Name: Classification du tonus de la toux basée sur l’apprentissage automatique : exploration diagnostique de la bronchopneumopathie chronique obstructive et des infections des voies respiratoires (Vidéo) | JoVE Journal
Uploaded: 2025-09-19T13:45:00.000+00:00
Duration: 6 min 22 s
Description: Découvrez l'analyse acoustique par apprentissage automatique pour classifier la BPCO et les infections respiratoires. Cette méthode non invasive utilise les réseaux de neurones convolutifs et les machines à vecteurs de support pour diagnostiquer précocement les maladies respiratoires.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

<ol><li>Roth, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pathogenesis+of+COPD.+Part+III.+Inflammation+in+COPD%5BTitle%5D)+AND+%22Int+J+Tuberc+Lung+Dis%22%5BJournal%5D)">Pathogenesis of COPD. Part III. Inflammation in COPD.</a> Int J Tuberc Lung Dis. 12 (4), 375-380 (2008).</li>
<li>Alsayari, A., Muhsinah, A. B., Almaghaslah, D., Annadurai, S., Wahab, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pharmacological+efficacy+of+ginseng+against+respiratory+tract+infections%5BTitle%5D)+AND+%22Molecules%22%5BJournal%5D)">Pharmacological efficacy of ginseng against respiratory tract infections.</a> Molecules. 26 (13), 4095(2021).</li>
<li>Iheanacho, I., Zhang, S., King, D., Rizzo, M., Ismaila, A. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Economic+burden+of+chronic+obstructive+pulmonary+disease+%28COPD%29%3A+A+systematic+literature+review%5BTitle%5D)+AND+%22Int+J+Chron+Obstruct+Pulmon+Dis%22%5BJournal%5D)">Economic burden of chronic obstructive pulmonary disease (COPD): A systematic literature review.</a> Int J Chron Obstruct Pulmon Dis. 15, 439-460 (2020).</li>
<li>Al Rajeh, A. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Acute+upper+respiratory+tract+infections+admissions+in+England+and+Wales%5BTitle%5D)+AND+%22Medicine+%28Baltimore%29%22%5BJournal%5D)">Acute upper respiratory tract infections admissions in England and Wales.</a> Medicine (Baltimore). 102 (21), e33616(2023).</li>
<li>Lieberman, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pneumonic+vs+nonpneumonic+acute+exacerbations+of+COPD%5BTitle%5D)+AND+%22Chest%22%5BJournal%5D)">Pneumonic vs nonpneumonic acute exacerbations of COPD.</a> Chest. 122 (4), 1264-1270 (2002).</li>
<li>Hassan Naqvi, S. Z., Choudhry, M. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Embedded+system+design+for+classification+of+COPD+and+pneumonia+patients+by+lung+sound+analysis%5BTitle%5D)+AND+%22Biomed+Tech+%28Berl%29%22%5BJournal%5D)">Embedded system design for classification of COPD and pneumonia patients by lung sound analysis.</a> Biomed Tech (Berl). 67 (3), 201-218 (2022).</li>
<li>Rennard, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Introducing+the+COPD+Foundation+Guide+for+Diagnosis+and+Management+of+COPD%2C+recommendations+of+the+COPD+Foundation%5BTitle%5D)+AND+%22COPD%22%5BJournal%5D)">Introducing the COPD Foundation Guide for Diagnosis and Management of COPD, recommendations of the COPD Foundation.</a> COPD. 10 (3), 378-389 (2013).</li>
<li>Spyratos, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((false+diagnosis+and+treatment+of+COPD+in+a+selected+population+in+Northern+Greece%5BTitle%5D)+AND+%22Eur+J+Gen+Pract%22%5BJournal%5D)">false diagnosis and treatment of COPD in a selected population in Northern Greece.</a> Eur J Gen Pract. 27 (1), 97-102 (2021).</li>
