Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.

Article de méthode

Classification du tonus de la toux basée sur l’apprentissage automatique : exploration diagnostique de la bronchopneumopathie chronique obstructive et des infections des voies respiratoires

1.1K vues

⸱

DOI :

10.3791/68222

⸱

19 septembre 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

Dans cet article

Résumé

Cette étude a permis de classer automatiquement deux catégories distinctes en acquérant des données sur les sons de la toux de patients diagnostiqués avec une bronchopneumopathie chronique obstructive (MPOC) et des infections des voies respiratoires (RTI), en utilisant une intégration de techniques de traitement du signal vocal et d’algorithmes d’apprentissage automatique.

Résumé

L’objectif de cette étude était de développer et d’évaluer une méthode non invasive pour distinguer les patients atteints de bronchopneumopathie chronique obstructive (BPCO) de ceux atteints d’infections des voies respiratoires (RTI) en utilisant l’analyse du signal vocal et l’apprentissage automatique. Des signaux vocaux fixes ont été recueillis auprès de 25 patients atteints de BPCO et de 25 patients atteints d’ATR (servant de groupe témoin/témoin). Une analyse multidimensionnelle des caractéristiques vocales a été effectuée pour identifier les caractéristiques différenciant significativement les deux groupes. Des caractéristiques statistiquement significatives ont été sélectionnées et soumises à une réduction de dimensionnalité. Les modèles de régression logistique (LR) et de forêt aléatoire (RF) ont ensuite été entraînés et évalués pour la performance de classification afin de distinguer la BPCO de la RTI. Plus de 400 fonctionnalités vocales ont été initialement analysées. Dix-huit caractéristiques ont montré des différences très significatives entre les patients atteints de BPCO et d’ATR (P < ; 0,05). Dans la tâche de distinguer les patients atteints de BPCO des patients RTI, le modèle LR a atteint une aire d’ensemble de test sous la courbe AUC de 0,95, surpassant significativement le modèle RF (AUC = 0,76). Cette étude démontre la faisabilité de l’utilisation de l’analyse vocale et de l’apprentissage automatique, en particulier le modèle LR, comme outil non invasif prometteur pour différencier la BPCO de l’ATR. Il fournit une base pour l’application pratique et l’optimisation ultérieure de cette approche basée sur la voix dans des contextes cliniques nécessitant un diagnostic différentiel des affections respiratoires.

Introduction

La bronchopneumopathie chronique obstructive (BPCO) et les infections des voies respiratoires représentent des facteurs importants de mortalité et de morbidité à l’échelle mondiale. La BPCO est définie comme une maladie inflammatoire chronique affectant les voies respiratoires et le parenchyme pulmonaire, principalement induite par le tabagisme. Il se caractérise par des symptômes tels qu’une toux persistante, une dyspnée et une augmentation de la production d’expectorations1. L’Organisation mondiale de la santé prévoit que d’ici 2030, la MPOC sera la troisième cause de décès dans le monde, ce qui imposera un fardeau économique substantiel 2,3. En revanche, les infections des voies respiratoires (IVR) représentent environ 6 % de la charge mondiale de morbidité, dépassant la charge associée aux cardiopathies ischémiques, à l’infection par le VIH, au cancer, au paludisme et aux maladies diarrhéiques4.

En raison des similitudes substantielles dans les manifestations cliniques des deux maladies, en particulier dans la symptomatologie de la toux, qui est un symptôme répandu, une différenciation précoce et précise entre ces maladies est essentielle pour un traitement efficace 5,6. Les approches diagnostiques traditionnelles reposent principalement sur l’évaluation clinique des symptômes, les tests de la fonction pulmonaire et les analyses de laboratoire7. Bien que les méthodes de diagnostic conventionnelles de la MPOC soient efficaces pour identifier et évaluer la maladie, elles présentent plusieurs limites dans la pratique clinique. Ces limites comprennent une précision diagnostique insuffisante, une capacité limitée de diagnostic précoce, une compréhension insuffisante de l’hétérogénéité de la maladie et un manque de surveillance dynamique 8,9,10,11. Contrairement aux méthodes de diagnostic traditionnelles de la BPCO, la technologie de diagnostic vocal, en tant qu’outil auxiliaire émergent, offre de nombreux avantages, notamment en matière de détection précoce, de diagnostic non invasif et de surveillance dynamique.

