Article de méthode

Recherche sur la détection de l’asthme basée sur le traitement du signal vocal et l’apprentissage automatique

DOI :

10.3791/67742

⸱

22 juillet 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

Dans cet article

Résumé

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

Cette étude a utilisé des méthodes d’analyse du signal vocal et d’apprentissage automatique, en utilisant MATLAB pour extraire des caractéristiques vocales distinctives pour une détection précoce non invasive de l’asthme. Les algorithmes SVM (Support Vector Machine) et RF (Random Forest) ont démontré des performances comparables en termes de précision de classification globale, bien que la SVM puisse atteindre un meilleur équilibre entre sensibilité et spécificité.

Résumé

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

Pour analyser les signaux vocaux et identifier les patients asthmatiques à l’aide de techniques d’analyse des signaux vocaux et d’apprentissage automatique, nous avons collecté des signaux vocaux clairs et à faible bruit auprès de 50 patients asthmatiques et de 50 témoins sains afin de construire une base de données d’analyse. L’étude a mené une analyse multidimensionnelle du signal vocal basée sur MATLAB et a sélectionné des indicateurs de caractéristiques vocales présentant des différences significatives entre les patients asthmatiques et les témoins sains. Après une analyse de réduction de la dimensionnalité sur les caractéristiques phonétiques différentielles, les caractéristiques traitées ont été incorporées dans les recherches ultérieures de modélisation et de classification SVM et RF.

L’étude a établi plus de 400 indicateurs de caractéristiques vocales liés au diagnostic, dont 20 indicateurs ont montré des différences significatives entre les patients asthmatiques et les témoins sains (P < 0,01). Dans l’étude de classification, les modèles SVM et RF ont atteint des taux de précision identiques de 87 % sur l’ensemble de test, avec des valeurs AUC de 0,95 pour le SVM et de 0,93 pour la RF. Cela démontre leurs performances comparables en termes de précision globale de la classification, tandis que la disparité des valeurs AUC suggère que le modèle SVM pourrait réaliser un meilleur compromis entre sensibilité et spécificité. Ainsi, cet article fournit non seulement une nouvelle méthode de détection précoce non invasive de l’asthme, mais jette également les bases d’une application et d’une optimisation ultérieures de cette méthode dans des contextes réels.

Introduction

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

Selon les données de l’étude China Pulmonary Health (CPH), la prévalence de l’asthme chez les adultes chinois est de 4,2 %, les médecins ne diagnostiquant que 28,8 % des patients asthmatiques et à peine 5,6 % recevant un traitement aux corticostéroïdes inhalés. Ces chiffres indiquent un faible taux de diagnostic et de traitement de l’asthme en Chine, soulignant le besoin urgent de sensibiliser et d’attirer l’attention du public et des professionnels de la santé sur l’asthme. Les méthodes de diagnostic actuelles de l’asthme sont variées, y compris l’anamnèse clinique et l’examen physique, les tests de la fonction pulmonaire et la mesure de l’oxyde nitrique expiré fractionné (FeNO), mais chacune a ses limites à des degrés divers 2,3,4. De plus, une surveillance régulière de l’asthme est cruciale pour la gestion de la maladie ; Une surveillance systématique des symptômes et de la fonction pulmonaire peut prévenir efficacement les exacerbations de l’asthme, améliorer la qualité de vie du patient et réduire les visites aux urgences et les hospitalisations 5,6. Cependant, dans la pratique, ces méthodes de diagnostic conventionnelles sont souvent peu pratiques pour les soins de routine en raison de leur coût et de leur complexité.

Compte tenu des circonstances ci-dessus, l’autosurveillance de l’asthme peut jouer un rôle important dans le contrôle de la maladie. Une telle surveillance doit être simple, pratique et précise. À cet égard, la voix offre des avantages distincts. Les patients asthmatiques présentent souvent des différences notables dans les caractéristiques de la voix, notamment une réduction du temps de phonation maximal, des troubles de la voix (tels que l’enrouement, la rugosité et la fatigue vocale) et des différences significatives de fréquence fondamentale et de hauteur par rapport aux individus en bonne santé 7,8,9. Ces différences pourraient servir de méthode potentielle pour l’identification et le suivi de l’asthme.