<li>Azleen, A., Wilkinson, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Early+COPD%3A+current+evidence+for+diagnosis+and+management%5BTitle%5D)+AND+%22Ther+Adv+Respir+Dis%22%5BJournal%5D)">Early COPD: current evidence for diagnosis and management.</a> Ther Adv Respir Dis. 14, 1753466620942128(2020).</li>
<li>Kostikas, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Clinical+impact+and+healthcare+resource+utilization+associated+with+early+versus+late+COPD+diagnosis+in+patients+from+UK+CPRD+database%5BTitle%5D)+AND+%22Int+J+Chron+Obstruct+Pulmon+Dis%22%5BJournal%5D)">Clinical impact and healthcare resource utilization associated with early versus late COPD diagnosis in patients from UK CPRD database.</a> Int J Chron Obstruct Pulmon Dis. 15, 1729-1738 (2020).</li>
<li>Cosio, B. G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Defining+the+asthma-COPD+overlap+syndrome+in+a+COPD+cohort%5BTitle%5D)+AND+%22Chest%22%5BJournal%5D)">Defining the asthma-COPD overlap syndrome in a COPD cohort.</a> Chest. 149 (1), 45-52 (2016).</li>
<li>Kilic, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((GCLP%3A+An+automated+asthma+detection+model+based+on+global+chaotic+logistic+pattern+using+cough+sounds%5BTitle%5D)+AND+%22Eng+Appl+Artif+Intell%22%5BJournal%5D)">GCLP: An automated asthma detection model based on global chaotic logistic pattern using cough sounds.</a> Eng Appl Artif Intell. 127, 107184(2024).</li>
<li>Idrisoglu, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((COPDVD%3A+Automated+classification+of+chronic+obstructive+pulmonary+disease+on+a+new+collected+and+evaluated+voice+dataset%5BTitle%5D)+AND+%22Artif+Intell+Med%22%5BJournal%5D)">COPDVD: Automated classification of chronic obstructive pulmonary disease on a new collected and evaluated voice dataset.</a> Artif Intell Med. 156, 102953(2024).</li>
<li>Karaarslan, O., Ergen, O., Belcastro, K. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Respiratory+sound-base+disease+classification+and+characterization+with+deep%2Fmachine+learning+techniques%5BTitle%5D)+AND+%22Biomed+Signal+Process+Control%22%5BJournal%5D)">Respiratory sound-base disease classification and characterization with deep/machine learning techniques.</a> Biomed Signal Process Control. 87, 105570(2024).</li>
<li>Farrús, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Speech-based+support+system+to+supervise+chronic+obstructive+pulmonary+disease+patient+status%5BTitle%5D)+AND+%22Appl+Sci%22%5BJournal%5D)">Speech-based support system to supervise chronic obstructive pulmonary disease patient status.</a> Appl Sci. 11 (17), 7999(2021).</li>
<li>Akamatsu, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Segmentation+of+speech+utilizing+the+time-domain+properties+of+speech+signals%5BTitle%5D)+AND+%22J+Acoust+Soc+Am%22%5BJournal%5D)">Segmentation of speech utilizing the time-domain properties of speech signals.</a> J Acoust Soc Am. 64, S179(1978).</li>
<li>Joy, S., Upadhya, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Speech+analysis+in+time+and+frequency+domain%5BTitle%5D)+AND+%22Int+J+Eng+Res+Technol%22%5BJournal%5D)">Speech analysis in time and frequency domain.</a> Int J Eng Res Technol. 3 (1), 1-4 (2018).</li>
