מאמר שיטה

מחקר לזיהוי אסתמה המבוסס על עיבוד אותות קוליים ולמידת מכונה

DOI:

10.3791/67742

⸱

22 ביולי 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

במאמר זה

סיכום

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

מחקר זה השתמש בשיטות ניתוח אותות קול ולמידת מכונה, תוך שימוש ב-MATLAB כדי לחלץ תכונות קול ייחודיות לגילוי מוקדם לא פולשני של אסתמה. האלגוריתמים של מכונת וקטור התמיכה (SVM) והיער האקראי (RF) הראו ביצועים דומים מבחינת דיוק הסיווג הכולל, אם כי SVM עשוי להשיג איזון טוב יותר בין רגישות לספציפיות.

תקציר

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

כדי לנתח אותות קוליים ולזהות חולי אסתמה באמצעות ניתוח אותות קוליים וטכניקות למידת מכונה, אספנו אותות קוליים ברורים עם דפוס קבוע עם רעש נמוך מ-50 חולי אסתמה ו-50 בקרות בריאות כדי לבנות מסד נתונים לניתוח. המחקר ערך ניתוח אותות קול רב-ממדי המבוסס על MATLAB ומדדי תכונות קול נבחרים עם הבדלים משמעותיים בין חולי אסתמה לקבוצת ביקורת בריאה. לאחר ניתוח הפחתת מימדים על תכונות פונטיות דיפרנציאליות, התכונות המעובדות שולבו במחקר מודלים וסיווג SVM ו-RF שלאחר מכן.

המחקר ביסס למעלה מ-400 אינדיקטורים קוליים הקשורים לאבחון, מתוכם 20 אינדיקטורים הראו הבדלים משמעותיים בין חולי אסתמה לביקורת בריאה (P < 0.01). במחקר הסיווג, גם דגמי ה-SVM וגם ה-RF השיגו שיעורי דיוק זהים של 87% בערכת הבדיקה, עם ערכי AUC של 0.95 עבור SVM ו-0.93 עבור RF. זה מדגים את הביצועים הניתנים להשוואה שלהם מבחינת דיוק הסיווג הכולל, בעוד שהפער בערכי AUC מצביע על כך שמודל ה-SVM עשוי להשיג פשרה טובה יותר בין רגישות לספציפיות. לפיכך, מאמר זה לא רק מספק שיטה חדשה לגילוי מוקדם לא פולשני של אסתמה, אלא גם מניח את היסודות להמשך יישום ואופטימיזציה של שיטה זו במסגרות בעולם האמיתי.

מבוא

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

על פי נתונים ממחקר בריאות הריאות בסין (CPH), שכיחות האסתמה בקרב מבוגרים סינים היא 4.2%, כאשר רופאים מאבחנים רק 28.8% מחולי האסתמה, ורק 5.6% מקבלים טיפול בקורטיקוסטרואידים באינהלציה1. נתונים אלה מצביעים על שיעור נמוך של אבחון וטיפול באסתמה בסין, ומדגישים את הצורך הדחוף להגביר את המודעות ולמשוך תשומת לב לאסתמה בקרב הציבור ואנשי מקצוע בתחום הבריאות. שיטות האבחון הנוכחיות לאסתמה מגוונות, כולל היסטוריה קלינית ובדיקה גופנית, בדיקת תפקודי ריאות ומדידת תחמוצת החנקן בנשיפה חלקית (FeNO), אך לכל אחת מהן יש את המגבלות שלה בדרגות שונות 2,3,4. יתר על כן, ניטור קבוע של אסתמה הוא חיוני לניהול מחלות; ניטור שיטתי של תסמינים ותפקוד ריאות יכול למנוע ביעילות החמרות אסתמה, לשפר את איכות חייו של המטופל ולהפחית ביקורי חירום ואשפוזים 5,6. עם זאת, בפועל, שיטות אבחון קונבנציונליות אלו לרוב אינן מעשיות לטיפול שגרתי בשל עלותן ומורכבותן.