Avec les progrès de l’analyse de la parole, en particulier l’analyse automatisée des sons de la toux, il existe un potentiel émergent pour des applications de diagnostic rapide. La recherche indique que les sons de la toux renferment des informations détaillées sur les maladies pulmonaires, leurs caractéristiques acoustiques reflétant des altérations de l’état de santé des voies respiratoires12. Récemment, des techniques basées sur l’apprentissage automatique pour l’analyse des caractéristiques de la parole ont été utilisées pour diagnostiquer la BPCO et d’autres conditions, ce qui a donné des résultats notables 13,14,15. Ces méthodologies facilitent la classification efficace des maladies en extrayant des caractéristiques audio des sons de la toux, telles que la fréquence, la durée et l’amplitude, et en les intégrant à des algorithmes d’apprentissage automatique pour la reconnaissance des formes.

Malgré certaines études portant sur le potentiel de l’analyse des sons de la toux dans le diagnostic de la maladie, des défis importants persistent pour différencier les patients atteints de MPOC et ceux atteints d’IVR. Cette difficulté est due au chevauchement des caractéristiques des sons de toux des deux groupes, aggravées par la variabilité individuelle. Par conséquent, le développement de méthodes permettant d’extraire des caractéristiques plus précises et plus distinctives des sons de la toux reste un enjeu critique dans ce domaine.

Cette étude vise à étudier une méthode de classification automatisée des sons de toux en enregistrant l’audio de 25 patients diagnostiqués avec une BPCO et de 25 patients avec RTI. En intégrant l’analyse des caractéristiques de la parole à des algorithmes d’apprentissage automatique, nous visons à améliorer la précision de la différenciation des maladies, améliorant ainsi les capacités de diagnostic précoce de la BPCO et de l’IVR.

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

Protocole

Le Comité d’éthique de l’Université de médecine chinoise de Pékin et de son troisième hôpital affilié a approuvé cette étude. Tous les participants ont fourni leur consentement éclairé écrit pour participer. Entre juillet et août 2024, une cohorte de 25 patients atteints de BPCO a été recrutée dans le département de médecine respiratoire du troisième hôpital affilié de l’Université de médecine chinoise de Pékin. Simultanément, un groupe témoin composé de 25 patients atteints d’une infection respiratoire supérieure typique a également été constitué.

1. Sélection des participants

  1. Critères d’inclusion
    1. Sélectionnez les échantillons audio avec un faible bruit de fond et une articulation claire.
    2. Assurez-vous que le diagnostic de MPOC pour le groupe MPOC est prescrit par des lignes directrices cliniques établies par des experts en pneumologie.
      1. Confirmer le diagnostic par spirométrie post-bronchodilatatrice (VEMS1/CVF < 0,70) selon les critères GOLD 2024.
      2. Vérifier la stabilité clinique (aucune exacerbation ≥ 4 semaines)
    3. Assurez-vous que le groupe témoin comprend des personnes souffrant d’un RTI supérieur typique.
      1. Diagnostiquer à l’aide des critères diagnostiques des Lignes directrices pour le diagnostic et le traitement des maladies infectieuses respiratoires.
      2. S’assurer que le temps d’apparition des symptômes ≤ 72 h.
      3. Exclure les antécédents de maladies respiratoires chroniques.
    4. Limiter l’âge à 18-85 ans.
    5. Demandez à tous les participants de fournir un consentement éclairé écrit pour participer à l’étude.
  2. Critères d’exclusion
    1. Excluez les participants qui éprouvent des difficultés d’élocution, comme des troubles des cordes vocales ou une laryngite.
    2. Exclure les participants atteints de troubles neurologiques susceptibles d’altérer la parole ou les fonctions cognitives.
    3. Exclure les participants ayant des déficiences auditives importantes.
    4. Exclure les participants qui n’ont pas respecté les protocoles de l’étude ou qui n’ont pas fourni un nombre suffisant d’échantillons audio.
    5. Exclure les participants qui ne sont pas en mesure de fournir un consentement éclairé.

