Method Article

סיווג גוון שיעול מבוסס למידת מכונה: חקירה אבחנתית של מחלת ריאות חסימתית כרונית וזיהומים בדרכי הנשימה

DOI:

10.3791/68222

⸱

September 19th, 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

In This Article

Summary

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

מחקר זה השיג ביעילות את הסיווג האוטומטי של שתי קטגוריות נפרדות על ידי רכישת נתוני צליל שיעול מחולים שאובחנו עם מחלת ריאות חסימתית כרונית (COPD) וזיהומים בדרכי הנשימה (RTI), תוך שימוש בשילוב של טכניקות עיבוד אותות דיבור ואלגוריתמים של למידת מכונה.

Abstract

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

מטרת מחקר זה הייתה לפתח ולהעריך שיטה לא פולשנית להבחנה בין חולים עם מחלת ריאות חסימתית כרונית (COPD) לבין חולים עם זיהומים בדרכי הנשימה (RTI) באמצעות ניתוח אותות קוליים ולמידת מכונה. אותות קוליים בדפוס קבוע נאספו מ-25 חולי COPD ו-25 חולי RTI (שימשו כקבוצת הביקורת/השוואה). ניתוח תכונות קול רב מימדי בוצע כדי לזהות תכונות המבדילות באופן משמעותי בין שתי הקבוצות. תכונות מובהקות סטטיסטית נבחרו ועברו הפחתת מימדיות. לאחר מכן הוכשרו והוערכו מודלים של רגרסיה לוגיסטית (LR) ויער אקראי (RF) לביצועי סיווג בהבחנה בין COPD ל-RTI. למעלה מ-400 תכונות קוליות נותחו בתחילה. שמונה עשר מאפיינים הראו הבדלים מובהקים ביותר בין חולי COPD ו-RTI (P <; 0.05). במשימה להבחין בין חולי COPD לחולי RTI, מודל ה-LR השיג שטח מערך בדיקה מתחת לעקומה AUC של 0.95, ועלה משמעותית על מודל ה-RF (AUC = 0.76). מחקר זה מדגים את ההיתכנות של שימוש בניתוח קול ולמידת מכונה, במיוחד במודל LR, ככלי לא פולשני מבטיח להבדיל בין COPD ל-RTI. הוא מספק בסיס ליישום מעשי ואופטימיזציה נוספת של גישה מבוססת קול זו במסגרות קליניות הדורשות אבחנה מבדלת של מצבים נשימתיים.

Introduction

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

מחלת ריאות חסימתית כרונית (COPD) וזיהומים בדרכי הנשימה מהווים תורמים משמעותיים לתמותה ותחלואה בקנה מידה עולמי. COPD מוגדר כמצב דלקתי כרוני המשפיע על דרכי הנשימה ופרנכימת הריאות, הנגרם בעיקר על ידי עישון. הוא מאופיין בתסמינים כמו שיעול מתמשך, קוצר נשימה וייצור ליחה מוגבר1. ארגון הבריאות העולמי צופה כי עד שנת 2030, COPD תדורג כגורם המוות השלישי המוביל בעולם, ותטיל נטל כלכלי משמעותי 2,3. לעומת זאת, זיהומים בדרכי הנשימה (RTI) מהווים כ-6% מנטל המחלות העולמי, ועולים על הנטל הקשור למחלות לב איסכמיות, זיהום ב-HIV, סרטן, מלריה ומחלות שלשול4.

