Artículo de método

Investigación sobre la detección del asma basada en el procesamiento de señales de voz y el aprendizaje automático

DOI:

10.3791/67742

⸱

22 de julio de 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

En este artículo

Resumen

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

Este estudio empleó métodos de análisis de señales de voz y aprendizaje automático, utilizando MATLAB para extraer características distintivas de la voz para la detección temprana no invasiva del asma. Los algoritmos Support Vector Machine (SVM) y Random Forest (RF) demostraron un rendimiento comparable en términos de precisión de clasificación general, aunque SVM puede lograr un mejor equilibrio entre sensibilidad y especificidad.

Resumen

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

Para analizar las señales de voz e identificar a los pacientes con asma mediante técnicas de análisis de señales de voz y aprendizaje automático, recopilamos señales de voz claras, de patrón fijo y de bajo ruido de 50 pacientes con asma y 50 controles sanos para construir una base de datos de análisis. La investigación llevó a cabo un análisis multidimensional de la señal de voz basado en MATLAB y seleccionó indicadores de características de voz con diferencias significativas entre los pacientes con asma y los controles sanos. Después del análisis de reducción de dimensionalidad en las características fonéticas diferenciales, las características procesadas se incorporaron a la investigación posterior de modelado y clasificación de SVM y RF.

El estudio estableció más de 400 indicadores de características de voz relacionados con el diagnóstico, de los cuales 20 indicadores mostraron diferencias significativas entre los pacientes con asma y los controles sanos (P < 0,01). En el estudio de clasificación, tanto el modelo SVM como el modelo RF lograron tasas de precisión idénticas del 87% en el conjunto de prueba, con valores de AUC de 0,95 para SVM y 0,93 para RF. Esto demuestra su rendimiento comparable en términos de precisión de clasificación general, mientras que la disparidad en los valores de AUC sugiere que el modelo SVM puede lograr un mejor equilibrio entre sensibilidad y especificidad. Por lo tanto, este documento no solo proporciona un nuevo método para la detección temprana no invasiva del asma, sino que también sienta las bases para una mayor aplicación y optimización de este método en entornos del mundo real.

Introducción

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

Según los datos del estudio China Pulmonary Health (CPH), la prevalencia del asma entre los adultos chinos es del 4,2%, con médicos que diagnostican solo el 28,8% de los pacientes con asma y solo el 5,6% quereciben tratamiento con corticosteroides inhalados. Estas cifras indican una baja tasa de diagnóstico y tratamiento del asma en China, lo que pone de manifiesto la necesidad urgente de aumentar la concienciación y llamar la atención sobre el asma entre el público y los profesionales de la salud. Los métodos diagnósticos actuales para el asma son variados, incluyendo la historia clínica y el examen físico, las pruebas de función pulmonar y la medición fraccional del óxido nítrico exhalado (FeNO), pero cada uno tiene sus limitaciones en diversos grados 2,3,4. Además, el control regular del asma es crucial para el tratamiento de la enfermedad; La monitorización sistemática de los síntomas y de la función pulmonar puede prevenir eficazmente las exacerbaciones del asma, mejorar la calidad de vida del paciente y reducir las visitas a urgencias y las hospitalizaciones 5,6. Sin embargo, en la práctica, estos métodos de diagnóstico convencionales a menudo no son prácticos para la atención de rutina debido a su costo y complejidad.

Dadas las circunstancias anteriores, el autocontrol del asma puede desempeñar un papel importante en el control de la enfermedad. Dicha supervisión debe ser sencilla, cómoda y precisa. En este sentido, la voz ofrece claras ventajas. Los pacientes con asma a menudo exhiben diferencias notables en las características de la voz, incluyendo reducción del tiempo máximo de fonación, trastornos de la voz (como ronquera, aspereza y fatiga vocal) y diferencias significativas en la frecuencia fundamental y el tono en comparación con individuos sanos 7,8,9. Estas diferencias podrían servir como un método potencial para la identificación y el seguimiento del asma.