L’apprentissage automatique a démontré un potentiel significatif dans la détection de l’asthme à l’aide de données vocales. Des études ont montré que les symptômes de l’asthme peuvent être détectés efficacement en analysant les bruits de toux, les bruits respiratoires et d’autres caractéristiques acoustiques pertinentes des patients. Ces techniques, y compris l’apprentissage profond, les réseaux neuronaux et d’autres modèles d’apprentissage automatique, sont capables de reconnaître des modèles de voix caractéristiques et des changements de sons respiratoires chez les patients asthmatiques 10,11,12,13,14,15.

Par rapport aux sons de toux et de respiration, la voix à motif fixe (comme la prononciation des chiffres 1 à 9) peut être plus standardisée et contrôlable. Il facilite également l’extraction de fonctionnalités, contrôle la qualité de la voix et facilite la collecte de données à grande échelle. La machine à vecteurs de support (SVM) démontre une forte capacité de classification lors de la manipulation de données de grande dimension et d’échantillons bruyants, tandis que la forêt aléatoire (RF), avec son excellente robustesse, sa capacité à gérer les relations non linéaires et l’évaluation de l’importance des caractéristiques, gère efficacement les données de caractéristiques vocales complexes 16,17,18,19,20.

Dans cette étude, nous avons utilisé des enregistrements des chiffres « 123456789 » prononcés à un rythme normal et régulier pour extraire les caractéristiques vocales liées à l’asthme. Sur la base de ces caractéristiques, nous avons construit des modèles RF et SVM pour la détection de l’asthme. À l’avenir, ces modèles pourraient être intégrés dans des applications mobiles pour permettre l’identification de l’asthme et le suivi de la progression de la maladie, contribuant ainsi à prévenir les exacerbations de l’asthme.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

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

Le Comité d’éthique de l’Université de médecine chinoise de Pékin et son troisième hôpital affilié ont approuvé cette étude. Tous les participants ont signé un consentement éclairé écrit avant de prendre part. De juillet à août 2024, nous avons recruté 50 patients du département de médecine respiratoire du troisième hôpital affilié de l’Université de médecine chinoise de Pékin. Dans le même temps, nous avons recruté 50 individus en bonne santé comme témoins.

1. Sélection des participants

  1. Définissez les critères d’inclusion suivants.
    1. Parmi les échantillons audio où les locuteurs prononcent les chiffres « 123456789 » à un rythme normal et régulier, sélectionnez ceux avec un faible bruit de fond et une articulation claire.
    2. Assurez-vous que le groupe asthmatique a un diagnostic d’asthme confirmé basé sur des critères cliniques établis par un spécialiste respiratoire, et que le groupe témoin est composé de personnes en bonne santé sans maladies respiratoires ou autres conditions susceptibles d’affecter la qualité de la voix.
    3. Sélectionner des participants âgés de 18 à 75 ans, avec un rapport de masculinité constant entre les groupes.
    4. Obtenir le consentement éclairé écrit de tous les participants à l’étude.
  2. Définissez les critères d’exclusion suivants.
    1. Exclure les participants atteints de maladies respiratoires chroniques telles que la bronchopneumopathie chronique obstructive (MPOC) ou la maladie pulmonaire interstitielle.
    2. Exclure les participants qui ont présenté des infections respiratoires aiguës ou des exacerbations de la maladie au cours des 6 dernières semaines.
    3. Exclure les personnes ayant des antécédents de troubles de la voix, tels que des problèmes de cordes vocales ou une laryngite.
    4. Exclure les participants atteints de troubles neurologiques qui pourraient altérer la voix ou les fonctions cognitives.
    5. Exclure les personnes ayant des déficiences auditives importantes.
    6. Exclure les participants qui n’ont pas respecté le protocole de l’étude ou qui n’ont pas fourni suffisamment d’échantillons audio.
    7. Exclure les personnes qui ne peuvent ou ne veulent pas donner leur consentement éclairé.