2. Conception de l’étude

  1. Déplacer les participants dans une salle de consultation clinique standard calme et isolée (dimensions 4 m × 5 m), avec des niveaux de bruit extérieur inférieurs à 30 dB. Faites-les s’asseoir dans une posture naturelle et confortable et restez dans un état détendu.
  2. Documentez méticuleusement les détails essentiels du participant, y compris la taille, le poids, l’âge et d’autres informations pertinentes, et confirmez son état de santé actuel avec un médecin.
  3. Une fois l’enregistrement initial des données terminé, ajustez la hauteur du microphone à la position appropriée, en veillant à ce qu’il y ait une distance d’environ 20 à 30 cm entre le microphone et les lèvres du participant.
  4. Collectez les enregistrements audio à l’aide d’un enregistreur multipiste portable professionnel, avec une fréquence d’échantillonnage uniformément réglée sur 44,1 kHz.
    1. Effectuez l’étalonnage de l’appareil avant les sessions d’enregistrement quotidiennes. Appuyez sur le bouton GAIN du canal cible et maintenez-le enfoncé pendant 2 s jusqu’à ce que l’écran affiche CAL et la valeur du niveau actuel.
    2. Ajustez le gain à la valeur cible en tournant lentement le bouton GAIN jusqu’à ce que le niveau d’entrée affiché à l’écran corresponde précisément à la valeur nominale de la tonalité de test. Assurer une marge d’erreur de ≤±1 dB.
  5. Sous la direction de l’équipe d’échantillonnage, laissez le participant tousser naturellement en fonction de son état. Capturez les sons de la toux à l’aide d’appareils d’enregistrement.
  6. Enregistrez l’audio sous la forme '. WAV.
  7. Les segments audio anormaux ont été supprimés à l’aide de la détection de l’activité vocale (VAD) complétée par une vérification manuelle. Les enregistrements qui atteignaient le seuil du rapport signal/bruit (SNR) de >20 dB ont été inclus dans l’étude.
    REMARQUE : La méthodologie complète est disponible dans notre référentiel GitHub (https://github.com/Liteng811/speech-feature-index-database-construction).

3. Développement du référentiel de fonctionnalités vocales

REMARQUE : La base de données des indicateurs de caractéristiques vocales est un ensemble de caractéristiques acoustiques pour l’analyse comparative des modèles vocaux dans la MPOC par rapport à l’ITR. L’architecture méthodologique est détaillée dans le tableau 1. Une base de code open-source pour sa construction a été implémentée et est accessible sur GitHub (https://github.com/Liteng811/speech-feature-index-database-construction). Les étapes ci-dessous détaillent le téléchargement et l’exécution du code.

