È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.

Articolo metodologico

Classificazione del tono della tosse basata sull'apprendimento automatico: esplorazione diagnostica della broncopneumopatia cronica ostruttiva e delle infezioni del tratto respiratorio

1.1K visualizzazioni

⸱

DOI:

10.3791/68222

⸱

19 settembre 2025

 ,  ,  ,  ,  ,  ,  ,  ,  , 
1Beijing University of Chinese Medicine, 2Institute of Information on Traditional Chinese Medicine, Chinese Academy of Traditional Chinese Medicine, 3Beijing University of Chinese Medicine Third Affiliated Hospital

* These authors contributed equally

In questo articolo

Sommario

Questo studio ha realizzato in modo efficace la classificazione automatizzata di due categorie distinte acquisendo dati sui suoni della tosse da pazienti con diagnosi di broncopneumopatia cronica ostruttiva (BPCO) e infezioni del tratto respiratorio (RTI), utilizzando un'integrazione di tecniche di elaborazione del segnale vocale e algoritmi di apprendimento automatico.

Abstract

L'obiettivo di questo studio era sviluppare e valutare un metodo non invasivo per distinguere i pazienti con broncopneumopatia cronica ostruttiva (BPCO) da quelli con infezioni del tratto respiratorio (RTI) utilizzando l'analisi del segnale vocale e l'apprendimento automatico. I segnali vocali a pattern fisso sono stati raccolti da 25 pazienti con BPCO e 25 pazienti con RTI (fungendo da gruppo di controllo/confronto). L'analisi multidimensionale delle caratteristiche vocali è stata eseguita per identificare le caratteristiche che differenziano significativamente i due gruppi. Le caratteristiche statisticamente significative sono state selezionate e sottoposte a riduzione della dimensionalità. I modelli di regressione logistica (LR) e foresta casuale (RF) sono stati quindi addestrati e valutati per le prestazioni di classificazione nel distinguere la BPCO dalla RTI. Inizialmente sono state analizzate oltre 400 funzioni vocali. Diciotto caratteristiche hanno mostrato differenze altamente significative tra i pazienti con BPCO e RTI (P <; 0,05). Nel compito di distinguere i pazienti con BPCO dai pazienti con RTI, il modello LR ha raggiunto un'area del set di test sotto l'AUC della curva di 0,95, superando significativamente il modello RF (AUC = 0,76). Questo studio dimostra la fattibilità dell'utilizzo dell'analisi vocale e dell'apprendimento automatico, in particolare del modello LR, come promettente strumento non invasivo per differenziare la BPCO dalla RTI. Fornisce una base per l'applicazione pratica e l'ulteriore ottimizzazione di questo approccio basato sulla voce in contesti clinici che richiedono una diagnosi differenziale delle condizioni respiratorie.

Introduzione

La broncopneumopatia cronica ostruttiva (BPCO) e le infezioni delle vie respiratorie contribuiscono in modo significativo alla mortalità e alla morbilità su scala globale. La BPCO è definita come una condizione infiammatoria cronica che colpisce le vie aeree e il parenchima polmonare, prevalentemente indotta dal fumo. È caratterizzata da sintomi come tosse persistente, dispnea e aumento della produzione di espettorato1. L'Organizzazione Mondiale della Sanità prevede che entro il 2030 la BPCO sarà la terza causa di morte in tutto il mondo, imponendo un notevole onere economico 2,3. Al contrario, le infezioni del tratto respiratorio (RTI) rappresentano circa il 6% del carico globale di malattia, superando il carico associato alla cardiopatia ischemica, all'infezione da HIV, al cancro, alla malaria e alle malattie diarroiche4.

