Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.

Methodenartikel

Auf maschinellem Lernen basierende Hustentonklassifikation: Diagnostische Erforschung chronisch obstruktiver Lungenerkrankungen und Atemwegsinfektionen

1.1K Aufrufe

⸱

DOI:

10.3791/68222

⸱

19. September 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

* These authors contributed equally

In diesem Artikel

Zusammenfassung

Diese Studie erreichte effektiv die automatisierte Klassifizierung von zwei verschiedenen Kategorien, indem sie Hustengeräuschdaten von Patienten mit chronisch obstruktiver Lungenerkrankung (COPD) und Atemwegsinfektionen (RTI) erfasste, wobei eine Integration von Sprachsignalverarbeitungstechniken und Algorithmen des maschinellen Lernens verwendet wurde.

Zusammenfassung

Ziel dieser Studie war es, eine nicht-invasive Methode zur Unterscheidung von Patienten mit chronisch obstruktiver Lungenerkrankung (COPD) und Patienten mit Atemwegsinfektionen (RTI) mittels Sprachsignalanalyse und maschinellem Lernen zu entwickeln und zu evaluieren. Es wurden Fixed-Pattern-Sprachsignale von 25 COPD-Patienten und 25 RTI-Patienten (die als Kontroll-/Vergleichsgruppe dienten) gesammelt. Eine mehrdimensionale Analyse von Sprachmerkmalen wurde durchgeführt, um Merkmale zu identifizieren, die die beiden Gruppen signifikant unterscheiden. Statistisch signifikante Merkmale wurden ausgewählt und einer Dimensionalitätsreduktion unterzogen. Logistische Regression (LR) und Random Forest (RF) Modelle wurden dann trainiert und auf ihre Klassifikationsleistung bei der Unterscheidung von COPD und RTI hin bewertet. Zunächst wurden über 400 Sprachmerkmale analysiert. Achtzehn Merkmale zeigten hochsignifikante Unterschiede zwischen COPD- und RTI-Patienten (P <; 0,05). Bei der Unterscheidung von COPD-Patienten und RTI-Patienten erreichte das LR-Modell eine Testset-Fläche unter der AUC-Kurve von 0,95 und übertraf damit das RF-Modell deutlich (AUC = 0,76). Diese Studie zeigt die Machbarkeit des Einsatzes von Stimmanalyse und maschinellem Lernen, insbesondere des LR-Modells, als vielversprechendes nicht-invasives Instrument zur Unterscheidung von COPD und RTI. Es bietet eine Grundlage für die praktische Anwendung und weitere Optimierung dieses sprachbasierten Ansatzes in klinischen Umgebungen, die eine Differentialdiagnose von Atemwegserkrankungen erfordern.

Einleitung

Chronisch obstruktive Lungenerkrankung (COPD) und Atemwegsinfektionen tragen weltweit erheblich zur Mortalität und Morbidität bei. COPD ist definiert als eine chronisch entzündliche Erkrankung, die die Atemwege und das Lungenparenchym betrifft und überwiegend durch Rauchen hervorgerufen wird. Sie ist gekennzeichnet durch Symptome wie anhaltenden Husten, Atemnot und vermehrte Sputumproduktion1. Die Weltgesundheitsorganisation geht davon aus, dass COPD bis 2030 die dritthäufigste Todesursache weltweit sein wird und eine erhebliche wirtschaftliche Belastung darstellenwird 2,3. Im Gegensatz dazu machen Atemwegsinfektionen (RTI) etwa 6 % der weltweiten Krankheitslast aus und übertreffen damit die Belastung durch ischämische Herzkrankheiten, HIV-Infektionen, Krebs, Malaria und Durchfallerkrankungen4.

