音声信号処理と機械学習に基づく喘息検出研究

サマリー

この研究では、音声信号解析と機械学習の手法を採用し、MATLAB を利用して、喘息の非侵襲的な早期検出のための特徴的な音声特徴を抽出しました。サポートベクターマシン(SVM)アルゴリズムとランダムフォレスト(RF)アルゴリズムは、全体的な分類精度の点で同等のパフォーマンスを示しましたが、SVMは感度と特異性のバランスを改善する可能性があります。

要約

音声信号解析と機械学習技術を用いて音声信号を解析し、喘息患者を特定するために、50人の喘息患者と50人の健常対照者から明瞭で低雑音の固定パターン音声信号を収集し、解析データベースを構築しました。この研究では、MATLABと、喘息患者と健常者との間に有意差のある音声特徴インジケーターを選択した上で、多次元の音声信号解析を行いました。差分音声特徴の次元削減解析後、処理された特徴は、その後のSVMおよびRFモデリングおよび分類研究に組み込まれました。

この研究では、診断に関連する400以上の音声特徴指標が確立され、そのうち20の指標は喘息患者と健常対照者との間に有意差を示しました(P < 0.01)。分類研究では、SVMモデルとRFモデルの両方がテストセットで87%の同一の精度を達成し、AUC値はSVMで0.95、RFで0.93でした。これは、全体的な分類精度の点で同等のパフォーマンスを示していますが、AUC値の不一致は、SVMモデルが感度と特異度の間でより優れたトレードオフを達成する可能性があることを示唆しています。したがって、この論文は、喘息の非侵襲的な早期検出のための新しい方法を提供するだけでなく、この方法を実際の環境でさらに適用および最適化するための基礎を築きます。

概要

China Pulmonary Health(CPH)研究のデータによると、中国の成人の喘息の有病率は4.2%で、医師が診断する喘息患者はわずか28.8%で、吸入ステロイド治療を受けているのはわずか5.6%です¹。これらの数字は、中国における喘息の診断と治療の割合が低いことを示しており、一般市民と医療従事者の間で喘息に対する意識を高め、注目を集めることが急務であることを強調しています。喘息の現在の診断方法は、病歴と身体検査、肺機能検査、呼気一酸化窒素(FeNO)測定などさまざまですが、それぞれにさまざまな程度^{の制限があります2,3,4}。さらに、喘息の定期的なモニタリングは、疾病管理にとって非常に重要です。症状と肺機能を体系的にモニタリングすることで、喘息の悪化を効果的に予防し、患者の生活の質を向上させ、緊急訪問や入院を減らすことができます^5,6。しかし、実際には、これらの従来の診断方法は、そのコストと複雑さのために、日常的なケアには実用的でないことがよくあります。

上記のような状況から、喘息の自己モニタリングは疾患管理に重要な役割を果たす可能性があります。このような監視は、シンプルで便利、かつ正確である必要があります。この点で、音声には明確な利点があります。喘息患者は、健康な個人と比較して、最大発声時間の短縮、音声障害(嗄声、荒れ、声の疲労など)、基本的な周波数とピッチの有意な違いなど、声の特徴に顕著な違いを示すことがよくあります^7,8,9。これらの違いは、喘息の特定とモニタリングのための潜在的な方法として役立つ可能性があります。

機械学習は、音声データを使用して喘息を検出する上で大きな可能性を示しています。研究によると、喘息の症状は、患者の咳音、呼吸音、およびその他の関連する音響的特徴を分析することで効果的に検出できることが示されています。ディープラーニング、ニューラルネットワーク、その他の機械学習モデルを含むこれらの技術は、喘息患者^{10、11、12、13、14、15}の特徴的な音声パターンと呼吸音の変化を認識することができる。

咳や息の音と比較して、固定パターンの音声(1〜9の数字の発音など)は、より標準化され、制御可能です。また、特徴抽出を容易にし、音声品質を制御し、大規模なデータ収集を容易にします。Support Vector Machine(SVM)は、高次元データやノイズの多いサンプルを扱う際に強力な分類能力を発揮し、Random Forest(RF)は、優れた堅牢性、非線形関係の処理能力、特徴重要度評価により、複雑な音声特徴データ16,17,18,19,20を効果的に管理します。