El aprendizaje automático ha demostrado un potencial significativo en la detección del asma mediante el uso de datos de voz. Los estudios han demostrado que los síntomas del asma se pueden detectar de manera efectiva mediante el análisis de los sonidos de la tos, los sonidos de la respiración y otras características acústicas relevantes de los pacientes. Estas técnicas, incluyendo el aprendizaje profundo, las redes neuronales y otros modelos de aprendizaje automático, son capaces de reconocer patrones de voz característicos y cambios en el sonido respiratorio en pacientes con asma 10,11,12,13,14,15.

En comparación con los sonidos de la tos y la respiración, la voz de patrón fijo (como la pronunciación de los números del 1 al 9) puede ser más estandarizada y controlable. También facilita la extracción de características, controla la calidad de la voz y es más fácil para la recopilación de datos a gran escala. Support Vector Machine (SVM) demuestra una gran capacidad de clasificación cuando se manejan datos de alta dimensión y muestras ruidosas, mientras que Random Forest (RF), con su excelente robustez, capacidad para manejar relaciones no lineales y evaluación de la importancia de las características, gestiona eficazmente datos complejos de características de voz 16,17,18,19,20.

En este estudio, utilizamos grabaciones de los dígitos "123456789" hablados a un ritmo normal y constante para extraer las características de voz relacionadas con el asma. Sobre la base de estas características, construimos modelos de RF y SVM para la detección del asma. En el futuro, estos modelos podrían integrarse en aplicaciones móviles para permitir la identificación del asma y el seguimiento de la progresión de la enfermedad, ayudando así a prevenir las exacerbaciones del asma.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

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

El Comité de Ética de la Universidad de Medicina China de Beijing y su Tercer Hospital Afiliado aprobaron este estudio. Todos los participantes firmaron un consentimiento informado por escrito antes de participar. De julio a agosto de 2024, reclutamos a 50 pacientes del Departamento de Medicina Respiratoria del Tercer Hospital Afiliado de la Universidad de Medicina China de Beijing. Al mismo tiempo, inscribimos a 50 individuos sanos como controles.

1. Selección de participantes

  1. Establezca los siguientes criterios de inclusión.
    1. Entre las muestras de audio en las que los altavoces pronuncian los dígitos "123456789" a un ritmo normal y constante, seleccione aquellas con poco ruido de fondo y articulación clara.
    2. Asegúrese de que el grupo de asma tenga un diagnóstico confirmado de asma basado en criterios clínicos establecidos por un especialista respiratorio, y que el grupo de control esté formado por individuos sanos sin enfermedades respiratorias u otras afecciones que puedan afectar la calidad de la voz.
    3. Seleccionó participantes de entre 18 y 75 años, y la proporción de sexos se mantuvo constante entre los grupos.
    4. Obtener el consentimiento informado por escrito de todos los participantes para el estudio.
  2. Establezca los siguientes criterios de exclusión.
    1. Excluir a los participantes con enfermedades respiratorias crónicas, como la enfermedad pulmonar obstructiva crónica (EPOC) o la enfermedad pulmonar intersticial.
    2. Excluya a los participantes que hayan experimentado infecciones respiratorias agudas o exacerbaciones de la enfermedad en las últimas 6 semanas.
    3. Excluya a las personas con antecedentes de trastornos de la voz, como problemas de las cuerdas vocales o laringitis.
    4. Excluir a los participantes con trastornos neurológicos que puedan afectar la voz o las funciones cognitivas.
    5. Excluir a las personas con deficiencias auditivas significativas.
    6. Excluya a los participantes que no se hayan adherido al protocolo del estudio o que no hayan proporcionado suficientes muestras de audio.
    7. Excluir a las personas que no pueden o no quieren dar su consentimiento informado.