Aufgrund der wesentlichen Ähnlichkeiten in den klinischen Manifestationen der beiden Erkrankungen, insbesondere in der Symptomatik des Hustens, der ein weit verbreitetes Symptom ist, ist eine frühzeitige und genaue Unterscheidung dieser Erkrankungen für eine wirksame Behandlung unerlässlich 5,6. Traditionelle diagnostische Ansätze beruhen überwiegend auf der klinischen Symptombeurteilung, Lungenfunktionstests und Laboranalysen7. Während konventionelle Diagnosemethoden für COPD bei der Identifizierung und Bewertung der Erkrankung wirksam sind, weisen sie in der klinischen Praxis einige Einschränkungen auf. Zu diesen Einschränkungen gehören eine unzureichende diagnostische Genauigkeit, eine begrenzte Fähigkeit zur Früherkennung, ein unzureichendes Verständnis der Heterogenität der Krankheit und ein Mangel an dynamischer Überwachung 8,9,10,11. Im Gegensatz zu herkömmlichen Diagnosemethoden für COPD bietet die Sprachdiagnosetechnologie als aufstrebendes Hilfswerkzeug zahlreiche Vorteile, insbesondere bei der Früherkennung, der nicht-invasiven Diagnose und dem dynamischen Monitoring.

Mit den Fortschritten in der Sprachanalyse, insbesondere der automatisierten Analyse von Hustengeräuschen, zeichnet sich ein Potenzial für schnelle diagnostische Anwendungen ab. Untersuchungen deuten darauf hin, dass Hustengeräusche umfangreiche Informationen über Lungenerkrankungen enthalten, wobei ihre akustischen Merkmale Veränderungen des Gesundheitszustands der Atemwege widerspiegeln12. In jüngster Zeit wurden auf maschinellem Lernen basierende Techniken zur Analyse von Sprachmerkmalen bei der Diagnose von COPD und anderen Erkrankungen eingesetzt, was zu bemerkenswerten Ergebnissen führte 13,14,15. Diese Methoden erleichtern die effektive Klassifizierung von Krankheiten, indem sie Audiomerkmale wie Frequenz, Dauer und Amplitude aus Hustengeräuschen extrahieren und sie mit Algorithmen des maschinellen Lernens zur Mustererkennung integrieren.

Trotz einiger Studien, die das Potenzial der Hustengeräuschanalyse bei der Krankheitsdiagnose untersuchen, bestehen nach wie vor erhebliche Herausforderungen bei der Unterscheidung zwischen COPD-Patienten und solchen mit RTI. Diese Schwierigkeit entsteht aufgrund überlappender Eigenschaften in den Hustengeräuschen beider Gruppen, die durch individuelle Variabilität noch verstärkt werden. Folglich bleibt die Entwicklung von Methoden zur Extraktion präziserer und unterscheidbarerer Merkmale aus Hustengeräuschen ein kritisches Thema in diesem Bereich.

In dieser Studie wird versucht, eine automatisierte Klassifikationsmethode für Hustengeräusche zu untersuchen, indem Audio von 25 Patienten mit COPD und 25 Patienten mit RTI aufgezeichnet wird. Durch die Integration der Sprachmerkmalsanalyse mit Algorithmen des maschinellen Lernens wollen wir die Genauigkeit der Krankheitsdifferenzierung erhöhen und dadurch die frühen diagnostischen Fähigkeiten für COPD und RTI verbessern.

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

Protokoll

Die Ethikkommission der Beijing University of Chinese Medicine und ihres dritten angeschlossenen Krankenhauses hat diese Forschungsstudie genehmigt. Alle Teilnehmer haben ihre schriftliche Einverständniserklärung zur Teilnahme gegeben. Zwischen Juli und August 2024 wurde eine Kohorte von 25 COPD-Patienten aus der Abteilung für Atemwegsmedizin des Dritten angeschlossenen Krankenhauses der Universität für Chinesische Medizin Peking rekrutiert. Gleichzeitig wurde eine Kontrollgruppe bestehend aus 25 Patienten mit typischer oberer RTI zusammengestellt.