本研究では、喘息に関連する音声の特徴を抽出するために、正常で安定したペースで話される数字「123456789」の録音を使用しました。これらの特徴に基づいて、喘息検出のためのRFモデルとSVMモデルを構築しました。将来的には、これらのモデルをモバイルアプリケーションに統合して、喘息の特定と疾患の進行のモニタリングを可能にし、喘息の増悪を防ぐのに役立つ可能性があります。

プロトコル

北京中医薬大学とその第三関連病院の倫理委員会は、この研究を承認しました。すべての参加者は、参加する前に書面によるインフォームドコンセントに署名しました。2024年7月から8月にかけて、北京中医薬大学第三附属病院呼吸器内科から50名の患者様を募集しました。同時に、50人の健康な個人を対照として登録しました。

1. 参加者の選考

1. 次の包含基準を設定します。
   1. スピーカーが数字の「123456789」を通常の安定したペースで発音するオーディオサンプルの中から、バックグラウンドノイズが少なく、明瞭なアーティキュレーションのものを選択します。
   2. 喘息グループが呼吸器専門医による確立された臨床基準に基づいて喘息の診断を確認していること、および対照グループが呼吸器疾患や音声品質に影響を与える可能性のあるその他の状態のない健康な個人で構成されていることを確認します。
   3. 18〜75歳の参加者を選択し、性別比はグループ間で一定に保たれます。
   4. 研究のすべての参加者から書面によるインフォームドコンセントを取得します。
2. 次の除外条件を設定します。
   1. 慢性閉塞性肺疾患 (COPD) や間質性肺疾患などの慢性呼吸器疾患の参加者を除外します。
   2. 過去 6 週間以内に急性呼吸器感染症または疾患の悪化を経験した参加者は除外します。
   3. 声帯の問題や喉頭炎などの音声障害の病歴のある人は除外します。
   4. 音声または認知機能を損なう可能性のある神経障害のある参加者を除外します。
   5. 重大な聴覚障害を持つ個人を除外します。
   6. 研究プロトコルを順守しなかった、または十分なオーディオサンプルを提供できなかった参加者を除外します。
   7. インフォームドコンセントを提供できない、または提供したくない個人を除外します。

2. 研究デザイン

1. 隔離された静かな診察室(周囲騒音<30dB)で、リラックスした状態を維持しながら、自然で快適な座位で参加者を記録します( 図1を参照)。
2. 参加者を収録している人員(サンプリング担当者)に、収録された参加者の基本情報(身長、体重、年齢など)を取得してもらい、医師に純粋な喘息の診断を受けたかどうかを確認してもらいます。
3. 基本的な情報を収集した後、サンプリング担当者に録音デバイスのマイクを唇から約20〜30cmの適切な高さに調整するように依頼しますamp録音装置の担当者。
4. デジタルレコーダーを使用して、 サンプリングレート を均一に 44.1kHzに設定してオーディオ録音を収集します。毎日の録音セッションの前にデバイスをキャリブレーションし、≤±1dB以内の誤差範囲を確保します。
5. 1から9までの数字を順番に読み上げるように参加者を導き、録音全体を通して自然な声の速さと明瞭な明瞭さを維持します。
6. 完了したら、オーディオを.wav形式で保存します。
7. 音声アクティビティ検出(VAD)と手動検証を組み合わせることで、異常なオーディオセグメントを削除します。この研究では、信号対雑音比(SNR)の基準である>20dBを満たす録音を含めます。

3. 音声機能ライブラリの構築

注:音声特徴指標データベースは、喘息患者と健常者との間の発話の違いを分析するために使用されるさまざまな音声特性のコレクションであり、喘息の早期スクリーニングと検出をサポートします。音声機能メトリック リポジトリを構築するための具体的な方法論的フレームワークを 表 1 で詳しく説明します。一方、本研究のための音声特徴インデックスデータベースの構築過程は、GitHub(https://github.com/Liteng811/speech-feature-index-database-construction)に公開されています。次の手順では、主に GitHub からコードをダウンロードして実行する方法について説明します。