<li>Do, H. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Exploiting+signal+linear+trend+in+the+time+domain+to+enhance+speech+feature%5BTitle%5D)+AND+%22IEEE+Access%22%5BJournal%5D)">Exploiting signal linear trend in the time domain to enhance speech feature.</a> IEEE Access. 10, 117886-117899 (2022).</li>
<li>Schroeder, R. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((New+approach+to+time+domain+analysis+and+synthesis+of+speech%5BTitle%5D)+AND+%22J+Acoust+Soc+Am%22%5BJournal%5D)">New approach to time domain analysis and synthesis of speech.</a> J Acoust Soc Am. 31 (6), 852-853 (1959).</li>
<li>Garreth, P., Johnson, S. R., Green, G. G. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Extracting+amplitude+modulations+from+speech+in+the+time+domain%5BTitle%5D)+AND+%22Speech+Commun%22%5BJournal%5D)">Extracting amplitude modulations from speech in the time domain.</a> Speech Commun. 53 (6), 903-913 (2011).</li>
<li>Thomas, S., Ganapathy, S., Hermansky, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Recognition+of+reverberant+speech+using+frequency+domain+linear+prediction%5BTitle%5D)+AND+%22IEEE+Signal+Processing+Letters%22%5BJournal%5D)">Recognition of reverberant speech using frequency domain linear prediction.</a> IEEE Signal Processing Letters. 15, 681-684 (2008).</li>
<li>Malah, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Efficient+implementation+of+a+frequency-domain+technique+for+frequency+scaling+of+speech+signals%5BTitle%5D)+AND+%22J+Acoust+Soc+Am%22%5BJournal%5D)">Efficient implementation of a frequency-domain technique for frequency scaling of speech signals.</a> J Acoust Soc Am. 68 (S1), (1980).</li>
<li>Képesi, M., Weruaga, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Adaptive+chirp-based+time-frequency+analysis+of+speech+signals%5BTitle%5D)+AND+%22Speech+Commun%22%5BJournal%5D)">Adaptive chirp-based time-frequency analysis of speech signals.</a> Speech Commun. 48 (5), 474-492 (2006).</li>
<li>Isangula, K. G., Haule, R. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Leveraging+AI+and+machine+learning+to+develop+and+evaluate+a+contextualized+user-friendly+cough+audio+classifier+for+detecting+respiratory+diseases%3A+Protocol+for+a+diagnostic+study+in+rural+Tanzania%5BTitle%5D)+AND+%22JMIR+Res+Protoc%22%5BJournal%5D)">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.</a> JMIR Res Protoc. 13, e54388(2024).</li>
<li>Wang, Q., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Towards+reliable+respiratory+disease+diagnosis+based+on+cough+sounds+and+vision+transformers%5BTitle%5D)+AND+%22ArXiv%22%5BJournal%5D)">Towards reliable respiratory disease diagnosis based on cough sounds and vision transformers.</a> ArXiv. , (2024).</li>
<li>Can machine learning be used to recognize and diagnose coughs. Bales, C., et al. 2020 International Conference on e-Health and Bioengineering (EHB), , (2020).</li>
<li>Melek, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Responding+to+challenge+call+of+machine+learning+model+development+in+diagnosing+respiratory+disease+sounds%5BTitle%5D)+AND+%22ArXiv%22%5BJournal%5D)">Responding to challenge call of machine learning model development in diagnosing respiratory disease sounds.</a> ArXiv. , (2021).</li>
</ol>