A causa delle somiglianze sostanziali nelle manifestazioni cliniche delle due malattie, in particolare nella sintomatologia della tosse, che è un sintomo prevalente, una differenziazione precoce e precisa tra queste malattie è essenziale per un trattamento efficace 5,6. Gli approcci diagnostici tradizionali dipendono prevalentemente dalla valutazione dei sintomi clinici, dai test di funzionalità polmonare e dalle analisi di laboratorio7. Sebbene i metodi diagnostici convenzionali per la BPCO siano efficaci nell'identificare e valutare la condizione, presentano diversi limiti nella pratica clinica. Queste limitazioni includono un'accuratezza diagnostica inadeguata, una limitata capacità di diagnosi precoce, un'insufficiente comprensione dell'eterogeneità della malattia e una mancanza di monitoraggio dinamico 8,9,10,11. A differenza dei metodi diagnostici tradizionali per la BPCO, la tecnologia di diagnosi vocale, come strumento ausiliario emergente, offre numerosi vantaggi, in particolare nella diagnosi precoce, nella diagnosi non invasiva e nel monitoraggio dinamico.

Con i progressi nell'analisi del linguaggio, in particolare l'analisi automatizzata dei suoni della tosse, sta emergendo il potenziale per applicazioni diagnostiche rapide. La ricerca indica che i suoni della tosse racchiudono ampie informazioni sulle malattie polmonari, con le loro caratteristiche acustiche che riflettono le alterazioni dello stato di salute delle vie aeree12. Recentemente, tecniche basate sull'apprendimento automatico per l'analisi delle caratteristiche del linguaggio sono state impiegate nella diagnosi della BPCO e di altre condizioni, producendo risultati notevoli 13,14,15. Queste metodologie facilitano la classificazione efficace delle malattie estraendo le caratteristiche audio dai suoni della tosse, come frequenza, durata e ampiezza, e integrandole con algoritmi di apprendimento automatico per il riconoscimento dei modelli.

Nonostante alcuni studi indaghino il potenziale dell'analisi del suono della tosse nella diagnosi della malattia, persistono sfide significative nella differenziazione tra i pazienti con BPCO e quelli con RTI. Questa difficoltà sorge a causa della sovrapposizione delle caratteristiche nei suoni della tosse di entrambi i gruppi, aggravata dalla variabilità individuale. Di conseguenza, lo sviluppo di metodi per estrarre caratteristiche più precise e distinguibili dai suoni della tosse rimane una questione critica in questo settore.

Questo studio cerca di indagare un metodo di classificazione automatizzato per i suoni della tosse registrando l'audio di 25 pazienti con diagnosi di BPCO e 25 pazienti con RTI. Integrando l'analisi delle caratteristiche del parlato con algoritmi di apprendimento automatico, miriamo a migliorare l'accuratezza della differenziazione della malattia, migliorando così le capacità diagnostiche precoci per BPCO e RTI.

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

Protocollo

Il Comitato Etico dell'Università di Medicina Cinese di Pechino e il suo terzo ospedale affiliato hanno approvato questo studio di ricerca. Tutti i partecipanti hanno fornito il loro consenso informato scritto alla partecipazione. Tra luglio e agosto 2024, una coorte di 25 pazienti con BPCO è stata reclutata dal Dipartimento di Medicina Respiratoria del Terzo Ospedale Affiliato dell'Università di Medicina Cinese di Pechino. Contemporaneamente, è stato assemblato anche un gruppo di controllo composto da 25 pazienti con RTI superiore tipico.

1. Selezione dei partecipanti

  1. Criteri di inclusione
    1. Seleziona i campioni audio con basso rumore di fondo e un'articolazione chiara.
    2. Assicurarsi che una diagnosi di BPCO per il gruppo BPCO sia obbligatoria dalle linee guida cliniche stabilite da esperti polmonari.
      1. Confermare la diagnosi tramite spirometria post-broncodilatatrice (FEV1/FVC < 0,70) secondo i criteri GOLD 2024.
      2. Verificare la stabilità clinica (nessuna riacutizzazione ≥ 4 settimane)
    3. Assicurarsi che il gruppo di confronto comprenda persone che soffrono di RTI superiore tipico.
      1. Diagnosticare utilizzando i criteri diagnostici delle Linee guida per la diagnosi e il trattamento delle malattie da infezione respiratoria.
      2. Assicurarsi che il tempo di insorgenza dei sintomi ≤ 72 ore.
      3. Escludere la storia di malattia respiratoria cronica.
    4. Limitare l'età a 18-85 anni.
    5. Richiedere che tutti i partecipanti forniscano il consenso informato scritto per partecipare allo studio.
  2. Criteri di esclusione
    1. Escludere i partecipanti che hanno difficoltà di linguaggio, come disturbi delle corde vocali o laringite.
    2. Escludere i partecipanti con condizioni neurologiche che possono compromettere il linguaggio o le funzioni cognitive.
    3. Escludere i partecipanti con problemi di udito significativi.
    4. Escludere i partecipanti che non hanno aderito ai protocolli di studio o non sono riusciti a fornire un numero sufficiente di campioni audio.
    5. Escludere i partecipanti che non sono in grado di fornire il consenso informato.