2. Diseño del estudio

  1. Grabe a los participantes en una sala de consulta aislada y silenciosa (ruido ambiental < 30 dB) en una posición sentada natural y cómoda, manteniendo un estado relajado (como se muestra en la Figura 1).
  2. Hacer que el personal (el personal de muestreo) que registra a los participantes obtenga la información básica (altura, peso, edad, etc.) de los participantes registrados y verifique con el médico si el participante tenía un diagnóstico de asma pura.
  3. Después de recopilar la información básica, pida al personal de muestreo que ajuste el micrófono del dispositivo de grabación a una altura adecuada, aproximadamente a 20-30 cm de los labios.
  4. Recoja las grabaciones de audio con una grabadora digital, con la frecuencia de muestreo ajustada uniformemente a 44,1 kHz. Calibre el dispositivo antes de las sesiones de grabación diarias, asegurando un margen de error de ≤±1 dB.
  5. Guíe a los participantes para que lean en voz alta los números del 1 al 9 en secuencia, manteniendo la velocidad natural de la voz y una articulación clara durante toda la grabación.
  6. Al finalizar, guarde el audio en .wav formato.
  7. Elimine segmentos de audio anormales a través de la detección de actividad de voz (VAD) combinada con la verificación manual. Incluya grabaciones que cumplan con el criterio de relación señal-ruido (SNR) de >20 dB en el estudio.

3. Construcción de una biblioteca de funciones de voz

NOTA: La base de datos de indicadores de características del habla es una colección de varias características del habla que se utilizan para analizar las diferencias en el habla entre pacientes con asma y personas sanas, lo que respalda el cribado y la detección tempranos del asma. El marco metodológico específico para construir el repositorio de métricas de características de voz se detalla en la Tabla 1. Mientras tanto, el proceso de construcción de la base de datos del índice de características de voz para este estudio se ha subido a GitHub (https://github.com/Liteng811/speech-feature-index-database-construction). En los siguientes pasos se describirá principalmente cómo descargar y ejecutar el código desde GitHub.

  1. Instale MATLAB en el equipo desde el sitio web oficial de MathWorks, seleccionando la versión adecuada para el sistema operativo. Compruebe si MATLAB está instalado correctamente iniciando el software de MATLAB y escribiendo ver en la ventana de comandos. Si se instala correctamente, aparece la información de la versión de MATLAB.
  2. Instale Git desde el sitio web oficial de Git (https://git-scm.com/). Confirme la instalación correcta ingresando el siguiente comando en la línea de comandos (Símbolo del sistema para Windows, Terminal para Mac/Linux): git --version. Si se instala correctamente, aparece la información de la versión de Git.
  3. Clona el repositorio de GitHub.
    1. Abra la herramienta de línea de comandos y utilice el siguiente comando para clonar el repositorio en el equipo local:
      https://github.com/Liteng811/voice-feature-index-database-construction.git de clones de git
      NOTA: Este comando descargará el contenido del repositorio de GitHub en el directorio de trabajo actual y creará una carpeta llamada voice-feature-index-database-construction
    2. Para navegar a esta carpeta para ver y administrar el código y los archivos descargados, use el comando:
      cd voice-feature-index-database-construction.
  4. Configure el entorno de MATLAB.
    1. Inicie el software de MATLAB.
    2. En MATLAB, haga clic en el botón Set Path (Establecer ruta ) en la pestaña Home (Inicio ) y seleccione Add Folder (Agregar carpeta). Elija la carpeta voice-feature-index-database-construction que se acaba de clonar y haga clic en Guardar. Esto permitirá a MATLAB reconocer y ejecutar todos los archivos de script de esa carpeta.
    3. En la ventana MATLAB Current Folder , localice la carpeta voice-feature-index-database-construction y haga doble clic en el archivo voiceH6_batch_3_stage_WAV_tt.m para abrirlo. Este archivo es el script de procesamiento principal.
  5. Configurar y preparar datos.
    1. El código del repositorio requiere archivos de audio como entrada. Asegúrese de que los archivos de audio estén en formato .wav o .pcm .
    2. Las rutas de los archivos de audio están codificadas en el código del repositorio (es decir, se escriben directamente en el código). Modifique las rutas de acceso de acuerdo con la ubicación de los archivos locales.
  6. Ejecute el código.
    1. Después de abrir el archivo voiceH6_batch_3_stage_WAV_tt.m , haga clic en el botón Ejecutar o escriba el nombre del archivo en la ventana de comandos para ejecutar el script:
      voiceH6_batch_3_stage_WAV_tt.
    2. El script requiere la interacción del usuario. MATLAB abrirá una interfaz gráfica para solicitar al usuario que seleccione el archivo o carpeta de audio correspondiente. Asegúrese de seleccionar correctamente el archivo de audio o la carpeta que se procesará cuando se le solicite.
    3. En caso de que surja algún problema con la interfaz gráfica que se congele o no se muestre al ejecutar el script en MATLAB, compruebe si hay posibles problemas de compatibilidad de versiones de MATLAB o asegúrese de que los controladores de gráficos del sistema operativo funcionen correctamente.
  7. Genere los resultados. Después de ejecutar, busque un archivo de salida .txt en el que el script escribirá los resultados de la extracción de características. El archivo de salida guardará información como los resultados del reconocimiento de características de audio.