1. MathWorksの公式WebサイトからコンピューターにMATLABをインストールし、オペレーティングシステムの適切なバージョンを選択します。MATLAB ソフトウェアを起動し、コマンド ウィンドウに「ver」と入力して、MATLAB が正しくインストールされているかどうかを確認します。正しくインストールされている場合は、MATLAB のバージョン情報が表示されます。
2. Gitの公式サイト(https://git-scm.com/)からGitをインストールします。コマンドライン(Windowsの場合はコマンドプロンプト、Mac/Linuxの場合はターミナル)に次のコマンドを入力して、インストールが成功したことを確認します:git --version。正常にインストールされると、Git のバージョン情報が表示されます。
3. GitHub リポジトリをクローンします。
   1. コマンドラインツールを開き、次のコマンドを使用してリポジトリをローカルマシンにクローンします。
      git clone https://github.com/Liteng811/voice-feature-index-database-construction.git
      注:このコマンドは、GitHubリポジトリの内容を現在の作業ディレクトリにダウンロードし、voice-feature-index-database-constructionという名前のフォルダを作成します
   2. このフォルダに移動して、ダウンロードしたコードとファイルを表示および管理するには、次のコマンドを使用します。
      cd voice-feature-index-database-constructionです。
4. MATLAB 環境を構成します。
   1. MATLAB ソフトウェアを起動します。
   2. MATLAB で、[ホーム] タブの下にある [パスの設定] ボタンをクリックし、[フォルダーの追加] を選択します。クローンしたばかりのvoice-feature-index-database-constructionフォルダを選択し、[保存]をクリックします。これにより、MATLAB はそのフォルダー内のすべてのスクリプト ファイルを認識して実行できます。
   3. MATLAB の [現在のフォルダー ] ウィンドウで、 voice-feature-index-database-construction フォルダーを見つけ、 voiceH6_batch_3_stage_WAV_tt.m ファイルをダブルクリックして開きます。このファイルは、メインの処理スクリプトです。
5. データを構成して準備します。
   1. リポジトリ内のコードには、入力としてオーディオ ファイルが必要です。オーディオファイルが .wav 形式または .pcm 形式であることを確認します。
   2. オーディオファイルのファイルパスは、リポジトリコードにハードコードされています(つまり、コードに直接書き込まれます)。ローカル ファイルの場所に応じてパスを変更します。
6. コードを実行します。
   1. voiceH6_batch_3_stage_WAV_tt.m ファイルを開いた後、[実行] ボタンをクリックするか、コマンド ウィンドウにファイル名を入力してスクリプトを実行します。
      voiceH6_batch_3_stage_WAV_tt。
   2. スクリプトにはユーザーの操作が必要です。MATLABは、対応するオーディオファイルまたはフォルダを選択するようにユーザーに促すグラフィカルインターフェイスをポップアップします。プロンプトに従って、処理するオーディオファイルまたはフォルダを正しく選択してください。
   3. MATLAB でスクリプトを実行するとグラフィカル インターフェイスがフリーズしたり、表示されない問題が発生した場合は、MATLAB バージョンの互換性の問題がないか確認するか、オペレーティング システムのグラフィックス ドライバーが正しく機能していることを確認してください。
7. 結果を出力します。実行後、スクリプトがフィーチャ抽出結果を書き込む.txt出力ファイルを探します。出力ファイルには、オーディオ機能の認識結果などの情報が保存されます。

4. データ分析

注:音声機能インジケータのデータベースを取得した後、データに対して統計分析を実行します。データ分析の具体的な方法論的フレームワークを 表2に示します。具体的な運用手順については、以下で詳しく説明します。