<table><tbody><tr><td>Magnétophone numérique</td><td>ZOOM</td><td>H6</td><td>Magasin audio ZOOM</td></tr><tr><td>GitHub</td><td>Git</td><td>2.47.1.2</td><td>Site officiel</td></tr><tr><td>Matlab</td><td>MathWorks</td><td>R2024b</td><td>Site officiel</td></tr><tr><td>Pycharm</td><td>JetBrains</td><td>2024.1</td><td>Site officiel</td></tr><tr><td>Python</td><td>Python</td><td>3.12</td><td>Site officiel</td></tr></tbody></table>

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

Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections

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...

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

The objective of this study was to develop and evaluate a non-invasive method for distinguishing patients with chronic obstructive pulmonary disease ...

machine-learning-based-cough-tone-classification-diagnostic

Research

Recherche

JoVE Journal

Bioengineering

Bioingénierie

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.

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

Méthodes de bio-imagerie utilisées pour évaluer la biodistribution des cellules de nanoparticules sont applicables pour la surveillance thérapeutique et diagnostique de composés nanoformulated. Les méthodes décrites ici sont sensibles et spécifiques lorsqu'ils sont évalués par des coregistration histologique. Les méthodologies de fournir une voie de translation des rongeurs à des applications humaines.

Bioimaging enregistré des nanomatériaux pour la surveillance des services diagnostiques et thérapeutiques

Nous démontrons l'assemblage et l'application d'un dispositif à l'échelle moléculaire alimenté par une protéine topoisomérase. La construction est un capteur bio-moléculaires dont les étiquettes deux grands types de cassures de l'ADN dans les coupes de tissus en attachant deux fluorophores différents à leurs extrémités.

Assemblage in vitro de la semi-artificielle machine moléculaire et son utilisation pour la détection de lésions de l&#39;ADN

D&#39;imagerie optique du domaine de fréquence<em&gt; Ex vivo</em&gt; Les spécimens résection pulmonaire: Obtention One to One image à l&#39;histopathologie Corrélation

Nous décrivons ici une méthode simple et rapide pour mesurer la rigidité cellulaire. Le principe général de cette approche consiste à mesurer déformation de la membrane en réponse à bien défini pression négative appliquée par le biais d'une micropipette à la surface cellulaire. Cette méthode fournit un outil puissant pour étudier les propriétés biomécaniques du substrat-jointes cellules.

Aspiration par micropipette des cellules au substrat joints pour estimer la rigidité cellulaire

Électrodes sélectives d'ions tout état solide (assises) construites à partir d'un polymère (CP) transducteur conducteur fournissent plusieurs mois de vie fonctionnel dans les milieux liquides. Ici, nous décrivons le processus de fabrication et l'étalonnage des Assises dans un format lab-on-a-chip. L'ASSISE est démontré à avoir maintenu un profil de pente quasi-nernstienne après un stockage prolongé dans les milieux biologiques complexes.

Biochip multi-analyte (MAB) Basé sur des électrodes sélectives d&#39;ions All-état solide (ASSISE) pour la recherche physiologique

Nous avons proposé un système qui utilise des capteurs de pseudo-acoustique non invasives peu coûteuses optiques pour détecter automatiquement et avec précision, compter, et classer les insectes en fonction de leur son volant volant.

Insectes volants Détection et classification des capteurs peu coûteux

Une nouvelle génération de plates-formes de transcription-traduction acellulaire a été conçue pour construire des systèmes biochimiques in vitro par le biais de l’exécution des circuits de gène. Dans cet article, nous décrivons comment bactériophages MS2, ΦΧ174 et T7, sont synthétisés à partir de leur génome en utilisant un système tous les e. coli acellulaire TXTL.

Synthèse des bactériophages infectieuses dans un e. coli -basé système d’Expression acellulaire

Cet article décrit la procédure pour fabriquer et caractériser les fibres électrofilées Griffithsin-modified poly (acide lactique-co-glycolique) qui démontrent une activité adhésive et antivirale puissante contre l’infection à virus de l’immunodéficience humaine de type 1 in vitro. Méthodes utilisées pour synthétiser, surface-modifier et de caractériser la morphologie qui en résulte, conjugaison, et désorption de Griffithsin de surface-modifiée en fibres sont décrites.

Fabrication et caractérisation des échafaudages de fibre Griffithsin modifiés pour la prévention des Infections sexuellement transmissibles

Ce protocole a utilisé un système de myographe de pression disponible dans le commerce pour effectuer des tests de myographe de pression sur le vagin murine et le col de l'utérus. Utilisant des médias avec et sans calcium, les contributions du tonus basal lisse de cellules de muscle (SMC) et de la matrice extracellulaire passive (ECM) ont été isolées pour les organes dans des conditions physiologiques estimées.

Le bip basal biaxial et l'essai passif du système reproducteur de Murine utilisant un myographe de pression

Découvrez l'analyse acoustique par apprentissage automatique pour classifier la BPCO et les infections respiratoires. Cette méthode non invasive utilise les réseaux de neurones convolutifs et les machines à vecteurs de support pour diagnostiquer précocement les maladies respiratoires.

Classification du tonus de la toux basée sur l’apprentissage automatique : exploration diagnostique de la bronchopneumopathie chronique obstructive et des infections des voies respiratoires (Vidéo) | JoVE Journal

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

Explorer plus de vidéos