2. Conception de l’étude

  1. Enregistrez les participants dans une salle de consultation isolée et calme (bruit ambiant < 30 dB) dans une position assise naturelle et confortable, en maintenant un état détendu (comme le montre la figure 1).
  2. Demandez au personnel (le personnel d’échantillonnage) qui enregistre les participants d’obtenir les informations de base (taille, poids, âge, etc.) des participants enregistrés et de vérifier auprès du médecin si le participant avait un diagnostic d’asthme pur.
  3. Après avoir recueilli les informations de base, demandez au personnel d’échantillonnage de régler le microphone de l’appareil d’enregistrement à une hauteur appropriée, à environ 20-30 cm des lèvres.
  4. Collectez les enregistrements audio à l’aide d’un enregistreur numérique, avec une fréquence d’échantillonnage uniformément réglée sur 44,1 kHz. Calibrez l’appareil avant les sessions d’enregistrement quotidiennes, en veillant à ce que la marge d’erreur soit de ≤±1 dB.
  5. Guidez les participants pour qu’ils lisent à haute voix les chiffres de 1 à 9 dans l’ordre, en maintenant une vitesse de voix naturelle et une articulation claire tout au long de l’enregistrement.
  6. Une fois terminé, enregistrez l’audio dans .wav format.
  7. Supprimez les segments audio anormaux grâce à la détection d’activité vocale (VAD) combinée à une vérification manuelle. Inclure dans l’étude des enregistrements répondant au critère du rapport signal/bruit (SNR) de >20 dB.

3. Construction d’une bibliothèque de fonctionnalités vocales

REMARQUE : La base de données des indicateurs de caractéristiques de la parole est un ensemble de diverses caractéristiques de la parole utilisées pour analyser les différences de parole entre les patients asthmatiques et les personnes en bonne santé, ce qui permet de dépister et de détecter précocement l’asthme. Le cadre méthodologique spécifique à la construction du référentiel de métriques de fonctionnalités vocales est détaillé dans le tableau 1. Entre-temps, le processus de construction de la base de données d’index des caractéristiques vocales pour cette étude a été téléchargé sur GitHub (https://github.com/Liteng811/speech-feature-index-database-construction). Les étapes suivantes décrivent principalement comment télécharger et exécuter le code à partir de GitHub.

  1. Installez MATLAB sur l’ordinateur à partir du site officiel de MathWorks, en sélectionnant la version appropriée pour le système d’exploitation. Vérifiez si MATLAB est correctement installé en démarrant le logiciel MATLAB et en tapant ver dans la fenêtre de commande. S’il est correctement installé, les informations de version de MATLAB s’affichent.
  2. Installez Git à partir du site officiel de Git (https://git-scm.com/). Confirmez l’installation réussie en entrant la commande suivante dans la ligne de commande (invite de commande pour Windows, Terminal pour Mac/Linux) : git --version. Si l’installation est réussie, les informations de version de Git s’affichent.
  3. Clonez le référentiel GitHub.
    1. Ouvrez l’outil de ligne de commande et utilisez la commande suivante pour cloner le référentiel sur l’ordinateur local :
      git clone https://github.com/Liteng811/voice-feature-index-database-construction.git
      REMARQUE : Cette commande téléchargera le contenu du référentiel GitHub dans le répertoire de travail actuel et créera un dossier nommé voice-feature-index-database-construction
    2. Pour accéder à ce dossier afin d’afficher et de gérer le code et les fichiers téléchargés, utilisez la commande :
      cd voice-feature-index-database-construction.
  4. Configurez l’environnement MATLAB.
    1. Lancez le logiciel MATLAB.
    2. Dans MATLAB, cliquez sur le bouton Set Path sous l’onglet Home et sélectionnez Add Folder. Choisissez le dossier voice-feature-index-database-construction qui vient d’être cloné et cliquez sur Enregistrer. Cela permettra à MATLAB de reconnaître et d’exécuter tous les fichiers de script dans ce dossier.
    3. Dans la fenêtre MATLAB Current Folder , localisez le dossier voice-feature-index-database-construction et double-cliquez sur le fichier voiceH6_batch_3_stage_WAV_tt.m pour l’ouvrir. Ce fichier est le script de traitement principal.
  5. Configurer et préparer les données.
    1. Le code du référentiel nécessite des fichiers audio en entrée. Assurez-vous que les fichiers audio sont au format .wav ou .pcm .
    2. Les chemins d’accès aux fichiers audio sont codés en dur dans le code du référentiel (c’est-à-dire qu’ils sont directement écrits dans le code). Modifiez les chemins d’accès en fonction de l’emplacement des fichiers locaux.
  6. Exécutez le code.
    1. Après avoir ouvert le fichier voiceH6_batch_3_stage_WAV_tt.m , cliquez sur le bouton Exécuter ou tapez le nom du fichier dans la fenêtre de commande pour exécuter le script :
      voiceH6_batch_3_stage_WAV_tt.
    2. Le script nécessite une interaction de l’utilisateur. MATLAB affichera une interface graphique pour inviter l’utilisateur à sélectionner le fichier ou le dossier audio correspondant. Assurez-vous de sélectionner correctement le fichier audio ou le dossier à traiter comme vous y êtes invité.
    3. En cas de problème avec l’interface graphique qui se bloque ou ne s’affiche pas lors de l’exécution du script dans MATLAB, vérifiez les problèmes potentiels de compatibilité avec les versions de MATLAB ou assurez-vous que les pilotes graphiques du système d’exploitation fonctionnent correctement.
  7. Produisez les résultats. Après l’exécution, recherchez un fichier de sortie .txt dans lequel le script écrira les résultats de l’extraction de fonctionnalités. Le fichier de sortie enregistrera des informations telles que les résultats de la reconnaissance des caractéristiques audio.