4. Análisis de datos

NOTA: Después de obtener la base de datos de indicadores de características de voz, realice análisis estadísticos de los datos. El marco metodológico específico para el análisis de datos se detalla en la Tabla 2. A continuación se detallan los procedimientos operativos específicos.

  1. Pruebas de normalidad y homogeneidad de la varianza
    NOTA: Realizamos pruebas de normalidad y homogeneidad de varianza en los indicadores de características de voz para determinar los métodos de análisis estadístico apropiados. Si todos los grupos de indicadores cumplían con los supuestos de normalidad y homogeneidad de la varianza, se utilizó la prueba t de muestras independientes. De lo contrario, se aplicó la prueba U de Mann-Whitney.
    1. Abra el software estadístico, haga clic en Archivo | Abierto | Datos y seleccione el archivo de datos. Asegúrese de que las variables estén correctamente categorizadas y se muestren en la vista de datos.
    2. Vaya a Analizar | Estadística Descriptiva | Explorar.
    3. En el cuadro de diálogo, mueva las variables que se van a probar al campo Lista de dependientes .
    4. Haga clic en el botón Gráficos en la esquina superior derecha de la ventana. En el cuadro de diálogo, seleccione Trazados de normalidad con pruebas y haga clic en Continuar.
    5. Regrese a la ventana principal y haga clic en Aceptar para realizar la prueba de normalidad.
    6. En la ventana de salida , busque la tabla Pruebas de normalidad. Concéntrese en los valores de significación (Sig.) de Kolmogorov-Smirnov (prueba K-S) y Shapiro-Wilk (prueba S-W). Si Sig. > 0,05, los datos siguen una distribución normal ; si Sig. ≤ 0,05, los datos no siguen una distribución normal.
    7. Vaya a Analizar | Comparar medias | ANOVA de un factor.
    8. En el cuadro de diálogo, mueva la variable dependiente al campo Lista dependiente y la variable de agrupación (variable categórica) al campo Factor .
    9. Haga clic en el botón Opciones en el lado derecho del cuadro de diálogo. Seleccione Prueba de homogeneidad de varianza y haga clic en Continuar.
    10. Regrese a la ventana principal y haga clic en Aceptar para realizar la prueba de homogeneidad de varianza.
    11. En la ventana de salida , busque la tabla Prueba de homogeneidad de varianzas. Concéntrese en el valor de significación (Sig.) del estadístico de Levene. Si Sig. > 0,05, se cumple el supuesto de homogeneidad de la varianza; si Sig. ≤ 0,05, se viola la suposición de homogeneidad de la varianza.
  2. Prueba U de Mann-Whitney
    NOTA: Dado que los indicadores de este estudio no cumplían simultáneamente con los supuestos de normalidad y homogeneidad de la varianza, aplicamos la prueba U de Mann-Whitney para comparar las diferencias en los indicadores de características de la señal de voz entre el grupo de asma y el grupo de control sano.
    1. Vaya a Analizar | Pruebas no paramétricas | Diálogos heredados | 2 muestras independientes.
    2. En el cuadro de diálogo, mueva la variable continua (variable dependiente) al campo Lista de variables de prueba y la variable de agrupación (variable categórica) al campo Variable de agrupación .
    3. Haga clic en Definir grupos, introduzca las dos categorías de la variable de agrupación (por ejemplo, "1" y "2") y haga clic en Continuar.