בהתחשב בנסיבות לעיל, ניטור עצמי של אסתמה עשוי למלא תפקיד משמעותי בבקרת המחלה. ניטור כזה צריך להיות פשוט, נוח ומדויק. בהקשר זה, לקול יש יתרונות ברורים. חולי אסתמה מציגים לעתים קרובות הבדלים בולטים במאפייני הקול, כולל זמן פונציה מקסימלי מופחת, הפרעות קול (כגון צרידות, חספוס ועייפות קולית), והבדלים משמעותיים בתדר ובגובה הצליל הבסיסיים בהשוואה לאנשים בריאים 7,8,9. הבדלים אלה יכולים לשמש כשיטה פוטנציאלית לזיהוי וניטור של אסתמה.

למידת מכונה הוכיחה פוטנציאל משמעותי בזיהוי אסתמה באמצעות נתונים קוליים. מחקרים הראו שניתן לזהות ביעילות תסמיני אסתמה על ידי ניתוח קולות השיעול של המטופלים, קולות הנשימה ותכונות אקוסטיות רלוונטיות אחרות. טכניקות אלה, כולל למידה עמוקה, רשתות עצביות ומודלים אחרים של למידת מכונה, מסוגלות לזהות דפוסי קול אופייניים ושינויים בצליל הנשימה בחולי אסתמה 10,11,12,13,14,15.

בהשוואה לקולות שיעול ונשימה, קול בעל דפוס קבוע (כגון הגייה של מספרים 1-9) יכול להיות סטנדרטי וניתן לשליטה יותר. זה גם מקל על חילוץ תכונות, שולט באיכות הקול וקל יותר לאיסוף נתונים בקנה מידה גדול. תמיכה ב-Vector Machine (SVM) מפגינה יכולת סיווג חזקה בעת טיפול בנתונים בממדים גבוהים ובדגימות רועשות, בעוד ש-Random Forest (RF), עם החוסן המצוין שלה, היכולת להתמודד עם קשרים לא ליניאריים והערכת חשיבות התכונה, מנהלת ביעילות נתוני תכונות קול מורכבות 16,17,18,19,20.

במחקר זה, השתמשנו בהקלטות של הספרות "123456789" המדוברות בקצב נורמלי ויציב כדי לחלץ תכונות קול הקשורות לאסתמה. בהתבסס על תכונות אלה, בנינו מודלים של RF ו-SVM לזיהוי אסתמה. בעתיד, ניתן יהיה לשלב מודלים אלה באפליקציות ניידות כדי לאפשר זיהוי אסתמה ומעקב אחר התקדמות המחלה, ובכך לסייע במניעת החמרות אסתמה.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

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

ועדת האתיקה של אוניברסיטת בייג'ינג לרפואה סינית ובית החולים השלישי המסונף אליה אישרו מחקר זה. כל המשתתפים חתמו על הסכמה מדעת בכתב לפני השתתפותם. מיולי עד אוגוסט 2024, גייסנו 50 מטופלים מהמחלקה לרפואה נשימתית בבית החולים המסונף השלישי של אוניברסיטת בייג'ינג לרפואה סינית. במקביל, גייסנו 50 אנשים בריאים כביקורת.

1. בחירת משתתפים

  1. הגדר את קריטריוני ההכללה הבאים.
    1. בין דגימות האודיו שבהן הרמקולים ביטאו את הספרות "123456789" בקצב רגיל ויציב, בחר את אלה עם רעשי רקע נמוכים וביטוי ברור.
    2. ודא שלקבוצת האסתמה יש אבחנה מאושרת של אסתמה על סמך קריטריונים קליניים שנקבעו על ידי מומחה לנשימה, וקבוצת הביקורת מורכבת מאנשים בריאים ללא מחלות נשימה או מצבים אחרים שעלולים להשפיע על איכות הקול.
    3. בחרו משתתפים בגילאי 18-75 שנים, כאשר יחס המינים נשמר עקבי בין הקבוצות.
    4. לקבל הסכמה מדעת בכתב מכל המשתתפים למחקר.
  2. הגדר את קריטריוני אי-ההכללה הבאים.
    1. אל תכלול משתתפים עם מחלות נשימה כרוניות כגון מחלת ריאות חסימתית כרונית (COPD) או מחלת ריאות אינטרסטיציאלית.
    2. אל תכלול משתתפים שחוו זיהומים חריפים בדרכי הנשימה או החמרות מחלה במהלך 6 השבועות האחרונים.
    3. אל תכלול אנשים עם היסטוריה של הפרעות קול, כגון בעיות במיתרי הקול או דלקת גרון.
    4. אל תכלול משתתפים עם הפרעות נוירולוגיות שעלולות לפגוע בקול או בתפקודים קוגניטיביים.
    5. אל תכלול אנשים עם ליקויי שמיעה משמעותיים.
    6. אל תכלול משתתפים שלא צייתו לפרוטוקול המחקר או סיפקו דגימות שמע מספיקות.
    7. אל תכלול אנשים שאינם מסוגלים או אינם רוצים לספק הסכמה מדעת.