4. Analyse des données

REMARQUE : Après avoir obtenu la base de données des indicateurs de caractéristiques vocales, effectuez des analyses statistiques sur les données. Le cadre méthodologique spécifique à l’analyse des données est détaillé dans le tableau 2. Les procédures opérationnelles spécifiques sont détaillées ci-dessous.

  1. Tests de normalité et d’homogénéité de variance
    REMARQUE : Nous avons effectué des tests de normalité et d’homogénéité de variance sur les indicateurs de caractéristiques vocales afin de déterminer les méthodes d’analyse statistique appropriées. Si tous les groupes d’indicateurs satisfaisaient à la fois aux hypothèses de normalité et d’homogénéité de la variance, le test t d’échantillons indépendants a été utilisé. Sinon, nous avons appliqué le test en U de Mann-Whitney.
    1. Ouvrez le logiciel de statistiques, cliquez sur Fichier | Ouvrir | Data, puis sélectionnez le fichier de données. Assurez-vous que les variables sont correctement classées et affichées dans la vue des données.
    2. Accédez à Analyser | Statistiques descriptives | Explorez.
    3. Dans la boîte de dialogue, déplacez les variables à tester dans le champ Liste dépendante .
    4. Cliquez sur le bouton Tracés dans le coin supérieur droit de la fenêtre. Dans la boîte de dialogue, sélectionnez Tracés de normalité avec tests et cliquez sur Continuer.
    5. Revenez à la fenêtre principale et cliquez sur OK pour effectuer le test de normalité.
    6. Dans la fenêtre de sortie , recherchez la table Tests de normalité. Focus sur les valeurs de signification (Sig.) de Kolmogorov-Smirnov (test K-S) et Shapiro-Wilk (test S-W). Si Sig. > 0,05, les données suivent une distribution normale ; si Sig. ≤ 0,05, les données ne suivent pas une distribution normale.
    7. Accédez à Analyser | Comparer les moyens | ANOVA à sens unique.
    8. Dans la boîte de dialogue, déplacez la variable dépendante dans le champ Liste dépendante et la variable de regroupement (variable catégorielle) dans le champ Facteur .
    9. Cliquez sur le bouton Options sur le côté droit de la boîte de dialogue. Sélectionnez Test d’homogénéité de variance et cliquez sur Continuer.
    10. Revenez à la fenêtre principale et cliquez sur OK pour effectuer le test d’homogénéité de variance.
    11. Dans la fenêtre de sortie , recherchez la table Test d’homogénéité des variances. Focus sur la valeur de signification (Sig.) de la statistique de Levene. Si Sig. > 0,05, l’hypothèse d’homogénéité de la variance est respectée ; si Sig. ≤ 0,05, l’hypothèse d’homogénéité de la variance n’est pas respectée.
  2. Test en U de Mann-Whitney
    REMARQUE : Étant donné que les indicateurs de cette étude ne répondaient pas simultanément aux hypothèses de normalité et d’homogénéité de la variance, nous avons appliqué le test U de Mann-Whitney pour comparer les différences d’indicateurs de caractéristiques du signal vocal entre le groupe asthmatique et le groupe témoin sain.
    1. Accédez à Analyser | Essais non paramétriques | Boîtes de dialogue héritées | 2 échantillons indépendants.
    2. Dans la boîte de dialogue, déplacez la variable continue (variable dépendante) dans le champ Liste des variables de test et la variable de regroupement (variable catégorielle) dans le champ Variable de regroupement .
    3. Cliquez sur Définir les groupes, saisissez les deux catégories de la variable de regroupement (par exemple, « 1 » et « 2 »), puis cliquez sur Continuer.
