Articolo metodologico

Ricerca sul rilevamento dell'asma basata sull'elaborazione del segnale vocale e sull'apprendimento automatico

DOI:

10.3791/67742

⸱

22 luglio 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

In questo articolo

Sommario

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

Questo studio ha utilizzato l'analisi del segnale vocale e metodi di apprendimento automatico, utilizzando MATLAB per estrarre caratteristiche vocali distintive per la diagnosi precoce non invasiva dell'asma. Gli algoritmi SVM (Support Vector Machine) e Random Forest (RF) hanno dimostrato prestazioni comparabili in termini di accuratezza complessiva della classificazione, sebbene SVM possa raggiungere un migliore equilibrio tra sensibilità e specificità.

Abstract

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

Per analizzare i segnali vocali e identificare i pazienti asmatici utilizzando l'analisi dei segnali vocali e le tecniche di apprendimento automatico, abbiamo raccolto segnali vocali a schema fisso chiari e a basso rumore da 50 pazienti asmatici e 50 controlli sani per costruire un database di analisi. La ricerca ha condotto un'analisi multidimensionale del segnale vocale basata su MATLAB e su indicatori di caratteristiche vocali selezionati con differenze significative tra i pazienti asmatici e i controlli sani. Dopo l'analisi della riduzione della dimensionalità sulle caratteristiche fonetiche differenziali, le caratteristiche elaborate sono state incorporate nella successiva ricerca di modellazione e classificazione SVM e RF.

Lo studio ha stabilito oltre 400 indicatori di caratteristiche vocali relativi alla diagnosi, di cui 20 indicatori hanno mostrato differenze significative tra i pazienti asmatici e i controlli sani (P < 0,01). Nello studio di classificazione, entrambi i modelli SVM e RF hanno raggiunto tassi di accuratezza identici dell'87% sul set di test, con valori AUC di 0,95 per SVM e 0,93 per RF. Ciò dimostra le loro prestazioni comparabili in termini di accuratezza complessiva della classificazione, mentre la disparità nei valori di AUC suggerisce che il modello SVM può raggiungere un migliore compromesso tra sensibilità e specificità. Pertanto, questo documento non solo fornisce un nuovo metodo per la diagnosi precoce non invasiva dell'asma, ma getta anche le basi per un'ulteriore applicazione e ottimizzazione di questo metodo in contesti del mondo reale.

Introduzione

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

Secondo i dati dello studio China Pulmonary Health (CPH), la prevalenza dell'asma tra gli adulti cinesi è del 4,2%, con i medici che diagnosticano solo il 28,8% dei pazienti asmatici e solo il 5,6% che riceveun trattamento con corticosteroidi per via inalatoria. Queste cifre indicano un basso tasso di diagnosi e trattamento dell'asma in Cina, evidenziando l'urgente necessità di aumentare la consapevolezza e attirare l'attenzione sull'asma tra il pubblico e gli operatori sanitari. Gli attuali metodi diagnostici per l'asma sono vari, tra cui l'anamnesi clinica e l'esame fisico, i test di funzionalità polmonare e la misurazione frazionata dell'ossido nitrico espirato (FeNO), ma ognuno ha i suoi limiti a vari livelli 2,3,4. Inoltre, il monitoraggio regolare dell'asma è fondamentale per la gestione della malattia; Il monitoraggio sistematico dei sintomi e della funzione polmonare può prevenire efficacemente le riacutizzazioni dell'asma, migliorare la qualità della vita del paziente e ridurre le visite di emergenzae i ricoveri 5,6. Tuttavia, in pratica, questi metodi diagnostici convenzionali sono spesso poco pratici per le cure di routine a causa del loro costo e della loro complessità.

Date le circostanze di cui sopra, l'automonitoraggio dell'asma può svolgere un ruolo significativo nel controllo della malattia. Tale monitoraggio deve essere semplice, conveniente e accurato. A questo proposito, la voce offre vantaggi distinti. I pazienti asmatici mostrano spesso notevoli differenze nelle caratteristiche della voce, tra cui un tempo massimo di fonazione ridotto, disturbi della voce (come raucedine, rugosità e affaticamento vocale) e differenze significative nella frequenza e nell'intonazione fondamentali rispetto agli individui sani 7,8,9. Queste differenze potrebbero servire come un potenziale metodo per l'identificazione e il monitoraggio dell'asma.