בשל הדמיון המהותי בביטויים הקליניים של שתי המחלות, במיוחד בסימפטומטולוגיה של שיעול, שהוא סימפטום שכיח, הבחנה מוקדמת ומדויקת בין מחלות אלו חיונית לטיפול יעיל 5,6. גישות אבחון מסורתיות תלויות בעיקר בהערכת תסמינים קליניים, בדיקת תפקודי ריאות וניתוחי מעבדה7. בעוד ששיטות אבחון קונבנציונליות ל-COPD יעילות בזיהוי והערכת המצב, הן מציגות מספר מגבלות בפרקטיקה הקלינית. מגבלות אלה כוללות דיוק אבחנתי לא מספק, יכולת מוגבלת לאבחון מוקדם, הבנה לא מספקת של הטרוגניות המחלה והיעדר ניטור דינמי 8,9,10,11. בניגוד לשיטות האבחון המסורתיות ל-COPD, טכנולוגיית האבחון הקולי, ככלי עזר מתפתח, מציעה יתרונות רבים, במיוחד בגילוי מוקדם, אבחון לא פולשני וניטור דינמי.

עם ההתקדמות בניתוח דיבור, במיוחד הניתוח האוטומטי של קולות שיעול, יש פוטנציאל מתפתח ליישומי אבחון מהירים. מחקרים מצביעים על כך שקולות שיעול מכילים מידע נרחב על מחלות ריאה, כאשר המאפיינים האקוסטיים שלהם משקפים שינויים במצב הבריאות של דרכי הנשימה12. לאחרונה, נעשה שימוש בטכניקות מבוססות למידת מכונה לניתוח תכונות דיבור באבחון COPD ומצבים אחרים, והניבו תוצאות בולטות 13,14,15. מתודולוגיות אלו מקלות על סיווג יעיל של מחלות על ידי חילוץ תכונות שמע מצלילי שיעול, כגון תדירות, משך ומשרעת, ושילובם עם אלגוריתמים של למידת מכונה לזיהוי דפוסים.

למרות כמה מחקרים שבדקו את הפוטנציאל של ניתוח צליל שיעול באבחון מחלות, אתגרים משמעותיים ממשיכים להבדיל בין חולי COPD לאלה עם RTI. קושי זה מתעורר עקב מאפיינים חופפים בקולות השיעול של שתי הקבוצות, המורכבים על ידי שונות אינדיבידואלית. כתוצאה מכך, פיתוח שיטות לחילוץ מאפיינים מדויקים וניתנים להבחנה יותר מקולות שיעול נותר נושא קריטי בתחום זה.

מחקר זה מבקש לחקור שיטת סיווג אוטומטית לקולות שיעול על ידי הקלטת אודיו מ-25 חולים שאובחנו עם COPD ו-25 חולים עם RTI. על ידי שילוב ניתוח תכונות דיבור עם אלגוריתמים של למידת מכונה, אנו שואפים לשפר את הדיוק של בידול המחלה, ובכך לשפר את יכולות האבחון המוקדם של COPD ו-RTI.

Access restricted. Please log in or start a trial to view this content.

Protocol

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

ועדת האתיקה של אוניברסיטת בייג'ינג לרפואה סינית ובית החולים השלישי המסונף אליה אישרו מחקר זה. כל המשתתפים נתנו את הסכמתם מדעת בכתב להשתתף. בין יולי לאוגוסט 2024, קבוצה של 25 חולי COPD גויסה מהמחלקה לרפואה נשימתית בבית החולים המסונף השלישי של אוניברסיטת בייג'ינג לרפואה סינית. במקביל, הורכבה גם קבוצת ביקורת המורכבת מ-25 חולים עם RTI עליון טיפוסי.