    4. Dans la fenêtre principale , sélectionnez Mann-Whitney U. Assurez-vous que l’option Exact n’est pas cochée (sélectionnez cette option pour les échantillons de petite taille afin d’améliorer la précision). Cliquez sur Options, sélectionnez Descriptif, puis cliquez sur Continuer.
    5. Revenez à la fenêtre principale et cliquez sur OK pour effectuer le test U de Mann-Whitney.
    6. Dans la fenêtre de sortie , recherchez la table Statistiques de test : la valeur U de Mann-Whitney représente la statistique de test. La valeur Asymp. Sig. (à 2 queues) représente la valeur p. Si p > 0,05, il n’existe pas de différence significative entre les groupes ; Si p ≤ 0,05, il existe une différence significative entre les groupes.
    7. Pour identifier le groupe dont les valeurs de mesure sont les plus élevées, consultez le tableau Rangs, qui affiche les rangs moyens et la taille de l’échantillon pour chaque groupe.
  3. Analyse en composantes principales (ACP)
    REMARQUE : Après avoir identifié les indicateurs différentiels, nous avons effectué une ACP pour analyser davantage les données. L’ACP est une technique de réduction de la dimensionnalité qui transforme les données d’origine en quelques composants principaux afin d’extraire des caractéristiques importantes et de simplifier l’analyse. Avant l’ACP, le logiciel statistique normalisait automatiquement les données pour éliminer les effets dimensionnels.
    1. Accédez à Analyser | Réduction des dimensions | Facteur.
    2. Dans la boîte de dialogue, déplacez toutes les variables à analyser dans le champ Variables .
    3. Cliquez sur le bouton Descriptifs et sélectionnez KMO et le test de sphéricité de Bartlett pour vérifier si les données conviennent à l’ACP. Cliquez sur Continuer.
    4. Dans l’onglet Extraction , définissez Méthode sur Composants principaux, sélectionnez Tracé d’éboulis pour déterminer le nombre de composants principaux, puis Extraire sur Valeurs propres supérieures à 1. Cliquez sur Continuer.
    5. Dans l’onglet Rotation , sélectionnez Aucun. Cliquez sur Continuer.
    6. Dans l’onglet Scores , sélectionnez Enregistrer en tant que variables pour enregistrer les scores des composants principaux dans le jeu de données.
    7. Revenez à la fenêtre principale et cliquez sur OK pour effectuer l’ACP.
    8. KMO et test de Bartlett : Une valeur KMO ≥ 0,6 indique que les données sont adaptées à l’ACP. Une valeur de sig. du test de sphéricité de Bartlett < 0,05 indique des corrélations significatives entre les variables, ce qui rend les données appropriées pour l’ACP.
    9. Explication de la variance totale : examinez les valeurs propres et la variance expliquées par chaque composante principale. Un taux d’explication de la variance cumulative de 70 % à 85 % est idéal.
    10. Utilisez le tracé d’éboulis pour déterminer le nombre de composants principaux, en sélectionnant généralement les composants avant le point d’inflexion.
    11. Matrice de composants ou matrice de composants pivotés : Vérifiez les coefficients de chargement des variables sur chaque composant principal. Les coefficients > 0,5 sont considérés comme des contributions significatives.

5. Construction des modèles SVM et RF

REMARQUE : Le cadre méthodologique spécifique pour la construction des modèles SVM et RF est détaillé dans le Tableau 3. Nous avons téléchargé les modèles SVM et RF pour la détection de l’asthme construits dans cette étude sur GitHub (https://github.com/Liteng811/Asthma-Detection). Ce qui suit décrit principalement comment télécharger et exécuter le code à partir de GitHub.