L'apprendimento automatico ha dimostrato un potenziale significativo nel rilevare l'asma utilizzando i dati vocali. Gli studi hanno dimostrato che i sintomi dell'asma possono essere rilevati efficacemente analizzando i suoni della tosse, i suoni del respiro e altre caratteristiche acustiche rilevanti dei pazienti. Queste tecniche, tra cui l'apprendimento profondo, le reti neurali e altri modelli di apprendimento automatico, sono in grado di riconoscere i modelli vocali caratteristici e i cambiamenti dei suoni respiratori nei pazienti asmatici 10,11,12,13,14,15.

Rispetto ai suoni della tosse e del respiro, la voce a schema fisso (come la pronuncia dei numeri da 1 a 9) può essere più standardizzata e controllabile. Facilita inoltre l'estrazione delle funzioni, controlla la qualità della voce ed è più facile per la raccolta di dati su larga scala. Support Vector Machine (SVM) dimostra una forte capacità di classificazione nella gestione di dati ad alta dimensionalità e campioni rumorosi, mentre Random Forest (RF), con la sua eccellente robustezza, la capacità di gestire relazioni non lineari e la valutazione dell'importanza delle funzionalità, gestisce efficacemente dati di funzionalità vocali complesse 16,17,18,19,20.

In questo studio, abbiamo utilizzato registrazioni delle cifre "123456789" pronunciate a un ritmo normale e costante per estrarre le caratteristiche vocali correlate all'asma. Sulla base di queste caratteristiche, abbiamo costruito modelli RF e SVM per il rilevamento dell'asma. In futuro, questi modelli potrebbero essere integrati in applicazioni mobili per consentire l'identificazione dell'asma e il monitoraggio della progressione della malattia, contribuendo così a prevenire le riacutizzazioni dell'asma.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

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

Il Comitato Etico dell'Università di Medicina Cinese di Pechino e il suo terzo ospedale affiliato hanno approvato questo studio. Tutti i partecipanti hanno firmato il consenso informato scritto prima di partecipare. Da luglio ad agosto 2024 abbiamo reclutato 50 pazienti del Dipartimento di Medicina Respiratoria del Terzo Ospedale Affiliato dell'Università di Medicina Cinese di Pechino. Allo stesso tempo, abbiamo arruolato 50 individui sani come controlli.

1. Selezione dei partecipanti

  1. Impostare i seguenti criteri di inclusione.
    1. Tra i campioni audio in cui gli altoparlanti pronunciano le cifre "123456789" a un ritmo normale e costante, seleziona quelli con basso rumore di fondo e articolazione chiara.
    2. Assicurarsi che il gruppo asmatico abbia una diagnosi confermata di asma basata su criteri clinici stabiliti da uno specialista respiratorio e che il gruppo di controllo sia composto da individui sani senza malattie respiratorie o altre condizioni che potrebbero influire sulla qualità della voce.
    3. Selezione dei partecipanti di età compresa tra 18 e 75 anni, con il rapporto tra i sessi mantenuto coerente tra i gruppi.
    4. Ottenere il consenso informato scritto da tutti i partecipanti allo studio.
  2. Impostare i seguenti criteri di esclusione.
    1. Escludere i partecipanti con malattie respiratorie croniche come la broncopneumopatia cronica ostruttiva (BPCO) o la malattia polmonare interstiziale.
    2. Escludere i partecipanti che hanno avuto infezioni respiratorie acute o esacerbazioni della malattia nelle ultime 6 settimane.
    3. Escludere gli individui con una storia di disturbi della voce, come problemi alle corde vocali o laringite.
    4. Escludere i partecipanti con disturbi neurologici che potrebbero compromettere la voce o le funzioni cognitive.
    5. Escludere le persone con problemi di udito significativi.
    6. Escludere i partecipanti che non hanno aderito al protocollo di studio o non hanno fornito campioni audio sufficienti.
    7. Escludere le persone che non sono in grado o non vogliono fornire il consenso informato.