1. בחירת משתתפים

  1. קריטריונים להכללה
    1. בחר את דגימות האודיו עם רעשי רקע נמוכים וביטוי ברור.
    2. ודא שאבחון COPD לקבוצת COPD מחויב על ידי הנחיות קליניות שנקבעו על ידי מומחי ריאות.
      1. אשר את האבחנה באמצעות ספירומטריה לאחר מרחיב סימפונות (FEV1/FVC < 0.70) לפי קריטריוני GOLD 2024.
      2. ודא יציבות קלינית (ללא החמרות ≥ 4 שבועות)
    3. ודא שקבוצת ההשוואה מורכבת מאנשים הסובלים מ-RTI עליון טיפוסי.
      1. אבחון באמצעות קריטריוני האבחון של הנחיות האבחון והטיפול במחלות זיהום בדרכי הנשימה.
      2. ודא שזמן הופעת התסמינים ≤ 72 שעות.
      3. אל תכלול היסטוריה של מחלות נשימה כרוניות.
    4. הגבל את הגיל ל-18-85 שנים.
    5. לבקש מכל המשתתפים לספק הסכמה מדעת בכתב להשתתף במחקר.
  2. קריטריונים לאי-הכללה
    1. אל תכלול משתתפים שחווים קשיי דיבור, כגון הפרעות במיתרי הקול או דלקת גרון.
    2. אל תכלול משתתפים עם מצבים נוירולוגיים שעלולים לפגוע בדיבור או בתפקודים קוגניטיביים.
    3. אל תכלול משתתפים עם ליקויי שמיעה משמעותיים.
    4. לא לכלול משתתפים שלא צייתו לפרוטוקולי המחקר או לא סיפקו מספר מספיק של דגימות שמע.
    5. אל תכלול משתתפים שאינם מסוגלים לספק הסכמה מדעת.

2. עיצוב המחקר

  1. העבירו את המשתתפים לחדר ייעוץ קליני סטנדרטי שקט ומבודד (4 מ' × 5 מ'), עם רמות רעש חיצוניות נשמרות מתחת ל-30 dB. בקש מהם לשבת בתנוחה טבעית ונוחה ולהישאר במצב רגוע.
  2. תעד בקפידה את הפרטים החיוניים של המשתתף, כולל גובה, משקל, גיל ומידע רלוונטי אחר, ואשר את מצבו הבריאותי הנוכחי עם רופא.
  3. בסיום הקלטת הנתונים הראשונית, כוונו את גובה המיקרופון למיקום המתאים, תוך הקפדה על מרחק של כ-20-30 ס"מ בין המיקרופון לשפתי המשתתף.
  4. אסוף את הקלטות האודיו באמצעות מקליט רב-רצועות נייד מקצועי, כאשר קצב הדגימה מוגדר באופן אחיד ל-44.1 קילו-הרץ.
    1. בצע את כיול המכשיר לפני הפעלות הקלטה יומיות. לחץ והחזק את כפתור ה-GAIN של ערוץ היעד למשך 2 שניות עד שהמסך יציג CAL ואת ערך הרמה הנוכחית.
    2. כוונן את הרווח לערך היעד על ידי סיבוב איטי של כפתור ה-GAIN עד שרמת הקלט המוצגת על המסך תואמת במדויק את הערך הנומינלי של צליל הבדיקה. הבטחת מרווח שגיאה בטווח של ≤±1 dB.
  5. בהנחיית צוות הדגימה, תנו למשתתף להשתעל באופן טבעי בהתאם למצבו. ללכוד את קולות השיעול באמצעות מכשירי הקלטה.
  6. הקלט את האודיו כ-'. WAV'.
  7. מקטעי שמע חריגים הוסרו באמצעות זיהוי פעילות קולית (VAD) בתוספת אימות ידני. הקלטות שעמדו בסף יחס האות לרעש (SNR) של >20 dB נכללו במחקר.
    הערה: המתודולוגיה המלאה זמינה במאגר GitHub שלנו (https://github.com/Liteng811/speech-feature-index-database-construction).

3. פיתוח מאגר התכונות הווקאליות

הערה: מסד הנתונים של מחווני תכונות הקול הוא אוסף של מאפיינים אקוסטיים לניתוח השוואתי של דפוסי קול ב-COPD לעומת RTI. הארכיטקטורה המתודולוגית מפורטת בטבלה 1. בסיס קוד פתוח לבנייתו יושם ונגיש ב-GitHub (https://github.com/Liteng811/speech-feature-index-database-construction). השלבים שלהלן מפרטים את ההורדה והביצוע של הקוד.