1. Auswahl der Teilnehmer

  1. Einschlusskriterien
    1. Wählen Sie die Audio-Samples mit geringen Hintergrundgeräuschen und klarer Artikulation aus.
    2. Stellen Sie sicher, dass eine COPD-Diagnose für die COPD-Gruppe durch klinische Richtlinien vorgeschrieben ist, die von Lungenexperten festgelegt wurden.
      1. Bestätigen Sie die Diagnose durch Spirometrie nach Bronchodilatator (FEV1/FVC < 0,70) gemäß GOLD 2024-Kriterien.
      2. Überprüfung der klinischen Stabilität (keine Exazerbationen ≥ 4 Wochen)
    3. Stellen Sie sicher, dass die Vergleichsgruppe aus Personen besteht, die an einer typischen oberen RTI leiden.
      1. Die Diagnose erfolgt anhand der diagnostischen Kriterien der Diagnose- und Behandlungsleitlinien für Atemwegsinfektionen.
      2. Stellen Sie sicher, dass die Symptome ≤ 72 Stunden auftreten.
      3. Chronische Atemwegserkrankungen in der Vorgeschichte ausschließen.
    4. Beschränken Sie das Alter auf 18-85 Jahre.
    5. Verlangen Sie, dass alle Teilnehmer eine schriftliche Einverständniserklärung zur Teilnahme an der Studie abgeben.
  2. Ausschlusskriterien
    1. Schließen Sie Teilnehmer aus, die Sprachschwierigkeiten haben, wie z. B. Stimmbandstörungen oder Kehlkopfentzündungen.
    2. Schließen Sie Teilnehmer mit neurologischen Erkrankungen aus, die die Sprache oder die kognitiven Funktionen beeinträchtigen können.
    3. Teilnehmer mit erheblichen Hörbeeinträchtigungen ausschließen.
    4. Schließen Sie Teilnehmer aus, die sich nicht an die Studienprotokolle gehalten haben oder keine ausreichende Anzahl von Audioproben zur Verfügung gestellt haben.
    5. Schließen Sie Teilnehmer aus, die nicht in der Lage sind, eine Einwilligungserklärung zu erteilen.

2. Studiendesign

  1. Bringen Sie die Teilnehmer in einen ruhigen, isolierten klinischen Standard-Sprechzimmer (4 m × 5 m Abmessungen), in dem der Außengeräuschpegel unter 30 dB gehalten wird. Lassen Sie sie in einer natürlichen, bequemen Haltung sitzen und in einem entspannten Zustand bleiben.
  2. Dokumentieren Sie akribisch die wesentlichen Details des Teilnehmers, einschließlich Größe, Gewicht, Alter und andere relevante Informationen, und bestätigen Sie seinen aktuellen Gesundheitszustand mit einem Arzt.
  3. Stellen Sie nach Abschluss der ersten Datenaufzeichnung die Höhe des Mikrofons in die entsprechende Position ein, wobei Sie einen Abstand von ca. 20-30 cm zwischen dem Mikrofon und den Lippen des Teilnehmers sicherstellen sollten.
  4. Sammeln Sie die Audioaufnahmen mit einem professionellen, tragbaren Mehrspur-Recorder, dessen Abtastrate einheitlich auf 44,1 kHz eingestellt ist.
    1. Führen Sie die Gerätekalibrierung vor den täglichen Aufnahmesitzungen durch. Halten Sie den GAIN-Regler des Zielkanals 2 s lang gedrückt, bis auf dem Bildschirm CAL und der aktuelle Pegelwert angezeigt werden.
    2. Stellen Sie die Verstärkung auf den Zielwert ein, indem Sie den GAIN-Regler langsam drehen, bis der auf dem Bildschirm angezeigte Eingangspegel genau dem Nennwert des Testtons entspricht. Gewährleistung einer Fehlermarge von ≤±1 dB.
  5. Lassen Sie den Teilnehmer unter Anleitung des Probenahmeteams entsprechend seinem Zustand auf natürliche Weise husten. Erfassen Sie die Hustengeräusche mit Aufnahmegeräten.
  6. Nehmen Sie das Audio als '. WAV'-Dateiformat.
  7. Ungewöhnliche Audiosegmente wurden mithilfe der Sprachaktivitätserkennung (VAD) entfernt, die durch eine manuelle Überprüfung ergänzt wurde. Aufnahmen, die den Schwellenwert für das Signal-Rausch-Verhältnis (SNR) von >20 dB erreichten, wurden in die Studie eingeschlossen.
    HINWEIS: Die vollständige Methodik ist in unserem GitHub-Repository (https://github.com/Liteng811/speech-feature-index-database-construction) verfügbar.