2. עיצוב המחקר

  1. הקלט את המשתתפים בחדר ייעוץ מבודד ושקט (רעש סביבתי < 30 dB) בתנוחת ישיבה טבעית ונוחה, תוך שמירה על מצב רגוע (כפי שמוצג באיור 1).
  2. בקש מהצוות (צוות הדגימה) המתעד את המשתתפים לקבל את המידע הבסיסי (גובה, משקל, גיל וכו') של המשתתפים המוקלטים ולוודא עם הרופא אם למשתתף הייתה אבחנה של אסתמה טהורה.
  3. לאחר איסוף המידע הבסיסי, בקש מצוות הדגימה להתאים את המיקרופון של מכשיר ההקלטה לגובה מתאים, כ-20-30 ס"מ מהשפתיים.
  4. אסוף את הקלטות האודיו באמצעות מקליט דיגיטלי, כאשר קצב הדגימה מוגדר באופן אחיד ל-44.1 קילו-הרץ. כייל את המכשיר לפני הפעלות הקלטה יומיות, והבטיח מרווח שגיאה בטווח של ≤±1 dB.
  5. הנחו את המשתתפים לקרוא בקול את המספרים 1 עד 9 ברצף, תוך שמירה על מהירות קול טבעית וביטוי ברור לאורך כל ההקלטה.
  6. בסיום, שמור את האודיו בפורמט .wav.
  7. הסר מקטעי שמע חריגים באמצעות זיהוי פעילות קולית (VAD) בשילוב עם אימות ידני. כלול הקלטות העומדות בקריטריון יחס האות לרעש (SNR) של >20 dB במחקר.

3. בניית ספריית תכונות קוליות

הערה: מסד הנתונים של מחווני תכונות הדיבור הוא אוסף של מאפייני דיבור שונים המשמשים לניתוח ההבדלים בדיבור בין חולי אסתמה לאנשים בריאים, התומכים בבדיקה מוקדמת וזיהוי אסתמה. המסגרת המתודולוגית הספציפית לבניית מאגר מדדי תכונות הדיבור מפורטת בטבלה 1. בינתיים, תהליך בניית מסד הנתונים של אינדקס תכונות הקול עבור מחקר זה הועלה ל-GitHub (https://github.com/Liteng811/speech-feature-index-database-construction). השלבים הבאים יתארו בעיקר כיצד להוריד ולהפעיל את הקוד מ-GitHub.