1. 正規性と分散の均一性の検定
   注:適切な統計分析方法を決定するために、音声特徴指標の正規性と分散の均質性の検定を実施しました。指標のすべてのグループが分散仮定の正規性と均質性の両方を満たしている場合、独立サンプルの t検定が使用されました。それ以外の場合は、Mann-Whitney U 検定を適用しました。
   1. 統計ソフトウェアを開き、[ ファイル] |オープン |[データ] をクリックし、データ ファイルを選択します。変数が適切に分類され、データ ビューに表示されていることを確認します。
   2. [分析] |記述統計学 |探検。
   3. ダイアログボックスで、テストする変数を 「従属リスト 」フィールドに移動します。
   4. ウィンドウの右上隅にある [プロット ]ボタンをクリックします。ダイアログボックスで、「 検定付き正規性プロット 」を選択し、「 続行」をクリックします。
   5. メインウィンドウに戻り、「OK」をクリックして正規性検定を実行します。
   6. 出力ウィンドウで、正規性検定テーブルを見つけます。Kolmogorov-Smirnov (K-S 検定) と Shapiro-Wilk (S-W 検定) の有意値 (Sig.) に注目します。Sig.>0.05の場合、データは正規分布に従います。Sig.≤0.05の場合、データは正規分布に従っていません。
   7. [分析] |平均の比較 |一元配置分散分析。
   8. ダイアログボックスで、従属変数を 「従属リスト」 フィールドに移動し、グループ化変数 (カテゴリー変数) を 「因子 」フィールドに移動します。
   9. ダイアログボックスの右側にある [オプション ]ボタンをクリックします。 「分散の均質性検定 」を選択し、「 続行」をクリックします。
   10. メインウィンドウに戻り、「OK」をクリックして、分散の均質性検定を実行します。
   11. 出力ウィンドウで、「分散の均質性の検定」テーブルを見つけます。Levene Statisticの有意値(Sig.)に注目します。Sig. > 0.05 の場合、分散の均質性の仮定が満たされます。Sig. ≤ 0.05 の場合、分散の均質性の仮定に違反します。
2. マン・ホイット ニーU 検定
   注:この研究の指標は、正規性と分散の均一性の仮定を同時に満たしていなかったため、マンホイット ニーU 検定を適用して、喘息グループと健康な対照グループとの間の音声信号特徴指標の違いを比較しました。
   1. [分析] |ノンパラメトリック検定 |レガシー ダイアログ |2つの独立したサンプル。
   2. ダイアログボックスで、連続変数 (従属変数) を 「検定変数リスト 」フィールドに移動し、グループ化変数 (カテゴリ変数) を「 グループ化変数 」フィールドに移動します。
   3. 「Define Groups」をクリックし、グループ化変数の2つのカテゴリ(「1」と「2」など)を入力して、「Continue」をクリックします。
   4. メインウィンドウで、[Mann-Whitney U] を選択します。「Exact」がオフになっていることを確認します(サンプルサイズが小さい場合は、精度を向上させるためにこのオプションを選択します)。[オプション] をクリックし、[説明] を選択して、[続行] をクリックします。
   5. メイン ウィンドウに戻り、[OK] をクリックして Mann-Whitney U 検定を実行します。
   6. 出力ウィンドウで、「検定統計量」テーブルを見つけます。「Mann-Whitney」の U 値は検定統計量を表します。Asymp.Sig.(2-tailed)値はp値を表します。p > 0.05 の場合、グループ間に有意差は存在しません。p ≤ 0.05 の場合、グループ間に有意な差が存在します。
   7. どちらのグループが高い測定値を持つかを特定するには、各グループの平均ランクとサンプルサイズを表示する ランクテーブルを確認します。
3. 主成分分析(PCA)
   注:差分指標を特定した後、データをさらに分析するためにPCAを実施しました。PCA は、元のデータをいくつかの主要コンポーネントに変換して重要な特徴を抽出し、分析を簡略化する次元削減手法です。PCAが登場する前は、統計ソフトウェアがデータを自動的に標準化して、寸法の影響を排除していました。
   1. [分析] |寸法削減 |ファクター。
   2. ダイアログボックスで、分析するすべての変数を 「変数 」フィールドに移動します。
   3. [ Descriptives ] ボタンをクリックし、[ KMO] と [Bartlett's sphericity] 検定 を選択して、データが PCA に適しているかどうかを確認します。 「続行」をクリックします。
   4. 「抽出」タブで、「方法」を「主成分」に設定し、「スクリープロット」を選択して主成分の数を決定し、「抽出」を「1より大きい固有値」に設定します。「続行」をクリックします。
   5. 「回転」タブで、「なし」を選択します。「続行」をクリックします。
   6. 「スコア」タブで、「変数として保存」を選択して、主成分のスコアをデータセットに保存します。
   7. メインウィンドウに戻り、[OK]をクリックしてPCAを実行します。
   8. KMOとバートレットの検定: KMO値≥0.6は、データがPCAに適していることを示します。バートレットの球面度の検定の有効桁の値 0.05 <は、変数間の有意な相関を示しており、データは PCA に適しています。
   9. 説明された合計分散:各主成分によって説明される固有値と分散を確認します。70%〜85%の累積分散説明率が理想的です。
   10. スクリープロットを使用して主成分の数を決定し、通常は変曲点の前の成分を選択します。
   11. 成分行列または回転成分行列: 各主成分の変数の負荷係数を確認します。係数> 0.5 は、有意な寄与と見なされます。