2. Disegno dello studio

  1. Spostare i partecipanti in una sala di consultazione clinica standard silenziosa e isolata (dimensioni di 4 m × 5 m), con livelli di rumore esterno mantenuti al di sotto di 30 dB. Fallo sedere in una postura naturale e comoda e rimani in uno stato rilassato.
  2. Documenta meticolosamente i dettagli essenziali del partecipante, tra cui altezza, peso, età e altre informazioni rilevanti, e conferma il suo attuale stato di salute con un medico.
  3. Al termine della registrazione iniziale dei dati, regolare l'altezza del microfono nella posizione appropriata, garantendo una distanza di circa 20-30 cm tra il microfono e le labbra del partecipante.
  4. Raccogli le registrazioni audio utilizzando un registratore multitraccia portatile professionale, con la frequenza di campionamento impostata uniformemente su 44,1 kHz.
    1. Eseguire la calibrazione del dispositivo prima delle sessioni di registrazione giornaliere. Tenere premuta la manopola GAIN del canale di destinazione per 2 s finché sullo schermo non viene visualizzato CAL e il valore del livello corrente.
    2. Regolare il guadagno al valore target ruotando lentamente la manopola GAIN fino a quando il livello di ingresso visualizzato sullo schermo non corrisponde esattamente al valore nominale del tono di prova. Garantendo un margine di errore entro ≤±1 dB.
  5. Sotto la guida del team di campionamento, lasciare che il partecipante tossisca naturalmente in base alle sue condizioni. Cattura i suoni della tosse utilizzando i dispositivi di registrazione.
  6. Registra l'audio come '. WAV'.
  7. I segmenti audio anomali sono stati rimossi utilizzando il rilevamento dell'attività vocale (VAD) integrato dalla verifica manuale. Nello studio sono state incluse le registrazioni che hanno raggiunto la soglia del rapporto segnale/rumore (SNR) di >20 dB.
    NOTA: La metodologia completa è disponibile nel nostro repository GitHub (https://github.com/Liteng811/speech-feature-index-database-construction).

3. Sviluppo del repository delle funzioni vocali

NOTA: Il database degli indicatori delle caratteristiche vocali è una raccolta di caratteristiche acustiche per l'analisi comparativa dei modelli vocali nella BPCO rispetto all'RTI. L'architettura metodologica è illustrata in dettaglio nella Tabella 1. Per la sua costruzione è stata implementata una base di codice open source accessibile su GitHub (https://github.com/Liteng811/speech-feature-index-database-construction). I passaggi seguenti descrivono in dettaglio il download e l'esecuzione del codice.