  1. התקן את MATLAB במחשב מהאתר הרשמי של MathWorks, ובחר את הגרסה המתאימה למערכת ההפעלה. בדוק אם MATLAB מותקן כהלכה על ידי הפעלת תוכנת MATLAB והקלדה בחלון הפקודה. אם מותקן כהלכה, פרטי הגרסה של MATLAB מופיעים.
  2. התקן את Git מהאתר הרשמי של Git (https://git-scm.com/). אשר את ההתקנה המוצלחת על ידי הזנת הפקודה הבאה בשורת הפקודה (שורת פקודה עבור Windows, מסוף עבור Mac/Linux): git --version. אם ההתקנה בוצעה בהצלחה, פרטי הגרסה של Git מופיעים.
  3. שכפל את מאגר GitHub.
    1. פתח את כלי שורת הפקודה והשתמש בפקודה הבאה כדי לשכפל את המאגר למחשב המקומי:
      https://github.com/Liteng811/voice-feature-index-database-construction.git שיבוט git
      הערה: פקודה זו תוריד את התוכן של מאגר GitHub לספריית העבודה הנוכחית ותיצור תיקיה בשם voice-feature-index-database-construction
    2. כדי לנווט לתיקיה זו כדי להציג ולנהל את הקוד והקבצים שהורדת, השתמש בפקודה:
      תקליטור קול-תכונה-אינדקס-מסד נתונים-בנייה.
  4. הגדר את סביבת MATLAB.
    1. הפעל את תוכנת MATLAB.
    2. ב-MATLAB, לחץ על הלחצן Set Path תחת הכרטיסייה Home ובחר Add Folder. בחר את התיקיה voice-feature-index-database-construction ששוכפלה זה עתה ולחץ על Save. זה יאפשר ל-MATLAB לזהות ולהפעיל את כל קבצי הסקריפט בתיקיה זו.
    3. בחלון התיקיה הנוכחית של MATLAB, אתר את התיקיה voice-feature-index-database-construction ולחץ פעמיים על הקובץ voiceH6_batch_3_stage_WAV_tt.m כדי לפתוח אותו. קובץ זה הוא קובץ ה- Script הראשי של העיבוד.
  5. הגדר והכן נתונים.
    1. הקוד במאגר דורש קבצי אודיו כקלט. ודא שקובצי השמע הם בפורמט .wav או .pcm .
    2. נתיבי הקבצים עבור קבצי האודיו מקודדים באופן קשיח בקוד המאגר (כלומר, הם כתובים ישירות לתוך הקוד). שנה את הנתיבים בהתאם למיקום הקבצים המקומיים.
  6. הפעל את הקוד.
    1. לאחר פתיחת קובץ voiceH6_batch_3_stage_WAV_tt.m , לחץ על כפתור הפעלה או הקלד את שם הקובץ בחלון הפקודה כדי לבצע את קובץ ה- Script:
      voiceH6_batch_3_stage_WAV_tt.
    2. קובץ ה- Script דורש אינטראקציה עם המשתמש. MATLAB יקפוץ ממשק גרפי כדי לבקש מהמשתמש לבחור את קובץ השמע או תיקיית השמע המתאימים. הקפד לבחור נכון את קובץ השמע או התיקיה לעיבוד בהתאם להנחיות.
    3. במקרה של בעיות כלשהן עם הממשק הגרפי קופא או לא מוצג בעת הפעלת הסקריפט ב-MATLAB, בדוק אם יש בעיות תאימות פוטנציאליות לגרסת MATLAB או ודא שמנהלי ההתקנים הגרפיים של מערכת ההפעלה פועלים כהלכה.
  7. הפק את התוצאות. לאחר ההפעלה, חפש קובץ פלט .txt שאליו הסקריפט יכתוב את תוצאות חילוץ התכונות. קובץ הפלט ישמור מידע כגון תוצאות זיהוי תכונות השמע.

4. ניתוח נתונים

הערה: לאחר השגת מסד הנתונים של מחווני תכונות קוליות, בצע ניתוחים סטטיסטיים על הנתונים. המסגרת המתודולוגית הספציפית לניתוח נתונים מפורטת בטבלה 2. הנהלים התפעוליים הספציפיים מפורטים להלן.