3. Entwicklung des Vocal Feature Repository

HINWEIS: Die Datenbank der Stimmfunktionsindikatoren ist eine Sammlung von akustischen Merkmalen für die vergleichende Analyse von Stimmmustern bei COPD und RTI. Die methodische Architektur ist in Tabelle 1 detailliert dargestellt. Eine Open-Source-Codebasis für die Erstellung wurde implementiert und ist auf GitHub (https://github.com/Liteng811/speech-feature-index-database-construction) zugänglich. In den folgenden Schritten wird der Download und die Ausführung des Codes detailliert beschrieben.

  1. Installieren Sie MATLAB von der offiziellen MathWorks-Website (https://www.mathworks.com/) auf dem Computer. Stellen Sie sicher, dass die entsprechende Version für das Betriebssystem ausgewählt ist. Um zu überprüfen, ob MATLAB korrekt installiert ist, starten Sie die MATLAB-Software und geben Sie ver in das Befehlsfenster ein. Bei ordnungsgemäßer Installation sollten die Versionsinformationen von MATLAB angezeigt werden.
  2. Installieren Sie Git von der offiziellen Git-Website (https://git-scm.com/). Um die erfolgreiche Installation zu bestätigen, geben Sie in der Befehlszeile (Eingabeaufforderung für Windows, Terminal für Mac/Linux) den folgenden Befehl ein: git --version. Wenn Git erfolgreich installiert wurde, werden die Versionsinformationen angezeigt.
  3. Abrufen des Code-Repositorys
    1. Führen Sie über eine Befehlszeilenschnittstelle den Befehl git clone aus, um die Projektdateien auf Ihren lokalen Computer herunterzuladen:
      git clone https://github.com/Liteng811/voice-feature-index-database-construction.git
      HINWEIS: Dieser Vorgang erstellt ein neues Verzeichnis mit dem Namen "voice-feature-index-database-construction" in Ihrem aktuellen Arbeitsverzeichnis, das alle Projektdateien enthält.
    2. Greifen Sie auf den heruntergeladenen Ordner zu, um dessen Inhalt zu verwalten, indem Sie Folgendes ausführen:
      cd voice-feature-index-database-construction.
  4. Einrichtung der MATLAB-Umgebung.
    1. Starten Sie die MATLAB-Anwendung.
    2. Integrieren Sie den Projektordner in den MATLAB-Suchpfad. Navigieren Sie zur Registerkarte Start, klicken Sie auf Pfad festlegen und dann auf Ordner hinzufügen. Wählen Sie das geklonte Verzeichnis voice-feature-index-database-construction aus, und speichern Sie die Änderungen. Dadurch kann MATLAB auf alle notwendigen Skripte zugreifen.
    3. Öffnen Sie im Bereich "Aktueller Ordner " in MATLAB das Hauptverarbeitungsskript (voiceH6_batch_3_stage_WAV_tt.m), indem Sie darauf doppelklicken.
  5. Datenaufbereitung.
    1. Für die Analyse sind Audio-Eingabedateien im .wav- oder PCM-Format erforderlich.
    2. Die Pfade zu diesen Audiodateien sind in den Skripts fest codiert. Aktualisieren Sie diese Pfadvariablen so, dass sie auf die richtigen Speicherorte auf dem lokalen System verweisen.
  6. Ausführung von Skripten.
    1. Wenn das Hauptskript (voiceH6_batch_3_stage_WAV_tt.m) geöffnet ist, starten Sie die Verarbeitung, indem Sie entweder auf die Schaltfläche Ausführen klicken oder den Skriptnamen direkt in das MATLAB-Befehlsfenster eingeben: voiceH6_batch_3_stage_WAV_tt.
    2. Das Skript erfordert eine Benutzerinteraktion. MATLAB zeigt eine grafische Oberfläche an, in der der Benutzer aufgefordert wird, die entsprechende Audiodatei oder den entsprechenden Ordner auszuwählen. Stellen Sie sicher, dass die Audiodatei oder der für die Verarbeitung ausgewählte Ordner mit der Ansage übereinstimmt.
    3. Wenn Probleme mit der grafischen Benutzeroberfläche auftreten, die beim Ausführen des Skripts in MATLAB einfriert oder nicht angezeigt wird, überprüfen Sie 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 Abschluss des Vorgangs nach einer .txt Ausgabedatei, in die das Skript die Ergebnisse der Merkmalsextraktion geschrieben hat. Die Ausgabedatei enthält Informationen wie die Ergebnisse der Audio-Feature-Erkennung.