2. Disegno dello studio

  1. Registrare i partecipanti in una sala di consultazione isolata e silenziosa (rumore ambientale < 30 dB) in una posizione seduta naturale e confortevole, mantenendo uno stato rilassato (come mostrato nella Figura 1).
  2. Chiedere al personale (il personale addetto al prelievo) che registra i partecipanti di ottenere le informazioni di base (altezza, peso, età, ecc.) dei partecipanti registrati e verificare con il medico se il partecipante aveva una diagnosi di asma pura.
  3. Dopo aver raccolto le informazioni di base, chiedere al personale addetto al campionamento di regolare il microfono del dispositivo di registrazione a un'altezza adeguata, a circa 20-30 cm dalle labbra.
  4. Raccogli le registrazioni audio utilizzando un registratore digitale, con la frequenza di campionamento impostata uniformemente su 44,1 kHz. Calibrare il dispositivo prima delle sessioni di registrazione giornaliere, garantendo un margine di errore entro ≤±1 dB.
  5. Guida i partecipanti a leggere ad alta voce i numeri da 1 a 9 in sequenza, mantenendo la velocità naturale della voce e un'articolazione chiara durante tutta la registrazione.
  6. Al termine, salva l'audio in formato .wav.
  7. Rimuovi i segmenti audio anomali tramite il rilevamento dell'attività vocale (VAD) combinato con la verifica manuale. Includi nello studio le registrazioni che soddisfano il criterio del rapporto segnale/rumore (SNR) di >20 dB.

3. Costruzione di una libreria di funzioni vocali

NOTA: Il database degli indicatori delle caratteristiche vocali è una raccolta di varie caratteristiche del linguaggio utilizzate per analizzare le differenze nel linguaggio tra pazienti asmatici e individui sani, supportando lo screening precoce e il rilevamento dell'asma. Il quadro metodologico specifico per la costruzione del repository delle metriche delle funzionalità vocali è descritto in dettaglio nella Tabella 1. Nel frattempo, il processo di costruzione del database dell'indice delle funzioni vocali per questo studio è stato caricato su GitHub (https://github.com/Liteng811/speech-feature-index-database-construction). I passaggi seguenti descrivono principalmente come scaricare ed eseguire il codice da GitHub.

  1. Installa MATLAB sul computer dal sito Web ufficiale di MathWorks, selezionando la versione appropriata per il sistema operativo. Verificare se MATLAB è installato correttamente avviando il software MATLAB e digitando ver nella finestra di comando. Se installato correttamente, vengono visualizzate le informazioni sulla versione di MATLAB.
  2. Installa Git dal sito Web ufficiale di Git (https://git-scm.com/). Conferma l'avvenuta installazione inserendo il seguente comando nella riga di comando (Prompt dei comandi per Windows, Terminale per Mac/Linux): git --version. Se l'installazione è riuscita, vengono visualizzate le informazioni sulla versione di Git.
  3. Clona il repository GitHub.
    1. Aprire lo strumento da riga di comando e utilizzare il seguente comando per clonare il repository sul computer locale:
      Git clone https://github.com/Liteng811/voice-feature-index-database-construction.git
      NOTA: questo comando scaricherà il contenuto del repository GitHub nella directory di lavoro corrente e creerà una cartella denominata voice-feature-index-database-construction
    2. Per navigare in questa cartella per visualizzare e gestire il codice e i file scaricati, utilizzare il comando:
      cd voce-caratteristica-indice-database-costruzione.
  4. Configura l'ambiente MATLAB.
    1. Avvia il software MATLAB.
    2. In MATLAB, fai clic sul pulsante Imposta percorso nella scheda Home e seleziona Aggiungi cartella. Scegli la cartella voice-feature-index-database-construction che è stata appena clonata e fai clic su Salva. Ciò consentirà a MATLAB di riconoscere ed eseguire tutti i file di script in quella cartella.
    3. Nella finestra Cartella corrente di MATLAB, individua la cartella voice-feature-index-database-construction e fai doppio clic sul file voiceH6_batch_3_stage_WAV_tt.m per aprirla. Questo file è lo script di elaborazione principale.
  5. Configurare e preparare i dati.
    1. Il codice nel repository richiede file audio come input. Assicurarsi che i file audio siano in formato .wav o .pcm .
    2. I percorsi dei file audio sono codificati nel codice del repository (cioè, sono scritti direttamente nel codice). Modificare i percorsi in base alla posizione dei file locali.
  6. Esegui il codice.
    1. Dopo aver aperto il file voiceH6_batch_3_stage_WAV_tt.m , fare clic sul pulsante Esegui o digitare il nome del file nella finestra di comando per eseguire lo script:
      voiceH6_batch_3_stage_WAV_tt.
    2. Lo script richiede l'interazione dell'utente. MATLAB visualizzerà un'interfaccia grafica per richiedere all'utente di selezionare il file o la cartella audio corrispondente. Assicurati di selezionare correttamente il file audio o la cartella da elaborare come richiesto.
    3. In caso di problemi con il blocco o la mancata visualizzazione dell'interfaccia grafica durante l'esecuzione dello script in MATLAB, verificare la presenza di potenziali problemi di compatibilità della versione di MATLAB o assicurarsi che i driver grafici del sistema operativo funzionino correttamente.
  7. Genera i risultati. Dopo l'esecuzione, cercare un file di output .txt in cui lo script scriverà i risultati dell'estrazione delle funzionalità. Il file di output salverà informazioni come i risultati del riconoscimento delle funzioni audio.