  1. בדיקות לנורמליות והומוגניות של שונות
    הערה: ערכנו בדיקות לנורמליות והומוגניות של שונות במדדי תכונות הקול כדי לקבוע את שיטות הניתוח הסטטיסטיות המתאימות. אם כל קבוצות האינדיקטורים עמדו הן בנורמליות והן בהומוגניות של הנחות שונות, נעשה שימוש במבחן t של דגימות בלתי תלויות. אחרת, יישמנו את מבחן Mann-Whitney U .
    1. פתח את התוכנה הסטטיסטית, לחץ על קובץ | פתוח | נתונים ובחר את קובץ הנתונים. ודא שהמשתנים מסווגים כראוי ומוצגים בתצוגת הנתונים.
    2. נווט אל ניתוח | סטטיסטיקה תיאורית | חקור.
    3. בתיבת הדו-שיח, העבר את המשתנים לבדיקה לשדה רשימה תלויה .
    4. לחץ/י על הכפתור ״עלילות ״ בפינה השמאלית העליונה של החלון. בתיבת הדו-שיח, בחר Normality plots with tests ולחץ על Continue.
    5. חזור לחלון הראשי ולחץ על אישור כדי לבצע את בדיקת הנורמליות.
    6. בחלון הפלט , אתר את הטבלה בדיקות נורמליות. התמקדו בערכי המובהקות (Sig.) של מבחן קולמוגורוב-סמירנוב (מבחן K-S) ו-Shapiro-Wilk (מבחן S-W). אם Sig. > 0.05, הנתונים עוקבים אחר התפלגות נורמלית ; אם Sig. ≤ 0.05, הנתונים אינם עוקבים אחר התפלגות נורמלית.
    7. נווט אל ניתוח | השוואת אמצעים | ANOVA חד כיווני.
    8. בתיבת הדו-שיח, העבר את המשתנה התלוי לשדה רשימה תלויה ואת משתנה הקיבוץ (משתנה קטגורי) לשדה גורם .
    9. לחצו על הלחצן 'אפשרויות ' בצד ימין של תיבת הדו-שיח. בחר הומוגניות של בדיקת שונות ולחץ על המשך.
    10. חזור לחלון הראשי ולחץ על אישור כדי לבצע את בדיקת ההומוגניות של השונות.
    11. בחלון הפלט , אתר את הטבלה בדיקת הומוגניות של שונות. התמקדו בערך המובהקות (Sig.) של סטטיסטיקת לוין. אם Sig. > 0.05, מתקיימת הנחת ההומוגניות של השונות; אם Sig. ≤ 0.05, הנחת ההומוגניות של השונות מופרת.
  2. מבחן מאן-וויטני U
    הערה: מכיוון שהאינדיקטורים במחקר זה לא עמדו בו זמנית בהנחות הנורמליות וההומוגניות של השונות, יישמנו את מבחן Mann-Whitney U כדי להשוות את ההבדלים במדדי תכונות האות הקולי בין קבוצת האסתמה לקבוצת הביקורת הבריאה.
    1. נווט אל ניתוח | בדיקות א-פרמטריות | תיבות דו-שיח מדור קודם | 2 מדגמים בלתי תלויים.
    2. בתיבת הדו-שיח, העבר את המשתנה הרציף (משתנה תלוי) לשדה רשימת משתני בדיקה ואת משתנה הקיבוץ (משתנה קטגורי) לשדה משתנה קיבוץ .
    3. לחץ על הגדרת קבוצות, הזן את שתי הקטגוריות של משתנה הקיבוץ (למשל, "1" ו-"2") ולחץ על המשך.