4. Datenanalyse

HINWEIS: Nach dem Aufbau der Datenbank für Indikatoren für stimmliche Merkmale wurden statistische Analysen durchgeführt. Der analytische Ansatz ist in Tabelle 2 dargestellt. Der Mann-Whitney U-Test wurde verwendet, um Unterschiede in den Sprachsignalmerkmalen zwischen der COPD- und der RTI-Gruppe zu bewerten.

  1. Test auf Mann-Whitney U.
    HINWEIS: Nach dem Abrufen der Indexbibliothek für Sprachfunktionen wurde der Mann-Whitney U-Test mit SPSS 20.0 an den Daten durchgeführt. Der Vorgangsprozess ist wie folgt:
    1. Öffnen Sie SPSS und laden Sie die Datendatei.
    2. Wählen Sie in der Menüleiste die Option > nichtparametrische Tests > Legacy-Dialogfelder analysieren > 2 unabhängige Stichproben .
    3. Gehen Sie im Popup-Dialogfeld wie folgt vor:
      1. Liste der Testvariablen: Wählen Sie die zu vergleichenden Variablen aus (beobachtete Variablen).
      2. Gruppierungsvariable: Wählen Sie die Gruppierungsvariable aus (die Variable, die für die Gruppierung verwendet wird).
      3. Klicken Sie auf die Schaltfläche Gruppen definieren , um die IDs der beiden Gruppen im Popup-Fenster einzugeben (wenn Sie z. B. als "Gruppe 1" und "Gruppe 2" gruppiert sind, geben Sie 1 und 2 ein).
    4. Wählen Sie unter Testtyp den Mann-Whitney-U-Test teilweise aus.
    5. Klicken Sie auf OK, und SPSS generiert automatisch die Ausgabe.
  2. Hauptkomponenten-Analyse (PCA)
    HINWEIS: Nach der Identifizierung statistisch signifikanter Merkmale wurde die Hauptkomponentenanalyse (PCA) für die erweiterte Datenexploration eingesetzt. Diese Technik reduziert die Dimensionalität, indem die ursprünglichen Variablen in einem kleineren Satz zusammengesetzter Komponenten zusammengefasst werden, die wichtige Informationen beibehalten und die Interpretierbarkeit des Datensatzes vereinfachen. Vor der Durchführung der PCA wurden die Daten von der Statistiksoftware automatisch standardisiert, um skalenbedingte Verzerrungen zu mildern. Die Prozedur wurde wie folgt ausgeführt:
    1. Stellen Sie sicher, dass die Daten zusammengestellt, im Excel- oder CSV-Format gespeichert und in SPSS 20.0 importiert wurden.
    2. Wählen Sie Datei > > Daten öffnen und wählen Sie dann die Datei aus, die geöffnet werden soll.
    3. Stellen Sie sicher, dass die fehlenden Werte und Ausreißer in den Daten behandelt werden und dass die Variablen standardisiert sind.
    4. Klicken Sie für die PCA-Analyse in SPSS auf Analysieren > Dimension Reduction > Factor.
    5. Fügen Sie im Dialogfeld alle in PCA verwendeten Variablen zum Feld Variablen hinzu. Bei diesen Variablen handelt es sich in der Regel um kontinuierliche Daten.
    6. Richten Sie die Extraktionsmethode ein.
      1. Klicken Sie im Dialogfeld auf die Schaltfläche Extraktion , und wählen Sie die Methode Hauptkomponenten aus. Standardmäßig extrahiert SPSS genügend Hauptkomponenten, um die Varianz in den Daten zu erklären.
      2. Wählen Sie Eigenwerte größer als 1 als Beibehaltungskriterium aus, was bedeutet, dass nur Hauptkomponenten mit Eigenwerten größer als 1 beibehalten werden, was in der Regel den größten Teil der Varianz erklärt.
    7. Wählen Sie die Rotationsmethode aus und klicken Sie auf Rotation , um entweder Varimax (orthogonale Rotation) oder Promax (schräge Rotation) auszuwählen. Für die meisten Anwendungen ist Varimax eine häufig verwendete Rotationsmethode.
    8. Aktivieren Sie in den Optionen das Scree-Diagramm und die Koeffizientenmatrix , damit das Kiesdiagramm der Hauptkomponenten und die Koeffizientenmatrix jeder Hauptkomponente ausgegeben werden können, um die beibehaltene Varianz beurteilen zu können.
    9. Nachdem Sie alle Optionen eingestellt haben, klicken Sie auf die Schaltfläche OK , und SPSS generiert die Ausgabe.
    10. Interpretation der Ergebnisse.
      1. Interpretieren Sie die Ladematrix der Hauptkomponenten, um Beziehungen zwischen Hauptkomponenten und ursprünglichen Variablen zu identifizieren. Beachten Sie, dass Variablen mit höheren Lastwerten einen größeren Beitrag zu Änderungen erfordern.
      2. Erläutern Sie die Varianz anhand der Tabelle "Erklärte Gesamtvarianz". Beobachten Sie Eigenwerte und Varianzanteile für jede Hauptkomponente. Wählen Sie Hauptkomponenten mit großen Varianzanteilen aus, da sie in der Regel die meisten Datenvariationen erklären.
      3. Verwenden Sie das Scree-Diagramm, um die beibehaltenen Hauptkomponenten zu bestimmen. Identifizieren Sie den eindeutigen Wendepunkt im Diagramm. Behalten Sie die Hauptkomponenten links vom Wendepunkt bei.
      4. Bewertungen der Hauptkomponenten: Aktivieren Sie die Option Als Variablen speichern , wenn die Punktzahl für jede Stichprobe in der Hauptkomponente abgerufen werden muss, und SPSS fügt dem Datensatz die Bewertungen der Hauptkomponente als neue Variablen hinzu.