  1. Installa MATLAB sul computer dal sito Web ufficiale di MathWorks (https://www.mathworks.com/). Assicurarsi che sia selezionata la versione appropriata per il sistema operativo. Per verificare che MATLAB sia installato correttamente, avviare il software MATLAB e digitare ver nella finestra di comando. Se installato correttamente, dovrebbero apparire le informazioni sulla versione di MATLAB.
  2. Installa Git dal sito Web ufficiale di Git (https://git-scm.com/). Per confermare l'avvenuta installazione, inserire il seguente comando nella riga di comando (Prompt dei comandi per Windows, Terminale per Mac/Linux): git --version. Se Git è stato installato correttamente, verranno visualizzate le informazioni sulla versione.
  3. Recuperare il repository di codice
    1. Utilizzando un'interfaccia a riga di comando, eseguire il comando git clone per scaricare i file di progetto nel computer locale:
      Git clone https://github.com/Liteng811/voice-feature-index-database-construction.git
      NOTA: Questa operazione crea una nuova directory denominata "voice-feature-index-database-construction" nella directory di lavoro corrente, contenente tutti i file di progetto.
    2. Accedi alla cartella scaricata per gestirne il contenuto eseguendo:
      cd voce-caratteristica-indice-database-costruzione.
  4. Configurazione dell'ambiente MATLAB.
    1. Avvia l'applicazione MATLAB.
    2. Integra la cartella del progetto nel percorso di ricerca di MATLAB. Passare alla scheda Home , fare clic su Imposta percorso, quindi su Aggiungi cartella. Seleziona la directory clonata voice-feature-index-database-construction e salva le modifiche. Ciò consente a MATLAB di accedere a tutti gli script necessari.
    3. Dal pannello Cartella corrente in MATLAB, aprire lo script di elaborazione principale (voiceH6_batch_3_stage_WAV_tt.m) facendo doppio clic su di esso.
  5. Preparazione dei dati.
    1. L'analisi richiede file audio di input in formato .wav o .pcm .
    2. I percorsi di questi file audio sono codificati all'interno degli script. Aggiornare queste variabili di percorso in modo che puntino alle posizioni corrette nel sistema locale.
  6. Esecuzione dello script.
    1. Con lo script principale (voiceH6_batch_3_stage_WAV_tt.m) aperto, avvia l'elaborazione facendo clic sul pulsante Esegui o digitando il nome dello script direttamente nella finestra di comando di MATLAB: voiceH6_batch_3_stage_WAV_tt.
    2. Lo script richiede l'interazione dell'utente. MATLAB visualizzerà un'interfaccia grafica che richiede all'utente di scegliere il file o la cartella audio appropriata. Assicurarsi che il file audio o la cartella selezionata per l'elaborazione corrisponda al prompt.
    3. Se si verificano problemi con il blocco o la mancata visualizzazione dell'interfaccia grafica durante l'esecuzione dello script in MATLAB, verificare potenziali problemi di compatibilità con la versione MATLAB o assicurarsi che i driver grafici del sistema operativo funzionino correttamente.
  7. Genera i risultati. Al termine, cerca un file di output .txt in cui lo script avrà scritto i risultati dell'estrazione delle funzionalità. Il file di output conterrà informazioni come i risultati del riconoscimento delle funzioni audio.

4. Analisi dei dati

NOTA: A seguito dell'assemblaggio del database degli indicatori vocali, sono state condotte analisi statistiche. L'approccio analitico è delineato nella Tabella 2. Il test U di Mann-Whitney è stato impiegato per valutare le differenze nelle caratteristiche del segnale vocale tra i gruppi BPCO e RTI.