    4. בחלון הראשי , בחר Mann-Whitney U. ודא שהאפשרות מדויק אינה מסומנת (בחר באפשרות זו עבור גדלי דגימה קטנים כדי לשפר את הדיוק). לחץ על אפשרויות, בחר תיאורי ולאחר מכן לחץ על המשך.
    5. חזור לחלון הראשי ולחץ על אישור כדי לבצע את בדיקת Mann-Whitney U.
    6. בחלון הפלט , אתר את הטבלה סטטיסטיקת בדיקה: ערך Mann-Whitney U מייצג את סטטיסטיקת הבדיקה. הערך Asymp. Sig. (דו-זנבי) מייצג את ערך ה-p. אם p > 0.05, אין הבדל משמעותי בין הקבוצות; אם P ≤ 0.05, קיים הבדל משמעותי בין הקבוצות.
    7. כדי לזהות לאיזו קבוצה יש ערכי מדידה גבוהים יותר, עיין בטבלת הדירוגים, המציגה את הדירוג הממוצע ואת גודל המדגם עבור כל קבוצה.
  3. ניתוח רכיבים עיקריים (PCA)
    הערה: לאחר זיהוי האינדיקטורים הדיפרנציאליים, ביצענו PCA כדי לנתח את הנתונים עוד יותר. PCA היא טכניקה להפחתת מימדים שהופכת את הנתונים המקוריים לכמה מרכיבים עיקריים כדי לחלץ תכונות חשובות ולפשט את הניתוח. לפני PCA, התוכנה הסטטיסטית תיקננה אוטומטית את הנתונים כדי למנוע השפעות ממדיות.
    1. נווט אל ניתוח | הפחתת מימדים | פקטור.
    2. בתיבת הדו-שיח, העבר את כל המשתנים לניתוח לשדה משתנים .
    3. לחץ על כפתור תיאורים ובחר KMO ובדיקת הכדוריות של בארטלט כדי לוודא אם הנתונים מתאימים ל-PCA. לחץ על המשך.
    4. בכרטיסייה חילוץ , הגדר שיטה לרכיבים עיקריים, בחר Scree Plot כדי לקבוע את מספר הרכיבים העיקריים והגדר את Extract לערכים עצמיים גדולים מ-1. לחץ על המשך.
    5. בכרטיסיה סיבוב , בחר ללא. לחץ על המשך.
    6. בכרטיסיה ציונים , בחר שמור כמשתנים כדי לשמור את ציוני הרכיבים העיקריים במערך הנתונים.
    7. חזור לחלון הראשי ולחץ על אישור כדי לבצע PCA.
    8. מבחן KMO ובארטלט: ערך KMO ≥ 0.6 מציין שהנתונים מתאימים ל-PCA. ערך Sig. של מבחן הכדוריות של בארטלט < 0.05 מצביע על מתאמים מובהקים בין משתנים, מה שהופך את הנתונים למתאימים ל-PCA.
    9. הסבר על השונות הכוללת: סקור את הערכים העצמיים והשונות המוסברים על ידי כל רכיב עיקרי. שיעור הסבר שונות מצטבר של 70%-85% הוא אידיאלי.
    10. השתמש בתרשים החריץ כדי לקבוע את מספר הרכיבים העיקריים, בדרך כלל בחר רכיבים לפני נקודת ההיפוך.
    11. מטריצת רכיבים או מטריצת רכיבים מסובבת: בדוק את מקדמי הטעינה של משתנים על כל רכיב עיקרי. מקדמים > 0.5 נחשבים לתרומות משמעותיות.