  1. Installez MATLAB sur l’ordinateur à partir du site officiel de MathWorks (https://www.mathworks.com/). Assurez-vous que la version appropriée pour le système d’exploitation est sélectionnée. Pour vérifier que MATLAB est correctement installé, démarrez le logiciel MATLAB et tapez ver dans la fenêtre de commande. S’il est correctement installé, les informations de version de MATLAB devraient apparaître.
  2. Installez Git à partir du site officiel de Git (https://git-scm.com/). Pour confirmer la réussite de l’installation, entrez la commande suivante dans la ligne de commande (invite de commande pour Windows, Terminal pour Mac/Linux) : git --version. Si Git a été installé avec succès, les informations de version seront affichées.
  3. Récupérer le référentiel de code
    1. À l’aide d’une interface de ligne de commande, exécutez la commande git clone pour télécharger les fichiers de projet sur votre machine locale :
      git clone https://github.com/Liteng811/voice-feature-index-database-construction.git
      REMARQUE : Cette opération crée un nouveau répertoire nommé « voice-feature-index-database-construction » dans votre répertoire de travail actuel, contenant tous les fichiers du projet.
    2. Accédez au dossier téléchargé pour gérer son contenu en exécutant :
      cd voice-feature-index-database-construction.
  4. Configuration de l’environnement MATLAB.
    1. Démarrez l’application MATLAB.
    2. Intégrez le dossier du projet dans le chemin de recherche MATLAB. Accédez à l’onglet Accueil , cliquez sur Définir le chemin d’accès, puis sur Ajouter un dossier. Sélectionnez le répertoire cloné voice-feature-index-database-construction et enregistrez les modifications. Cela permet à MATLAB d’accéder à tous les scripts nécessaires.
    3. Depuis le panneau Current Folder de MATLAB, ouvrez le script de traitement principal (voiceH6_batch_3_stage_WAV_tt.m) en double-cliquant dessus.
  5. Préparation des données.
    1. L’analyse nécessite des fichiers audio d’entrée au format .wav ou .pcm .
    2. Les chemins d’accès à ces fichiers audio sont codés en dur dans les scripts. Mettez à jour ces variables de chemin d’accès pour qu’elles pointent vers les emplacements corrects sur le système local.
  6. Exécution du script.
    1. Avec le script principal (voiceH6_batch_3_stage_WAV_tt.m) ouvert, lancez le traitement en cliquant sur le bouton Exécuter ou en tapant le nom du script directement dans la fenêtre de commande MATLAB : voiceH6_batch_3_stage_WAV_tt.
    2. Le script nécessite une interaction avec l’utilisateur. MATLAB affichera une interface graphique invitant l’utilisateur à choisir le fichier ou le dossier audio approprié. Assurez-vous que le fichier audio ou le dossier sélectionné pour le traitement correspond à l’invite.
    3. Si vous rencontrez des problèmes de blocage ou d’affichage de l’interface graphique lors de l’exécution du script dans MATLAB, vérifiez les problèmes de compatibilité potentiels avec la version de MATLAB ou assurez-vous que les pilotes graphiques du système d’exploitation fonctionnent correctement.
  7. Produisez les résultats. Une fois l’opération terminée, recherchez un fichier de sortie .txt dans lequel le script aura écrit les résultats de l’extraction des fonctionnalités. Le fichier de sortie contiendra des informations telles que les résultats de la reconnaissance des fonctions audio.

4. Analyse des données

REMARQUE : Suite à l’assemblage de la base de données des indicateurs de caractéristiques vocales, des analyses statistiques ont été effectuées. L’approche analytique est décrite dans le tableau 2. Le test U de Mann-Whitney a été utilisé pour évaluer les différences dans les caractéristiques du signal vocal entre les groupes BPCO et RTI.