5. Aufbau des Modells der logistischen Regression (LR) und des Random Forest (RF)

HINWEIS: Der spezifische methodische Rahmen für die Erstellung von LR- und RF-Modellen ist in Tabelle 3 detailliert beschrieben. In der Zwischenzeit wurden die LR- und RF-Modelle in dieser Studie auf GitHub (https://github.com/Liteng811/The-distinction-between-COPD-and-respiratory-infections) hochgeladen. Im Folgenden wird in erster Linie beschrieben, wie Sie den Code von GitHub herunterladen und ausführen. Das RF-Modell wurde mit Python 3.12.3 als primärer Programmiersprache erstellt.

  1. Rufen Sie die Projektcodebasis ab.
    1. Starten Sie ein Terminal oder eine Eingabeaufforderung, und führen Sie den Befehl git clone aus, um das Repository lokal herunterzuladen:
      git clone Die-unterscheidung-zwischen-COPD-und-Atemwegsinfektionen.git Die-Unterscheidung-zwischen-COPD-und-Atemwegsinfektionen.git
      Beachten Sie, dass dieser Befehl alle Repository-Inhalte in Ihr aktuelles Arbeitsverzeichnis abruft und einen neuen Ordner mit dem Titel The-distinction-between-COPD-and-respiratory-infections generiert.
  2. Richten Sie die Programmierumgebung ein.
    1. Laden Sie Python von der offiziellen Distributionsseite (https://www.python.org/) herunter und installieren Sie es.
    2. Verwenden Sie den folgenden Befehl, um alle Python-Abhängigkeiten zu installieren, die in der Anforderungsdatei aufgeführt sind: pip install -r requirements.txt.
    3. Wenn die requirements.txt Datei nicht verfügbar ist, installieren Sie die wesentlichen Bibliotheken manuell, indem Sie Folgendes ausführen:
      pip install numpy pandas scikit-learn matplotlib
    4. Installieren Sie die integrierte Entwicklungsumgebung PyCharm von der offiziellen JetBrains-Website (https://www.jetbrains.com/pycharm/).
  3. Erkunden Sie Repository-Inhalte.
    1. Suchen Sie im Repository die Hauptskriptdateien (LR.py, RF.py).
    2. Öffnen Sie diese Dateien mit einem Code-Editor oder PyCharm, um ihre Implementierung und strukturellen Details zu überprüfen.
  4. Bereiten Sie die Eingabedaten vor.
    1. Stellen Sie sicher, dass das erforderliche Dataset in .xlsx Format verfügbar ist, wie vom Code erwartet, und vor der Ausführung ordnungsgemäß organisiert ist.
    2. Der Code enthält hartcodierte Dateipfade. Aktualisieren Sie diese Pfade, um die tatsächlichen Speicherorte der Dateien widerzuspiegeln, und ersetzen Sie die vorhandenen 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. Sobald Sie das Hauptskript gefunden haben, führen Sie es über die Befehlszeile aus. Um beispielsweise LR.py auszuführen, verwenden Sie: python LR.py
      Wenn das Zielskript RF.py ist, ersetzen Sie den Dateinamen entsprechend.