5. בניית דגמי SVM ו-RF

הערה: המסגרת המתודולוגית הספציפית לבניית מודלים של SVM ו-RF מפורטת בטבלה 3. העלינו את מודלי ה-SVM וה-RF לזיהוי אסתמה שנבנו במחקר זה ל-GitHub (https://github.com/Liteng811/Asthma-Detection). להלן יתאר בעיקר כיצד להוריד ולהפעיל את הקוד מ-GitHub.

  1. שכפל את מאגר GitHub.
    1. פתח את כלי שורת הפקודה והשתמש בפקודה הבאה כדי לשכפל את המאגר למחשב המקומי:
      שיבוט git https://github.com/Liteng811/Asthma-Detection.git
      הערה: פקודה זו תוריד את התוכן של מאגר GitHub לספריית העבודה הנוכחית ותיצור תיקיה בשם Asthma-Detection.
  2. התקן ספריות Python, PyCharm ו-Required Python.
    1. התקן את Python במחשב מהאתר הרשמי של Python (https://www.python.org/).
    2. לאחר התקנת Python, התקן את ספריות Python הדרושות באמצעות הפקודה הבאה: pip install -r requirements.txt.
    3. אם אין קובץ requirements.txt , התקן את הספריות המשמשות במחקר זה באמצעות הפקודה הבאה:
      pip להתקין numpy pandas scikit-learn matplotlib
    4. הקפד להתקין את PyCharm מהאתר הרשמי של PyCharm (https://www.jetbrains.com/pycharm/).
  3. הצג קבצים במאגר.
    1. במאגר, אתר את קבצי ה- Script הראשיים (SVM.py, RF.py).
    2. השתמש בעורך טקסט או ב-PyCharm כדי לפתוח את קבצי Python אלה ולסקור את התוכן והמבנה שלהם.
  4. הגדר את מערך הנתונים.
    1. הקוד במאגר דורש קבצי נתונים. בדוק שקבצי הנתונים הוכנו, ושהפורמט שלהם תואם את דרישות הקוד (.xlsx).
    2. ישנם נתיבי קבצים מקודדים בקוד. שנה את הנתיבים על סמך המיקום בפועל של הקבצים, כלומר, החלף את הנתיבים בקוד (למשל, C:\Users\1\Desktop\pca-result.xlsx) בנתיבי הקבצים בפועל במערכת.
  5. הפעל את הקוד.
    1. לאחר מציאת קובץ ה- Script הראשי, השתמש בפקודה הבאה בשורת הפקודה כדי להפעיל את הקוד (באמצעות SVM.py כדוגמה). אם קובץ ה- Script הראשי RF.py, הפעל במקום זאת את קובץ ה- Script המתאים.
      פייתון SVM.py.
    2. בעת הפעלת הקוד, עבור לספריית העבודה הנכונה או ציין את קובץ ה- Script באמצעות הנתיב המלא שלו בשורת הפקודה. לדוגמה, אם מפעילים python SVM.py בשורת הפקודה, עברו לספרייה המכילה SVM.py, או השתמשו בנתיב המוחלט:
      python C:/path/to/your/repository/SVM.py.
    3. במהלך הביצוע, הקוד יטען את הנתונים, יאמן את מודלי למידת המכונה (SVM או RF), ויוציא תוצאות כגון דיוק, מטריצת בלבול ועקומת ROC.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

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

השלמת בניית מסד הנתונים של אינדקס תכונות הקול

מחקר זה חילץ בהצלחה 467 מדדי תכונות קוליות באמצעות ניתוח רב-שכבתי של אותות קוליים. עיין בכתובת ה- URL של GitHub לעיל עבור מחווני תכונות קוליות 467. השיטות האנליטיות בהן נעשה שימוש כוללות ניתוח תחום זמן, ניתוח תחום תדר, מיצוי MFCC ושינוי תכונות המבוססות על תקני אבחון של רפואה סינית מסורתית. באופן ספציפי, ניתוח תחום הזמן משקף את מאפייני צורת הגל הבסיסיים ואת וריאציות המשרעת של האות, בעוד שניתוח תחום התדר חושף את הרכב התדרים של האותות...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

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

מחקר זה בוחן שיטות לא פולשניות לזיהוי אסתמה באמצעות ניתוח אותות קוליים וטכניקות למידת מכונה. על ידי איסוף נתונים קוליים מ-50 חולי אסתמה ו-50 בקרות בריאות, מחקר זה בנה מודלים באמצעות אלגוריתמים של SVM ו-RF 16,17,18,19,20. שני המודלים הראו ביצועים דומים מבחינת שיעור הדגימות הכוללות שסווגו נכון, אך הפער בערכי AUC מצביע על כך שמוד...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

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

למחברים אין ניגודי אינטרסים להצהיר עליהם.

תודות

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

מחקר זה נתמך על ידי פרויקט קרן המדע לנוער של הקרן הלאומית למדעי הטבע של סין (מספר אישור פרויקט: 82104739) ותוכנית המחקר המדעי של המינהל המחוזי של מחוז הביי לרפואה סינית מסורתית (מספר פרויקט: B2025032). המחברים רוצים להודות לכל המורים והתלמידים שסייעו במהלך הניסוי.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
<חזק>התקן<חזק>ספק<חזק>דגם/גרסה<חזק>מותג
מקליט דיגיטליZOOM חנות אודיוH6ZOOM
GitHubאתר רשמי2.47.1.2Git
Matlabhttps://www.mathworks.com/R2024bMathWorks
האתר הרשמישל Pycharm2024.1של JetBrains
Python3.12Python
האתר הרשמי

מקורות

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

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

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

מאמרים קשורים