  1. Test pour l’Université Mann-Whitney
    REMARQUE : Après l’obtention de la bibliothèque d’index des caractéristiques vocales, le test U de Mann-Whitney a été effectué sur les données à l’aide de SPSS 20.0. Le processus de fonctionnement est le suivant :
    1. Ouvrez SPSS et chargez le fichier de données.
    2. Sélectionnez Analyser > tests non paramétriques > boîtes de dialogue héritées > 2 échantillons indépendants dans la barre de menus.
    3. Dans la boîte de dialogue contextuelle :
      1. Liste des variables de test : Sélectionnez les variables à comparer (variables observées).
      2. Variable de regroupement : Sélectionnez la variable de regroupement (la variable qui sera utilisée pour le regroupement).
      3. Cliquez sur le bouton Définir les groupes pour saisir les identificateurs des deux groupes dans la fenêtre contextuelle (par exemple, s’ils sont regroupés comme « Groupe 1 » et « Groupe 2 », entrez 1 et 2).
    4. Dans le type de test, sélectionnez partiellement le test U de Mann-Whitney .
    5. Cliquez sur OK et SPSS générera automatiquement la sortie.
  2. Analyse en composantes principales (ACP)
    REMARQUE : À la suite de l’identification de caractéristiques statistiquement significatives, l’analyse en composantes principales (ACP) a été utilisée pour l’exploration avancée des données. Cette technique réduit la dimensionnalité en condensant les variables d’origine en un ensemble plus petit de composants composites qui préservent les informations critiques et simplifient l’interprétabilité de l’ensemble de données. Avant d’effectuer l’ACP, les données étaient automatiquement normalisées par le logiciel statistique afin d’atténuer les biais liés à l’échelle. La procédure s’est déroulée comme suit :
    1. Assurez-vous que les données ont été compilées, enregistrées au format Excel ou CSV et importées dans SPSS 20.0.
    2. Sélectionnez Fichier > Ouvrir > données, puis sélectionnez le fichier à ouvrir.
    3. Assurez-vous que les valeurs manquantes et les valeurs aberrantes dans les données sont gérées et que les variables sont normalisées.
    4. Pour l’analyse ACP dans SPSS, cliquez sur Analyser > facteur de réduction de dimension >.
    5. Dans la boîte de dialogue, ajoutez toutes les variables utilisées dans l’ACP dans le champ Variables . Ces variables sont généralement des données continues.
    6. Configurez la méthode d’extraction.
      1. Dans la boîte de dialogue, cliquez sur le bouton Extraction (Extraction ) et sélectionnez la méthode Composants principaux (Principal Components ). Par défaut, SPSS extrait suffisamment de composants principaux pour expliquer la variance des données.
      2. Sélectionnez Valeurs propres supérieures à 1 comme critère de rétention, ce qui signifie que seuls les composants principaux dont les valeurs propres sont supérieures à 1 sont conservés, ce qui explique généralement la majeure partie de la variance.
    7. Sélectionnez la méthode de rotation et cliquez sur Rotation pour choisir Varimax (rotation orthogonale) ou Promax (rotation oblique). Pour la plupart des applications, Varimax est une méthode de rotation couramment utilisée.
    8. Dans les options, vérifiez le diagramme d’éboulis et la matrice des coefficients afin que le diagramme de gravier des composantes principales et la matrice des coefficients de chaque composante principale puissent être générés pour aider à juger de la variance retenue.
    9. Après avoir défini toutes les options, cliquez sur le bouton OK et SPSS générera la sortie.
    10. Interprétation des résultats.
      1. Interprétez la matrice de chargement des composantes principales pour identifier les relations entre les composantes principales et les variables d’origine. Notez que les variables avec des valeurs de charge plus élevées nécessitent une plus grande contribution aux changements.
      2. Expliquez l’écart à l’aide du tableau « Écart total expliqué ». Observez les valeurs propres et les proportions de variance pour chaque composante principale. Sélectionnez les composantes principales avec de grandes proportions de variance, car elles expliquent généralement la plupart des variations de données.
      3. Utilisez le tracé d’éboulis pour déterminer les composantes principales conservées. Identifiez le point d’inflexion clair dans le graphique. Conservez les composants principaux à gauche du point d’inflexion.
      4. Scores des composantes principales : cochez la case Enregistrer en tant que variables si le score de chaque échantillon sur la composante principale doit être obtenu, et SPSS ajoutera les scores des composantes principales à l’ensemble de données en tant que nouvelles variables.

5. Construire le modèle de régression logistique (LR) et de forêt aléatoire (RF)

REMARQUE : Le cadre méthodologique spécifique à la construction des modèles LR et RF est détaillé dans le Tableau 3. Entre-temps, les modèles LR et RF de cette étude ont été téléchargés sur GitHub (https://github.com/Liteng811/The-distinction-between-COPD-and-respiratory-infections). Ce qui suit décrit principalement comment télécharger et exécuter le code à partir de GitHub. Le modèle RF a été construit en utilisant Python 3.12.3 comme langage de programmation principal.

