Desktop\pca-result.xlsx) durch die tatsächlichen Dateipfade auf dem System.
  5. Führen Sie den Code aus.
    1. Nachdem Sie das Hauptskript gefunden haben, verwenden Sie den folgenden Befehl in der Befehlszeile, um den Code auszuführen (am Beispiel von SVM.py ). Wenn das Hauptskript RF.py ist, führen Sie stattdessen das entsprechende Skript aus.
      python SVM.py.
    2. Wechseln Sie beim Ausführen des Codes in das richtige Arbeitsverzeichnis, oder geben Sie das Skript mit dem vollständigen Pfad in der Befehlszeile an. Wenn Sie z. B. python SVM.py in der Befehlszeile ausführen, wechseln Sie entweder zu dem Verzeichnis, das SVM.py enthält, oder verwenden Sie den absoluten Pfad:
      python C:/Pfad/zum/Ihrem/Repository/SVM.py.
    3. Während der Ausführung lädt der Code die Daten, trainiert die Machine Learning-Modelle (SVM oder RF) und gibt Ergebnisse wie Genauigkeit, Konfusionsmatrix und ROC-Kurve aus.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

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

Abschluss des Aufbaus der Datenbank für den Sprachfunktionsindex

In dieser Studie wurden 467 Metriken für Sprachmerkmale durch eine mehrstufige Analyse von Sprachsignalen extrahiert. In der obigen GitHub-URL finden Sie Indikatoren für 467 VoIP-Funktionen. Zu den verwendeten Analysemethoden gehören die Zeitbereichsanalyse, die Frequenzbereichsanalyse, die MFCC-Extraktion und die Transformation von Merkmalen auf der Grundlage diagnostischer Standards der Traditionellen Chinesisc...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

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

In dieser Studie werden nicht-invasive Methoden zur Erkennung von Asthma unter Verwendung von Sprachsignalanalysen und maschinellen Lerntechniken untersucht. Durch das Sammeln von Sprachdaten von 50 Asthmapatienten und 50 gesunden Kontrollpersonen wurden in dieser Studie Modelle unter Verwendung von SVM- und RF-Algorithmen 16,17,18,19,20 erstellt.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

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

Die Autoren haben keine Interessenkonflikte anzugeben.

Danksagungen

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

Diese Studie wurde unterstützt durch das Projekt des National Natural Science Foundation of China Youth Science Fund (Project Approval Number: 82104739) und das Scientific Research Program der Hebei Provincial Administration of Traditional Chinese Medicine (Projektnummer: B2025032). Die Autoren bedanken sich bei allen Lehrern und Schülern, die uns während des Experiments geholfen haben.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
DeviceLieferantModel/VersionBrand
Digital RecorderZOOM Audio StoreH6ZOOM
GitHubOffizielle Website2.47.1.2Git
Matlabhttps://www.mathworks.com/R2024bMathWorks
PycharmOffizielle Website2024.1JetBrains
PythonOffizielle Website3.12Python

Referenzen

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

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

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

Verwandte Artikel