  1. Clonez le dépôt GitHub.
    1. Ouvrez l’outil de ligne de commande et utilisez la commande suivante pour cloner le référentiel sur l’ordinateur local :
      git clone https://github.com/Liteng811/Asthma-Detection.git
      REMARQUE : Cette commande téléchargera le contenu du référentiel GitHub dans le répertoire de travail actuel et créera un dossier nommé Asthma-Detection.
  2. Installez Python, PyCharm et les bibliothèques Python requises.
    1. Installez Python sur la machine à partir du site officiel de Python (https://www.python.org/).
    2. Après avoir installé Python, installez les bibliothèques Python nécessaires à l’aide de la commande suivante : pip install -r requirements.txt.
    3. S’il n’y a pas de fichier requirements.txt , installez les bibliothèques utilisées dans cette étude à l’aide de la commande suivante :
      pip install numpy pandas scikit-learn matplotlib
    4. Assurez-vous d’installer PyCharm à partir du site officiel de PyCharm (https://www.jetbrains.com/pycharm/).
  3. Afficher les fichiers dans le référentiel.
    1. Dans le référentiel, recherchez les fichiers de script principaux (SVM.py, RF.py).
    2. Utilisez un éditeur de texte ou PyCharm pour ouvrir ces fichiers Python et examiner leur contenu et leur structure.
  4. Configurez le jeu de données.
    1. Le code du référentiel nécessite des fichiers de données. Vérifiez que les fichiers de données ont été préparés et que leur format correspond aux exigences du code (.xlsx).
    2. Il y a des chemins de fichiers codés en dur dans le code. Modifiez les chemins d’accès en fonction de l’emplacement réel des fichiers, c’est-à-dire remplacez les chemins d’accès dans le code (par exemple, C :\Users\1\Desktop\pca-result.xlsx) par les chemins d’accès réels aux fichiers sur le système.
  5. Exécutez le code.
    1. Après avoir trouvé le script principal, utilisez la commande suivante dans la ligne de commande pour exécuter le code (en utilisant SVM.py comme exemple). Si le script principal est RF.py, exécutez le script correspondant à la place.
      python SVM.py.
    2. Lors de l’exécution du code, basculez vers le répertoire de travail approprié ou spécifiez le script à l’aide de son chemin d’accès complet dans la ligne de commande. Par exemple, si vous exécutez python SVM.py dans la ligne de commande, basculez vers le répertoire contenant SVM.py ou utilisez le chemin absolu :
      python C :/chemin/vers/votre/référentiel/SVM.py.
    3. Au cours de l’exécution, le code chargera les données, entraînera les modèles d’apprentissage automatique (SVM ou RF) et produira des résultats tels que la précision, la matrice de confusion et la courbe ROC.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

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

Achèvement de la construction de la base de données d’index des fonctionnalités vocales

Cette étude a permis d’extraire 467 métriques de caractéristiques vocales grâce à une analyse à plusieurs niveaux des signaux vocaux. Consultez l’URL GitHub ci-dessus pour les indicateurs de fonctionnalités vocales 467. Les méthodes analytiques employées comprennent l’analyse dans le domaine temporel, l’analyse dans le domaine fréquentiel, l’extraction MFCC et la transformation des caractér...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

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

Cette étude explore les méthodes non invasives de détection de l’asthme à l’aide de l’analyse des signaux vocaux et de techniques d’apprentissage automatique. En collectant des données vocales auprès de 50 patients asthmatiques et de 50 témoins sains, cette étude a construit des modèles à l’aide d’algorithmes SVM et RF 16,17,18,19,20.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

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

Les auteurs n’ont aucun conflit d’intérêts à déclarer.

Remerciements

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

Cette étude a été financée par le projet du Fonds pour la science de la jeunesse de la Fondation nationale des sciences naturelles de Chine (numéro d’approbation de projet : 82104739) et le programme de recherche scientifique de l’Administration provinciale de la médecine traditionnelle chinoise du Hebei (numéro de projet : B2025032). Les auteurs tiennent à remercier tous les enseignants et les élèves qui ont apporté leur aide pendant l’expérience.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
DeviceSupplierModel/VersionBrand
Digital RecorderZOOM Audio StoreH6ZOOM
GitHubOfficial Website2.47.1.2Git
Matlabhttps://www.mathworks.com/R2024bMathWorks
Site officielPycharm2024.1JetBrains
PythonSite officiel3.12Python

Références

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

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

Voice Feature AnalysisSupport Vector MachineRandom ForestAcoustic SensorsMATLAB AnalysisROC CurveNon Invasive Diagnosis

Articles connexes