  1. התקן את MATLAB במחשב מהאתר הרשמי של MathWorks (https://www.mathworks.com/). ודא שנבחרה הגרסה המתאימה למערכת ההפעלה. כדי לוודא ש-MATLAB מותקן כהלכה, הפעל את תוכנת MATLAB והקלד ver בחלון הפקודה. אם מותקן כהלכה, פרטי הגרסה של MATLAB אמורים להופיע.
  2. התקן את Git מהאתר הרשמי של Git (https://git-scm.com/). כדי לאשר את ההתקנה המוצלחת, הזן את הפקודה הבאה בשורת הפקודה (שורת פקודה עבור Windows, מסוף עבור Mac/Linux): git --version. אם Git הותקן בהצלחה, פרטי הגרסה יוצגו.
  3. אחזר את מאגר הקוד
    1. באמצעות ממשק שורת פקודה, בצע את הפקודה git clone כדי להוריד את קבצי הפרויקט למחשב המקומי שלך:
      https://github.com/Liteng811/voice-feature-index-database-construction.git שיבוט git
      הערה: פעולה זו יוצרת ספרייה חדשה בשם "voice-feature-index-database-construction" בספריית העבודה הנוכחית, המכילה את כל קבצי הפרוייקט.
    2. גש לתיקיה שהורדת כדי לנהל את התוכן שלה על-ידי הפעלת:
      תקליטור קול-תכונה-אינדקס-מסד נתונים-בנייה.
  4. הגדרת סביבת MATLAB.
    1. הפעל את אפליקציית MATLAB.
    2. שלב את תיקיית הפרויקט בנתיב החיפוש של MATLAB. נווט/י אל הכרטיסיה ״בית ״, לחץ/י על ״הגדרת נתיב״ ולאחר מכן על ״הוסף תיקיה״. בחר את הספרייה המשובטת של תכונת קול-אינדקס-מסד נתונים-בניית ושמור את השינויים. זה מאפשר ל-MATLAB לגשת לכל הסקריפטים הדרושים.
    3. מהחלונית Current Folder ב-MATLAB, פתח את סקריפט העיבוד הראשי (voiceH6_batch_3_stage_WAV_tt.m) על ידי לחיצה כפולה עליו.
  5. הכנת נתונים.
    1. הניתוח דורש קבצי אודיו קלט בפורמט .wav או .pcm .
    2. הנתיבים לקבצי אודיו אלה מקודדים בתוך הסקריפטים. עדכן משתני נתיב אלה כך שיצביעו על המיקומים הנכונים במערכת המקומית.
  6. ביצוע קובץ Script.
    1. כאשר הסקריפט הראשי (voiceH6_batch_3_stage_WAV_tt.m) פתוח, התחל את העיבוד על ידי לחיצה על כפתור ההפעלה או הקלדת שם הסקריפט ישירות בחלון הפקודה של MATLAB: voiceH6_batch_3_stage_WAV_tt.
    2. קובץ ה- Script מחייב אינטראקציה עם המשתמש. MATLAB יציג ממשק גרפי המבקש מהמשתמש לבחור את קובץ השמע או תיקיית השמע המתאימים. ודא שהשמע file או תיקיית השמע שנבחרו לעיבוד תואמים להנחיה.
    3. אם נתקלים בבעיות עם הממשק הגרפי קופא או לא מוצג בעת הפעלת הסקריפט ב-MATLAB, ודא בעיות תאימות פוטנציאליות עם גרסת MATLAB או ודא שמנהלי ההתקנים הגרפיים של מערכת ההפעלה פועלים כהלכה.
  7. הפק את התוצאות. בסיום, חפש קובץ פלט .txt שבו קובץ ה- Script יכתוב את תוצאות חילוץ התכונות. קובץ הפלט יכיל מידע כגון תוצאות זיהוי תכונות השמע.