4. Analisi dei dati

NOTA: Dopo aver ottenuto il database degli indicatori delle funzioni vocali, eseguire analisi statistiche sui dati. Il quadro metodologico specifico per l'analisi dei dati è illustrato in dettaglio nella Tabella 2. Le procedure operative specifiche sono descritte di seguito.

  1. Test di normalità e omogeneità della varianza
    NOTA: Abbiamo condotto test per la normalità e l'omogeneità della varianza sugli indicatori delle funzioni vocali per determinare i metodi di analisi statistica appropriati. Se tutti i gruppi di indicatori soddisfacevano sia le ipotesi di normalità che di omogeneità della varianza, è stato utilizzato il t-test su campioni indipendenti. In caso contrario, abbiamo applicato il test U di Mann-Whitney.
    1. Aprire il software statistico, fare clic su File | Aperto | Dati e selezionare il file di dati. Assicurarsi che le variabili siano classificate e visualizzate correttamente nella visualizzazione dati.
    2. Passare ad Analizza | Statistica descrittiva | Esplora.
    3. Nella finestra di dialogo, spostare le variabili da testare nel campo Elenco dipendenti .
    4. Fai clic sul pulsante Grafici nell'angolo in alto a destra della finestra. Nella finestra di dialogo, selezionare Grafici di normalità con test e fare clic su Continua.
    5. Tornare alla finestra principale e fare clic su OK per eseguire il test di normalità.
    6. Nella finestra di output , individuare la tabella Test di normalità. Focus sui valori di significatività (Sig.) del test di Kolmogorov-Smirnov (test K-S) e Shapiro-Wilk (test S-W). Se Sig. > 0,05, i dati seguono una distribuzione normale ; se Sig. ≤ 0,05, i dati non seguono una distribuzione normale.
    7. Passare ad Analizza | Confronta i mezzi | ANOVA a senso unico.
    8. Nella finestra di dialogo, spostare la variabile dipendente nel campo Elenco dipendenti e la variabile di raggruppamento (variabile categoriale) nel campo Fattore .
    9. Fare clic sul pulsante Opzioni sul lato destro della finestra di dialogo. Selezionare Test di omogeneità della varianza e fare clic su Continua.
    10. Tornare alla finestra principale e fare clic su OK per eseguire il test di omogeneità della varianza.
    11. Nella finestra di output , individuare la tabella Test di omogeneità degli scostamenti. Concentrati sul valore di significatività (Sig.) della statistica Levene. Se Sig. > 0,05, l'ipotesi di omogeneità della varianza è soddisfatta; se Sig. ≤ 0,05, l'ipotesi di omogeneità della varianza è violata.
  2. Test U di Mann-Whitney
    NOTA: Poiché gli indicatori di questo studio non soddisfacevano contemporaneamente le ipotesi di normalità e omogeneità della varianza, abbiamo applicato il test U di Mann-Whitney per confrontare le differenze negli indicatori delle caratteristiche del segnale vocale tra il gruppo asmatico e il gruppo di controllo sano.
    1. Passare ad Analizza | Test non parametrici | Finestre di dialogo legacy | 2 campioni indipendenti.
    2. Nella finestra di dialogo, spostare la variabile continua (variabile dipendente) nel campo Elenco variabili di test e la variabile di raggruppamento (variabile categoriale) nel campo Variabile di raggruppamento .
    3. Fare clic su Definisci gruppi, inserire le due categorie della variabile di raggruppamento (ad esempio, "1" e "2") e fare clic su Continua.