    2. Stellen Sie vor der Ausführung sicher, dass sich das Terminal im richtigen Arbeitsverzeichnis befindet, oder geben Sie den vollständigen Pfad zum Skript an. Zum Beispiel:
      python C:/Pfad/zum/Ihrem/Repository/LR.py.
    3. Während des Betriebs lädt das Skript das Dataset, trainiert das entsprechende Machine Learning-Modell (LR oder RF) und generiert Leistungsmetriken wie Genauigkeit, Konfusionsmatrix und ROC-Kurve.

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

Ergebnisse

Ergebnisse der Datenanalyse

Die Forschung isolierte erfolgreich über 400 Sprachmerkmalsindizes mit Methoden wie Zeitbereichsanalyse, Frequenzbereichsanalyse, Extraktion des Mel-Frequenz-Cepstralkoeffizienten (MFCC) und Veränderung von Merkmalsindikatoren gemäß der TCM-Diagnose. Die Analyse des Zeitbereichs ist ein entscheidendes Element in der Sprachsignalverarbeitung, wobei der Schwerpunkt auf der direkten Mani...

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

Diskussion

In dieser Studie werden nicht-invasive Methoden zur Erkennung von COPD durch Sprachsignalanalyse und maschinelle Lerntechniken untersucht. Dabei wurden Sprachdaten von 25 COPD-Patienten und 25 Patienten mit RTI gesammelt. Die Modelle wurden unter Verwendung von LR- und RF-Algorithmen erstellt. Beide Modelle zeigten insgesamt eine ähnliche Genauigkeit bei der korrekten Klassifizierung von Proben, doch der Unterschied in den AUC-Werten deutet darauf hin, dass das LR-Modell ein überlegenes ...

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

Offenlegungen

Die Autoren erklären, dass es keine Interessenkonflikte hinsichtlich der Veröffentlichung dieser Studie gibt. Es wurde keine finanzielle oder nicht-finanzielle Unterstützung von einer kommerziellen Organisation erhalten, die die Ergebnisse oder die Interpretation dieser Forschung hätte beeinflussen können. Alle Aspekte der Studie, einschließlich Design, Datenerhebung, Analyse und Manuskriptvorbereitung, wurden unabhängig von externen Einflüssen durchgeführt.

Danksagungen

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
Digitaler RecorderZOOMH6ZOOM Audio Store
GitHubEinguss2.47.1.2Offizielle Website
MatlabMathWorksR2024bOffizielle Website
PycharmJetBrains2024.1Offizielle Website
PythonPython3.12Offizielle Website

Referenzen

  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).

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

Nachdrucke und Genehmigungen

Tags

Diagnostik mittels maschinellem LernenSprachsignalanalyselogistisches RegressionsmodellRandom-Forest-ModellHauptkomponentenanalyseExtraktion von Sprachmerkmalennicht-invasive Diagnose
Auf maschinellem Lernen basierende Hustentonklassifikation: Diagnostische Erforschung chronisch obstruktiver Lungenerkrankungen und Atemwegsinfektionen
Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.