4. ניתוח נתונים

הערה: לאחר הרכבת מסד הנתונים של אינדיקטורים לתכונות קוליות, נערכו ניתוחים סטטיסטיים. הגישה האנליטית מתוארת בטבלה 2. מבחן Mann-Whitney U שימש להערכת ההבדלים בתכונות אות הקול בין קבוצות COPD ו-RTI.

  1. מבחן למאן-וויטני U.
    הערה: לאחר השגת ספריית אינדקס תכונות הדיבור, מבחן Mann-Whitney U בוצע על הנתונים באמצעות SPSS 20.0. תהליך הפעולה הוא כדלקמן:
    1. פתח את SPSS וטען את קובץ הנתונים.
    2. בחר נתח > בדיקות לא פרמטריות > תיבות דו-שיח מדור קודם > 2 דוגמאות בלתי תלויות משורת התפריטים.
    3. בתיבת הדו-שיח המוקפצת:
      1. רשימת משתני בדיקה: בחר/י את המשתנים להשוואה (משתנים שנצפו).
      2. משתנה קיבוץ: בחר/י את משתנה הקיבוץ (המשתנה שישמש לקיבוץ).
      3. לחץ/י על הכפתור ״הגדרת קבוצות ״ כדי להזין את המזהים של שתי הקבוצות בחלון הקופצני (לדוגמה, אם הן מקובצות כ״קבוצה 1״ ו״קבוצה 2״, הזן/י 1 ו-2).
    4. בסוג הבדיקה, בחר את מבחן Mann-Whitney U באופן חלקי.
    5. נקישה אישור, ו-SPSS יפיק את הפלט באופן אוטומטי.
  2. ניתוח רכיבים עיקריים (PCA)
    הערה: לאחר זיהוי תכונות מובהקות סטטיסטית, נעשה שימוש בניתוח רכיבים עיקריים (PCA) לחקר נתונים מתקדם. טכניקה זו מפחיתה את הממדיות על ידי עיבוי המשתנים המקוריים לקבוצה קטנה יותר של רכיבים מרוכבים המשמרים מידע קריטי ומפשטים את יכולת הפרשנות של מערך הנתונים. לפני ביצוע PCA, הנתונים תוקננו אוטומטית על ידי התוכנה הסטטיסטית כדי להפחית הטיות הקשורות לקנה מידה. הנוהל בוצע כדלקמן:
    1. ודא שהנתונים נאספו, נשמרו בפורמט Excel או CSV ויובאו ל-SPSS 20.0.
    2. בחר קובץ > פתח > נתונים ולאחר מכן בחר את הקובץ לפתיחה.
    3. ודא שהערכים החסרים והחריגים בנתונים מטופלים, ושהמשתנים מתוקננים.
    4. לניתוח PCA ב-SPSS, לחץ על נתח > Dimension Reduction > Factor.
    5. בתיבת הדו-שיח, הוסף את כל המשתנים המשמשים ב- PCA לשדה משתנים . משתנים אלה הם בדרך כלל נתונים רציפים.
    6. הגדר את שיטת החילוץ.
      1. בתיבת הדו-שיח, לחץ על לחצן חילוץ ובחר בפעולת השירות רכיבים עיקריים . כברירת מחדל, SPSS מחלץ מספיק רכיבים עיקריים כדי להסביר את השונות בנתונים.
      2. בחר ערכים עצמיים גדולים מ- 1 כקריטריון השמירה, כלומר רק רכיבים עיקריים עם ערכים עצמיים גדולים מ- 1 נשמרים, מה שמסביר בדרך כלל את רוב השונות.
    7. בחר את שיטת הסיבוב ולחץ על Rotation כדי לבחור Varimax (סיבוב אורתוגונלי) או Promax (סיבוב אלכסוני). עבור רוב היישומים, Varimax היא שיטת סיבוב נפוצה.
    8. באפשרויות, בדוק את עלילת Scree ואת מטריצת המקדם כך שניתן יהיה להפיק את דיאגרמת החצץ של הרכיבים העיקריים ואת מטריצת המקדם של כל רכיב עיקרי כדי לעזור לשפוט את השונות הנשמרת.
    9. לאחר הגדרת כל האפשרויות, לחץ על OK לחצן, ו-SPSS יפיק את הפלט.
    10. פרשנות התוצאות.
      1. לפרש את מטריצת הטעינה של הרכיבים העיקריים כדי לזהות קשרים בין רכיבים עיקריים למשתנים מקוריים. שימו לב שמשתנים עם ערכי עומס גבוהים יותר דורשים תרומה גדולה יותר לשינויים.
      2. הסבר את השונות באמצעות הטבלה "הסבר על השונות הכוללת". שים לב לערכים עצמיים ופרופורציות שונות עבור כל רכיב עיקרי. בחר רכיבים עיקריים עם פרופורציות שונות גדולות, מכיוון שהם בדרך כלל מסבירים את רוב שונות הנתונים.
      3. השתמש בתרשים ה- scree כדי לקבוע רכיבים עיקריים שנשמרו. זהה את נקודת המפנה הברורה בעלילה. שמור על רכיבים עיקריים משמאל לנקודת ההיפוך.
      4. ציוני רכיבים עיקריים: סמן שמירה כמשתנים אם יש להשיג את הציון עבור כל מדגם ברכיב העיקרי, ו-SPSS יוסיף את ציוני הרכיב העיקרי למערך הנתונים כמשתנים חדשים.