  1. Obtenir la base de code du projet.
    1. Lancez un terminal ou une invite de commande et exécutez la commande git clone pour télécharger le dépôt localement :
      git clone La-distinction-entre-la-BPCO-et-les-infections-respiratoires.git La-distinction-entre-BPCO-et-infections-respiratoires.git
      Notez que cette commande récupère tout le contenu du référentiel dans votre répertoire de travail actuel, générant un nouveau dossier intitulé The-distinction-between-COPD-and-respiratory-infections.
  2. Configurez l’environnement de programmation.
    1. Téléchargez et installez Python à partir du site de distribution officiel (https://www.python.org/).
    2. Utilisez la commande ci-dessous pour installer toutes les dépendances Python listées dans le fichier d’exigences : pip install -r requirements.txt.
    3. Si le fichier requirements.txt n’est pas disponible, installez manuellement les bibliothèques essentielles en exécutant :
      pip install numpy pandas scikit-learn matplotlib
    4. Installez l’environnement de développement intégré PyCharm à partir du site Web officiel de JetBrains (https://www.jetbrains.com/pycharm/).
  3. Explorer le contenu du référentiel.
    1. Dans le référentiel, recherchez les fichiers de script principaux (LR.py, RF.py).
    2. Ouvrez ces fichiers à l’aide d’un éditeur de code ou de PyCharm pour examiner leur implémentation et les détails structurels.
  4. Préparez les données d’entrée.
    1. Assurez-vous que le jeu de données requis est disponible dans .xlsx format, comme prévu par le code, et correctement organisé avant l’exécution.
    2. Le code contient des chemins d’accès aux fichiers codés en dur. Mettez à jour ces chemins pour refléter les emplacements réels des fichiers, en remplaçant efficacement les chemins existants dans le code (par exemple, C :\Users\1\Desktop\pca-result.xlsx) par les chemins d’accès aux fichiers réels sur le système.
  5. Exécutez le code.
    1. Une fois le script principal localisé, exécutez-le via la ligne de commande. Par exemple, pour exécuter LR.py, utilisez : python LR.py
      Si le script cible est RF.py, remplacez-le en conséquence.
    2. Avant l’exécution, assurez-vous que le terminal se trouve dans le répertoire de travail correct ou spécifiez le chemin d’accès complet au script. Par exemple:
      python C :/chemin/vers/votre/référentiel/LR.py.
    3. Pendant le fonctionnement, le script charge l’ensemble de données, entraîne le modèle d’apprentissage automatique correspondant (LR ou RF) et génère des mesures de performance, notamment la précision, la matrice de confusion et la courbe ROC.

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

Résultats

Résultats de l’analyse des données

La recherche a réussi à isoler plus de 400 indices de caractéristiques de la parole à l’aide de méthodes telles que l’analyse dans le domaine temporel, l’analyse dans le domaine fréquentiel, l’extraction du coefficient cepstral de fréquence Mel (MFCC) et la modification des indicateurs de caractéristiques en fonction du diagnostic de la MTC. L’analyse du domaine temporel est un...

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

Discussion

Cette étude examine des méthodes non invasives pour détecter la BPCO par l’analyse des signaux vocaux et des techniques d’apprentissage automatique. Il s’agissait de collecter des données vocales auprès de 25 patients atteints de BPCO et de 25 patients atteints de RTI. Les modèles ont été construits à l’aide d’algorithmes LR et RF. Les deux modèles ont montré une précision similaire dans la classification correcte des échantillons dans l’ensemble, mais la différence entre les valeurs AUC...

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

Déclarations de divulgation

Les auteurs ne déclarent aucun conflit d’intérêts concernant la publication de cette étude. Aucun soutien financier ou non financier n’a été reçu d’une organisation commerciale qui aurait pu influencer les résultats ou l’interprétation de cette recherche. Tous les aspects de l’étude, y compris la conception, la collecte de données, l’analyse et la préparation du manuscrit, ont été menés indépendamment de toute influence extérieure.

Remerciements

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
Magnétophone numériqueZOOMH6Magasin audio ZOOM
GitHubGit2.47.1.2Site officiel
MatlabMathWorksR2024bSite officiel
PycharmJetBrains2024.1Site officiel
PythonPython3.12Site officiel

Références

  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).

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

Réimpressions et autorisations

Étiquettes

Diagnostics par apprentissage automatiqueAnalyse du signal vocalModèle de régression logistiqueModèle de forêt aléatoireAnalyse en composantes principalesExtraction de caractéristiques vocalesDiagnostic non invasif
Classification du tonus de la toux basée sur l’apprentissage automatique : exploration diagnostique de la bronchopneumopathie chronique obstructive et des infections des voies respiratoires
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d’utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.