    4. En la ventana principal , seleccione Mann-Whitney U. Asegúrese de que la opción Exacto esté desactivada (seleccione esta opción para tamaños de muestra pequeños para mejorar la precisión). Haga clic en Opciones, seleccione Descriptivo y, a continuación, haga clic en Continuar.
    5. Regrese a la ventana principal y haga clic en Aceptar para realizar la prueba U de Mann-Whitney.
    6. En la ventana de salida , busque la tabla Estadísticas de prueba: el valor U de Mann-Whitney representa la estadística de prueba. El valor de Asymp. Sig. (2 colas) representa el valor p. Si p > 0,05, no existe diferencia significativa entre los grupos; Si p ≤ 0,05, existe una diferencia significativa entre los grupos.
    7. Para identificar qué grupo tiene valores de medición más altos, consulte la tabla Rangos, que muestra los rangos medios y los tamaños de muestra para cada grupo.
  3. Análisis de componentes principales (PCA)
    NOTA: Después de identificar los indicadores diferenciales, realizamos un PCA para analizar más a fondo los datos. PCA es una técnica de reducción de dimensionalidad que transforma los datos originales en unos pocos componentes principales para extraer características importantes y simplificar el análisis. Antes del PCA, el software estadístico estandarizaba automáticamente los datos para eliminar los efectos dimensionales.
    1. Vaya a Analizar | Reducción de dimensiones | Factor.
    2. En el cuadro de diálogo, mueva todas las variables que se van a analizar al campo Variables .
    3. Haga clic en el botón Descriptivos y seleccione KMO y la prueba de esfericidad de Bartlett para verificar si los datos son adecuados para PCA. Haga clic en Continuar.
    4. En la pestaña Extracción , establezca Método en Componentes principales, seleccione Diagrama de pedregal para determinar el número de componentes principales y establezca Extraer en Valores propios mayores que 1. Haga clic en Continuar.
    5. En la pestaña Rotación , seleccione Ninguno. Haga clic en Continuar.
    6. En la pestaña Puntuaciones , seleccione Guardar como variables para guardar las puntuaciones del componente principal en el conjunto de datos.
    7. Regrese a la ventana principal y haga clic en Aceptar para realizar PCA.
    8. KMO y prueba de Bartlett: Un valor de KMO ≥ 0,6 indica que los datos son adecuados para PCA. Un valor de Sig. de la prueba de esfericidad de Bartlett < 0,05 indica correlaciones significativas entre las variables, lo que hace que los datos sean adecuados para el PCA.
    9. Explicación de la varianza total: Revise los valores propios y la varianza explicada por cada componente principal. Lo ideal es una tasa de explicación de la varianza acumulativa del 70%-85%.
    10. Utilice el diagrama de pedregal para determinar el número de componentes principales, normalmente seleccionando los componentes antes del punto de inflexión.
    11. Matriz de componentes o matriz de componentes rotada: Verifique los coeficientes de carga de las variables en cada componente principal. Los coeficientes > 0,5 se consideran contribuciones significativas.

5. Construcción de los modelos SVM y RF

NOTA: El marco metodológico específico para la construcción de modelos SVM y RF se detalla en la Tabla 3. Hemos subido a GitHub (https://github.com/Liteng811/Asthma-Detection) los modelos SVM y RF para la detección del asma construidos en este estudio. A continuación se describe principalmente cómo descargar y ejecutar el código desde GitHub.