    4. Nella finestra principale , seleziona Mann-Whitney U. Assicurarsi che l'opzione Esatto sia deselezionata (selezionare questa opzione per campioni di piccole dimensioni per migliorare la precisione). Fare clic su Opzioni, selezionare Descrittivo e quindi fare clic su Continua.
    5. Torna alla finestra principale e fai clic su OK per eseguire il test U di Mann-Whitney.
    6. Nella finestra di output , individuare la tabella Statistiche test: il valore U di Mann-Whitney rappresenta la statistica del test. Il valore Asintomatico Sig. (2 code) rappresenta il valore p. Se p > 0,05, non esiste alcuna differenza significativa tra i gruppi; Se P ≤ 0,05, esiste una differenza significativa tra i gruppi.
    7. Per identificare quale gruppo ha valori di misurazione più elevati, controlla la tabella Classifiche, che mostra le classifiche medie e le dimensioni del campione per ciascun gruppo.
  3. Analisi delle componenti principali (PCA)
    NOTA: Dopo aver identificato gli indicatori differenziali, abbiamo condotto la PCA per analizzare ulteriormente i dati. La PCA è una tecnica di riduzione della dimensionalità che trasforma i dati originali in pochi componenti principali per estrarre caratteristiche importanti e semplificare l'analisi. Prima della PCA, il software statistico standardizzava automaticamente i dati per eliminare gli effetti dimensionali.
    1. Passare ad Analizza | Riduzione dimensionale | Fattore.
    2. Nella finestra di dialogo, spostare tutte le variabili da analizzare nel campo Variabili .
    3. Fare clic sul pulsante Descrittivi e selezionare KMO e il test di sfericità di Bartlett per verificare se i dati sono adatti per la PCA. Fai clic su Continua.
    4. Nella scheda Estrazione , impostare Metodo su Componenti principali, selezionare Grafico ghiaione per determinare il numero di componenti principali e impostare Estrai su Autovalori maggiori di 1. Fai clic su Continua.
    5. Nella scheda Rotazione , seleziona Nessuno. Fai clic su Continua.
    6. Nella scheda Punteggi selezionare Salva come variabili per salvare i punteggi dei componenti principali nel set di dati.
    7. Torna alla finestra principale e fai clic su OK per eseguire la PCA.
    8. KMO e test di Bartlett: un valore KMO ≥ 0,6 indica che i dati sono adatti per la PCA. Un valore di Sig. del test di sfericità di Bartlett < 0,05 indica correlazioni significative tra le variabili, rendendo i dati adatti per la PCA.
    9. Spiegazione della varianza totale: esaminare gli autovalori e la varianza spiegati da ciascun componente principale. Un tasso di spiegazione della varianza cumulativa del 70%-85% è l'ideale.
    10. Utilizzare il grafico di ghiaione per determinare il numero di componenti principali, in genere selezionando i componenti prima del punto di flesso.
    11. Matrice dei componenti o Matrice dei componenti ruotati: controlla i coefficienti di carico delle variabili su ciascun componente principale. I coefficienti > 0,5 sono considerati contributi significativi.

5. Costruzione dei modelli SVM e RF

NOTA: Il quadro metodologico specifico per la costruzione di modelli SVM e RF è dettagliato nella Tabella 3. Abbiamo caricato i modelli SVM e RF per il rilevamento dell'asma costruiti in questo studio su GitHub (https://github.com/Liteng811/Asthma-Detection). Di seguito verrà descritto principalmente come scaricare ed eseguire il codice da GitHub.