5. בניית מודל הרגרסיה הלוגיסטית (LR) והיער האקראי (RF)

הערה: המסגרת המתודולוגית הספציפית לבניית מודלים LR ו-RF מפורטת בטבלה 3. בינתיים, דגמי ה-LR וה-RF במחקר זה הועלו ל-GitHub (https://github.com/Liteng811/The-distinction-between-COPD-and-respiratory-infections). להלן יתאר בעיקר כיצד להוריד ולהפעיל את הקוד מ-GitHub. מודל ה-RF נבנה באמצעות Python 3.12.3 כשפת התכנות העיקרית.

  1. השג את בסיס הקוד של הפרויקט.
    1. הפעל מסוף או שורת פקודה והפעל את הפקודה git clone כדי להוריד את המאגר באופן מקומי:
      שיבוט git ההבחנה-בין-COPD-ו-זיהומים-נשימתיים.git ההבחנה-בין-COPD-ו-זיהומים-נשימתיים.git
      שים לב שפקודה זו מאחזרת את כל תוכן המאגר לספריית העבודה הנוכחית שלך, ויוצרת תיקיה חדשה בשם ההבחנה-בין-COPD-ו-זיהומים-נשימתיים.
  2. הגדר את סביבת התכנות.
    1. הורד והתקן את Python מאתר ההפצה הרשמי (https://www.python.org/).
    2. השתמש בפקודה שלהלן כדי להתקין את כל התלות ב-Python המפורטות בקובץ הדרישות: pip install -r requirements.txt.
    3. אם קובץ requirements.txt אינו זמין, התקן את הספריות החיוניות באופן ידני על-ידי ביצוע:
      pip להתקין numpy pandas scikit-learn matplotlib
    4. התקן את סביבת הפיתוח המשולבת של PyCharm מהאתר הרשמי של JetBrains (https://www.jetbrains.com/pycharm/).
  3. חקור את תוכן המאגר.
    1. במאגר, אתר את קבצי ה- Script הראשיים (LR.py, RF.py).
    2. פתח קבצים אלה באמצעות עורך קוד או PyCharm כדי לסקור את היישום והפרטים המבניים שלהם.
  4. הכן את נתוני הקלט.
    1. ודא שמערך הנתונים הנדרש זמין בפורמט .xlsx, כצפוי על ידי הקוד, ומאורגן כראוי לפני הביצוע.
    2. הקוד מכיל נתיבי קבצים מקודדים. עדכן נתיבים אלה כדי לשקף את המיקומים האמיתיים של הקבצים, ולמעשה החליף את הנתיבים הקיימים בקוד (לדוגמה, C:\Users\1\Desktop\pca-result.xlsx) בנתיבי הקבצים בפועל במערכת.
  5. הפעל את הקוד.
    1. לאחר איתור הסקריפט הראשי, בצע אותו באמצעות שורת הפקודה. לדוגמה, כדי להריץ LR.py, השתמש ב: python LR.py
      אם קובץ ה- Script של היעד הוא RF.py, החלף את שם הקובץ בהתאם.
    2. לפני הביצוע, ודא שהטרמינל נמצא בספריית העבודה הנכונה, או ציין את הנתיב המלא לסקריפט. לדוגמה:
      python C:/path/to/your/repository/LR.py.
    3. במהלך הפעולה, הסקריפט יטען את מערך הנתונים, יאמן את מודל למידת המכונה המתאים (LR או RF), ויפיק מדדי ביצועים כולל דיוק, מטריצת בלבול ועקומת ROC.