  1. Clona el repositorio de GitHub.
    1. Abra la herramienta de línea de comandos y utilice el siguiente comando para clonar el repositorio en el equipo local:
      https://github.com/Liteng811/Asthma-Detection.git de clones de git
      NOTA: Este comando descargará el contenido del repositorio de GitHub en el directorio de trabajo actual y creará una carpeta llamada Asthma-Detection.
  2. Instale Python, PyCharm y las bibliotecas de Python necesarias.
    1. Instale Python en la máquina desde el sitio web oficial de Python (https://www.python.org/).
    2. Después de instalar Python, instale las bibliotecas de Python necesarias usando el siguiente comando: pip install -r requirements.txt.
    3. Si no hay ningún archivo requirements.txt , instale las bibliotecas utilizadas en este estudio con el siguiente comando:
      pip install numpy pandas scikit-learn matplotlib
    4. Asegúrese de instalar PyCharm desde el sitio web oficial de PyCharm (https://www.jetbrains.com/pycharm/).
  3. Ver archivos en el repositorio.
    1. En el repositorio, localice los archivos de script principales (SVM.py, RF.py).
    2. Utilice un editor de texto o PyCharm para abrir estos archivos de Python y revisar su contenido y estructura.
  4. Configure el conjunto de datos.
    1. El código del repositorio requiere archivos de datos. Compruebe que los archivos de datos se han preparado y que su formato coincide con los requisitos del código (.xlsx).
    2. Hay rutas de archivo codificadas de forma rígida en el código. Modifique las rutas en función de la ubicación real de los archivos, es decir, reemplace las rutas en el código (por ejemplo, C:\Users\1\Desktop\pca-result.xlsx) por las rutas de acceso de archivos reales en el sistema.
  5. Ejecute el código.
    1. Después de encontrar el script principal, use el siguiente comando en la línea de comandos para ejecutar el código (usando SVM.py como ejemplo). Si el script principal es RF.py, ejecute el script correspondiente en su lugar.
      Python SVM.py.
    2. Al ejecutar el código, cambie al directorio de trabajo correcto o especifique el script utilizando su ruta completa en la línea de comandos. Por ejemplo, si se ejecuta python SVM.py en la línea de comandos, cambie al directorio que contiene SVM.py o use la ruta absoluta:
      python C:/ruta/a/tu/repositorio/SVM.py.
    3. Durante la ejecución, el código cargará los datos, entrenará los modelos de aprendizaje automático (SVM o RF) y generará resultados como la precisión, la matriz de confusión y la curva ROC.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

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

Finalización de la construcción de la base de datos del índice de características de voz

Este estudio extrajo con éxito 467 métricas de características de voz a través de un análisis multinivel de señales de voz. Consulte la URL de GitHub anterior para ver los indicadores de características de voz 467. Los métodos analíticos empleados incluyen el análisis en el dominio del tiempo, el análisis en el dominio de la frecuencia, la extracción de MFCC y la transformación de caracter...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

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

Este estudio explora los métodos no invasivos de detección del asma mediante el análisis de señales de voz y técnicas de aprendizaje automático. Mediante la recopilación de datos de voz de 50 pacientes con asma y 50 controles sanos, este estudio construyó modelos utilizando algoritmos SVM y RF 16,17,18,19,20. Ambos modelos dem...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

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

Los autores no tienen conflictos de intereses que declarar.

Agradecimientos

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

Este estudio fue apoyado por el Proyecto del Fondo de Ciencias Juveniles de la Fundación Nacional de Ciencias Naturales de China (Número de aprobación del proyecto: 82104739) y el Programa de Investigación Científica de la Administración Provincial de Medicina Tradicional China de Hebei (Número de proyecto: B2025032). Los autores quieren agradecer a todos los profesores y estudiantes que brindaron asistencia durante el experimento.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
DeviceSupplier>Model/VersionBrand
Digital RecorderZOOM Audio StoreH6ZOOM
GitHubSitio web oficial2.47.1.2Git
Matlabhttps://www.mathworks.com/R2024bMathWorks
web oficialPycharm2024.1JetBrains
PythonSitio web oficial3.12Python
Sitio de

Referencias

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

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

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

Artículos relacionados