  1. Clonare il repository GitHub.
    1. Aprire lo strumento da riga di comando e utilizzare il seguente comando per clonare il repository sul computer locale:
      Git clone https://github.com/Liteng811/Asthma-Detection.git
      NOTA: questo comando scaricherà il contenuto del repository GitHub nella directory di lavoro corrente e creerà una cartella denominata Asthma-Detection.
  2. Installa Python, PyCharm e le librerie Python richieste.
    1. Installa Python sulla macchina dal sito Web ufficiale di Python (https://www.python.org/).
    2. Dopo aver installato Python, installa le librerie Python necessarie utilizzando il seguente comando: pip install -r requirements.txt.
    3. Se non è presente alcun file requirements.txt , installare le librerie utilizzate in questo studio con il seguente comando:
      pip installa numpy panda scikit-impara matplotlib
    4. Assicurati di installare PyCharm dal sito Web ufficiale di PyCharm (https://www.jetbrains.com/pycharm/).
  3. Visualizzare i file nel repository.
    1. Nel repository, individuare i file di script principali (SVM.py, RF.py).
    2. Usa un editor di testo o PyCharm per aprire questi file Python e rivederne il contenuto e la struttura.
  4. Configurare il set di dati.
    1. Il codice nel repository richiede file di dati. Verificare che i file di dati siano stati preparati e che il loro formato corrisponda ai requisiti del codice (.xlsx).
    2. Nel codice sono presenti percorsi di file hardcoded. Modificare i percorsi in base alla posizione effettiva dei file, ovvero sostituire i percorsi nel codice (ad esempio, C:\Users\1\Desktop\pca-result.xlsx) con i percorsi dei file effettivi nel sistema.
  5. Esegui il codice.
    1. Dopo aver trovato lo script principale, utilizzare il seguente comando nella riga di comando per eseguire il codice (utilizzando SVM.py come esempio). Se lo script principale è RF.py, eseguire invece lo script corrispondente.
      Python SVM.py.
    2. Quando si esegue il codice, passare alla directory di lavoro corretta o specificare lo script utilizzando il percorso completo nella riga di comando. Ad esempio, se si esegue python SVM.py nella riga di comando, passare alla directory contenente SVM.py o utilizzare il percorso assoluto:
      python C:/percorso/del/tuo/repository/SVM.py.
    3. Durante l'esecuzione, il codice caricherà i dati, addestrerà i modelli di apprendimento automatico (SVM o RF) e produrrà risultati come precisione, matrice di confusione e curva ROC.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

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

Completamento della costruzione del database dell'indice delle funzioni vocali

Questo studio ha estratto con successo 467 metriche di funzionalità vocali attraverso un'analisi multilivello dei segnali vocali. Vedere l'URL GitHub precedente per gli indicatori delle funzionalità vocali 467. I metodi analitici impiegati includono l'analisi nel dominio del tempo, l'analisi nel dominio della frequenza, l'estrazione MFCC e la trasformazione delle caratteristiche in base agli standar...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

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

Questo studio esplora i metodi di rilevamento dell'asma non invasivi utilizzando l'analisi del segnale vocale e le tecniche di apprendimento automatico. Raccogliendo dati vocali da 50 pazienti asmatici e 50 controlli sani, questo studio ha costruito modelli utilizzando algoritmi SVM e RF 16,17,18,19,20. Entrambi i modelli hann...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

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

Gli autori non hanno conflitti di interesse da dichiarare.

Ringraziamenti

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

Questo studio è stato supportato dal National Natural Science Foundation of China Youth Science Fund Project (numero di approvazione del progetto: 82104739) e dal programma di ricerca scientifica dell'amministrazione provinciale di medicina tradizionale cinese dell'Hebei (numero di progetto: B2025032). Gli autori ringraziano tutti gli insegnanti e gli studenti che hanno fornito assistenza durante l'esperimento.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
DeviceFornitoreModel/VersionBrand
Digital RecorderZOOM Audio StoreH6ZOOM
GitHubSito ufficiale2.47.1.2Git
Matlabhttps://www.mathworks.com/R2024bMathWorks
Sito ufficiale di Pycharm2024.1Sito ufficiale di JetBrains
Python3.12Python

Riferimenti

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

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

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

Articoli correlati