  1. Test per Mann-Whitney U.
    NOTA: Dopo aver ottenuto la libreria dell'indice delle funzioni vocali, il test U di Mann-Whitney è stato eseguito sui dati utilizzando SPSS 20.0. Il processo operativo è il seguente:
    1. Apri SPSS e carica il file di dati.
    2. Selezionare Analizza > test non parametrici > finestre di dialogo legacy > 2 campioni indipendenti dalla barra dei menu.
    3. Nella finestra di dialogo popup:
      1. Elenco variabili di test: selezionare le variabili da confrontare (variabili osservate).
      2. Variabile di raggruppamento: selezionare la variabile di raggruppamento (la variabile che verrà utilizzata per il raggruppamento).
      3. Fare clic sul pulsante Definisci gruppi per immettere gli identificatori dei due gruppi nella finestra popup (ad esempio, se raggruppati come "Gruppo 1" e "Gruppo 2", immettere 1 e 2).
    4. In Tipo di test, selezionare parzialmente il test U di Mann-Whitney .
    5. Fare clic su OK e SPSS genererà automaticamente l'output.
  2. Analisi delle componenti principali (PCA)
    NOTA: A seguito dell'identificazione di caratteristiche statisticamente significative, l'analisi delle componenti principali (PCA) è stata impiegata per l'esplorazione avanzata dei dati. Questa tecnica riduce la dimensionalità condensando le variabili originali in un insieme più piccolo di componenti compositi che preservano le informazioni critiche e semplificano l'interpretabilità del set di dati. Prima di eseguire la PCA, i dati venivano standardizzati automaticamente dal software statistico per mitigare le distorsioni legate alla scala. La procedura è stata eseguita come segue:
    1. Assicurarsi che i dati siano stati raccolti, salvati in formato Excel o CSV e importati in SPSS 20.0.
    2. Seleziona File > Apri > dati, quindi seleziona il file da aprire.
    3. Assicurarsi che i valori mancanti e i valori anomali nei dati vengano gestiti e che le variabili siano standardizzate.
    4. Per l'analisi PCA in SPSS, fare clic su Analizza > fattore di riduzione delle quote >.
    5. Nella finestra di dialogo, aggiungere tutte le variabili utilizzate in PCA al campo Variabili . Queste variabili sono in genere dati continui.
    6. Imposta il metodo di estrazione.
      1. Nella finestra di dialogo, fare clic sul pulsante Estrazione e selezionare il metodo Componenti principali . Per impostazione predefinita, SPSS estrae un numero sufficiente di componenti principali per spiegare la varianza dei dati.
      2. Seleziona Autovalori maggiori di 1 come criterio di ritenzione, il che significa che vengono mantenuti solo i componenti principali con autovalori maggiori di 1, il che di solito spiega la maggior parte della varianza.
    7. Selezionare il metodo di rotazione e fare clic su Rotazione per scegliere Varimax (rotazione ortogonale) o Promax (rotazione obliqua). Per la maggior parte delle applicazioni, Varimax è un metodo di rotazione comunemente usato.
    8. Nelle opzioni, controllare il grafico di ghiaione e la matrice dei coefficienti in modo che il diagramma della ghiaia dei componenti principali e la matrice dei coefficienti di ciascun componente principale possano essere emessi per aiutare a giudicare la varianza mantenuta.
    9. Dopo aver impostato tutte le opzioni, fare clic sul pulsante OK e SPSS genererà l'output.
    10. Interpretazione dei risultati.
      1. Interpretare la matrice di caricamento dei componenti principali per identificare le relazioni tra i componenti principali e le variabili originali. Si noti che le variabili con valori di carico più elevati richiedono un contributo maggiore alle modifiche.
      2. Spiegare la varianza utilizzando la tabella "Varianza totale spiegata". Osservare gli autovalori e le proporzioni della varianza per ogni componente principale. Seleziona i componenti principali con grandi proporzioni di varianza, poiché in genere spiegano la maggior parte della variazione dei dati.
      3. Utilizzare il grafico di ghiaione per determinare i componenti principali mantenuti. Identifica il chiaro punto di inflessione nel grafico. Mantenete i componenti principali a sinistra del punto di flesso.
      4. Punteggi dei componenti principali: selezionare Salva come variabili se è necessario ottenere il punteggio per ciascun campione sul componente principale e SPSS aggiungerà i punteggi dei componenti principali al set di dati come nuove variabili.

5. Costruire il modello di regressione logistica (LR) e foresta casuale (RF)

NOTA: Il quadro metodologico specifico per la costruzione di modelli LR e RF è dettagliato nella Tabella 3. Nel frattempo, i modelli LR e RF in questo studio sono stati caricati su GitHub (https://github.com/Liteng811/The-distinction-between-COPD-and-respiratory-infections). Di seguito verrà descritto principalmente come scaricare ed eseguire il codice da GitHub. Il modello RF è stato costruito utilizzando Python 3.12.3 come linguaggio di programmazione principale.