Access restricted. Please log in or start a trial to view this content.

Results

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

תוצאות ניתוח נתונים

המחקר בודד בהצלחה למעלה מ-400 אינדקסים של תכונות דיבור באמצעות שיטות כמו ניתוח תחום זמן, ניתוח תחום תדר, מיצוי מקדם צפסטרל בתדר Mel (MFCC) ושינוי מדדי תכונות בהתאם לאבחון TCM. ניתוח תחום הזמן הוא מרכיב מכריע בעיבוד אותות דיבור, תוך התמקדות במניפולציה ישירה של נתוני סדרות זמן של אותות כדי להבין באופן אינטואיטיבי מאפייני אות כגון אנרגיה, קצב אפס יתר, מגמות ומעטפות ליניאריות, מחקרי מתאם אוטומטי ...

Access restricted. Please log in or start a trial to view this content.

Discussion

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

מחקר זה חוקר שיטות לא פולשניות לאיתור COPD באמצעות ניתוח אותות קוליים וטכניקות למידת מכונה. זה כלל איסוף נתונים קוליים מ-25 חולי COPD ו-25 חולים עם RTI. המודלים נבנו באמצעות אלגוריתמים של LR ו-RF. שני המודלים הראו דיוק דומה בסיווג נכון של דגימות בסך הכל, אך ההבדל בערכי AUC מצביע על כך שמודל LR עשוי להציע איזון מעולה בין רגישות לספציפיות. הסעיפים הבאים מספקים בחינה מפורטת של תוצאות המחקר.

המחקר מראה כי דגמי LR השיגו שיעורי דיוק של 90% בערכת הבדיקה, בעוד שמודל ה...

Access restricted. Please log in or start a trial to view this content.

Disclosures

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

המחברים מצהירים שאין ניגודי אינטרסים בנוגע לפרסום מחקר זה. לא התקבלה תמיכה כספית או לא כספית מארגון מסחרי כלשהו שיכול היה להשפיע על התוצאות או הפרשנות של מחקר זה. כל ההיבטים של המחקר, כולל עיצוב, איסוף נתונים, ניתוח והכנת כתבי יד, נערכו ללא תלות בהשפעה חיצונית כלשהי.

Acknowledgements

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

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.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
מקליט דיגיטליזוםH6חנות האודיו ZOOM
GitHubגיט2.47.1.2האתר הרשמי
מטלאבMathWorksR2024bהאתר הרשמי
פיצ'ארםJetBrains2024.1האתר הרשמי
פיתוןפיתון3.12האתר הרשמי

References

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

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Cough Tone ClassificationMachine Learning DiagnosticsVoice Signal AnalysisChronic Obstructive PulmonaryRespiratory Tract InfectionsLogistic Regression ModelRandom Forest ModelPrincipal Component AnalysisVoice Feature ExtractionNon Invasive Diagnosis

Related Articles