  1. Ottenere la base di codice del progetto.
    1. Avvia un terminale o un prompt dei comandi ed esegui il comando git clone per scaricare il repository in locale:
      clone git La distinzione-tra-BPCO e-infezioni-respiratorie.git La-distinzione-tra-BPCO e-infezioni-respiratorie.git
      Si noti che questo comando recupera tutto il contenuto del repository nella directory di lavoro corrente, generando una nuova cartella intitolata The-distinction-between-COPD-and-respiratory-infections.
  2. Impostare l'ambiente di programmazione.
    1. Scarica e installa Python dal sito di distribuzione ufficiale (https://www.python.org/).
    2. Utilizzare il comando seguente per installare tutte le dipendenze Python elencate nel file dei requisiti: pip install -r requirements.txt.
    3. Se il file requirements.txt non è disponibile, installare manualmente le librerie essenziali eseguendo:
      pip installa numpy panda scikit-impara matplotlib
    4. Installa l'ambiente di sviluppo integrato PyCharm dal sito Web ufficiale di JetBrains (https://www.jetbrains.com/pycharm/).
  3. Esplora i contenuti del repository.
    1. Nel repository, individuare i file di script principali (LR.py, RF.py).
    2. Apri questi file utilizzando un editor di codice o PyCharm per esaminarne l'implementazione e i dettagli strutturali.
  4. Preparare i dati di input.
    1. Assicurarsi che il set di dati richiesto sia disponibile in .xlsx formato, come previsto dal codice, e organizzato correttamente prima dell'esecuzione.
    2. Il codice contiene percorsi di file hardcoded. Aggiornare questi percorsi in modo che riflettano le posizioni effettive dei file, sostituendo in modo efficace i percorsi esistenti nel codice (ad esempio, C:\Users\1\Desktop\pca-result.xlsx) con i percorsi effettivi dei file nel sistema.
  5. Esegui il codice.
    1. Una volta individuato lo script principale, eseguilo tramite la riga di comando. Ad esempio, per eseguire LR.py, utilizzare: python LR.py
      Se lo script di destinazione è RF.py, sostituire il nome del file di conseguenza.
    2. Prima dell'esecuzione, assicurarsi che il terminale si trovi nella directory di lavoro corretta o specificare il percorso completo dello script. Per esempio:
      python C:/percorso/del/tuo/repository/LR.py.
    3. Durante il funzionamento, lo script caricherà il set di dati, addestrerà il modello di apprendimento automatico corrispondente (LR o RF) e genererà metriche delle prestazioni, tra cui precisione, matrice di confusione e curva ROC.

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

Risultati

Risultati dell'analisi dei dati

La ricerca ha isolato con successo oltre 400 indici di caratteristiche vocali utilizzando metodi come l'analisi nel dominio del tempo, l'analisi nel dominio della frequenza, l'estrazione del coefficiente cepstrale di frequenza Mel (MFCC) e l'alterazione degli indicatori di caratteristica in base alla diagnosi di MTC. L'analisi del dominio del tempo è un elemento cruciale nell'elab...

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

Discussione

Questo studio indaga metodi non invasivi per rilevare la BPCO attraverso l'analisi del segnale vocale e le tecniche di apprendimento automatico. Ha comportato la raccolta di dati vocali da 25 pazienti con BPCO e 25 pazienti con RTI. I modelli sono stati costruiti utilizzando algoritmi LR e RF. Entrambi i modelli hanno mostrato un'accuratezza simile nella corretta classificazione dei campioni nel complesso, ma la differenza nei valori di AUC indica che il modello LR potrebbe offrire un eq...

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

Dichiarazioni

Gli autori dichiarano di non avere conflitti di interesse in merito alla pubblicazione di questo studio. Non è stato ricevuto alcun sostegno finanziario o non finanziario da alcuna organizzazione commerciale che possa aver influenzato i risultati o l'interpretazione di questa ricerca. Tutti gli aspetti dello studio, tra cui la progettazione, la raccolta dei dati, l'analisi e la preparazione del manoscritto, sono stati condotti indipendentemente da qualsiasi influenza esterna.

Ringraziamenti

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
Registratore digitaleZOOMH6Negozio audio ZOOM
GitHubGit2.47.1.2Sito ufficiale
MatlabMathWorksR2024bSito ufficiale
PycharmJetBrains2024.1Sito ufficiale
PitonePitone3.12Sito ufficiale

Riferimenti

  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).

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

Ristampe e permessi

Tag

Diagnostica tramite Machine LearningAnalisi del segnale vocaleModello di regressione logisticaModello Random ForestAnalisi delle componenti principaliEstrazione delle caratteristiche vocaliDiagnosi non invasiva
Classificazione del tono della tosse basata sull'apprendimento automatico: esplorazione diagnostica della broncopneumopatia cronica ostruttiva e delle infezioni del tratto respiratorio
Contattaci
Consiglia alla biblioteca

Privacy

Termini di utilizzo

Politiche

Copyright © 2026 MyJoVE Corporation. Tutti i diritti riservati.