5. SVMおよびRFモデルの構築

注:SVMモデルとRFモデルを構築するための具体的な方法論的フレームワークを 表3に示します。本研究で構築した喘息検出のためのSVMモデルとRFモデルをGitHub(https://github.com/Liteng811/Asthma-Detection)にアップロードしました。以下では、主に GitHub からコードをダウンロードして実行する方法について説明します。

1. GitHub リポジトリをクローンします。
   1. コマンドラインツールを開き、次のコマンドを使用してリポジトリをローカルマシンにクローンします。
      git clone https://github.com/Liteng811/Asthma-Detection.git
      注: このコマンドは、GitHub リポジトリの内容を現在の作業ディレクトリにダウンロードし、Asthma-Detection という名前のフォルダーを作成します。
2. Python、PyCharm、および必要なPythonライブラリをインストールします。
   1. Pythonの公式Webサイト(https://www.python.org/)からPythonをマシンにインストールします。
   2. Python をインストールした後、次のコマンドを使用して必要な Python ライブラリをインストールします: pip install -r requirements.txt。
   3. requirements.txtファイルがない場合は、次のコマンドを使用して、このスタディで使用したライブラリをインストールします。
      pip インストール numpy pandas scikit-learn matplotlib
   4. PyCharmは必ずPyCharm公式サイト(https://www.jetbrains.com/pycharm/)からインストールしてください。
3. リポジトリ内のファイルを表示します。
   1. リポジトリで、メイン スクリプト ファイル (SVM.py、RF.py) を見つけます。
   2. テキストエディタまたはPyCharmを使用してこれらのPythonファイルを開き、その内容と構造を確認します。
4. データセットを設定します。
   1. リポジトリ内のコードにはデータ ファイルが必要です。データ ファイルが準備されていること、およびその形式がコード (.xlsx) です。
   2. コードにはハードコーディングされたファイルパスがあります。ファイルの実際の場所に基づいてパスを変更する、つまり、コード内のパス ( C:\Users\1\Desktop\pca-result.xlsx など) をシステム上の実際のファイル パスに置き換えます。
5. コードを実行します。
   1. メインスクリプトを見つけたら、コマンドラインで次のコマンドを使用してコードを実行します(例として SVM.py を使用)。メイン スクリプトが RF.py の場合は、 代わりに対応するスクリプトを実行します。
      Pythonの SVM.py。
   2. コードを実行するときは、正しい作業ディレクトリに切り替えるか、コマンドラインでフルパスを使用してスクリプトを指定します。たとえば、コマンドラインで python SVM.py を実行している場合は、 SVM.py が含まれているディレクトリに切り替えるか、絶対パスを使用します。
      python C:/path/to/your/repository/SVM.py.
   3. 実行中、コードはデータを読み込み、機械学習モデル(SVMまたはRF)をトレーニングし、精度、混同行列、ROC曲線などの結果を出力します。

結果

音声特徴量インデックスデータベース構築完了

この研究では、音声信号のマルチレベル分析を通じて、467の音声特徴メトリックを抽出することに成功しました。467 音声機能インジケーターについては、上記の GitHub URL を参照してください。採用されている分析方法には、時間領域分析、周波数領域分析、MFCC抽出、および伝統的な漢方薬の診断基準に基づく特徴の変換が含まれます。具体的には、時間領域解析では信号の基本的な波形特性や振幅変動を反映し、周波数領域解析では信号の周波数組成を明らかにすることで、音声のスペクトル構造の理解に役立てることができます。MFCC抽出により、音声信号のスペクトル特性をさらに捕捉し、機械学習解析に適した形式に変換しました。さらに、この研究では、この研究の特定のニーズと分析目的により適合するように、伝統的な中国医学の診断基準に従って特定の特徴指標を変換しました。最終的に、音声特徴インデックスデータベースは 100 の音声サンプル (50 人の喘息患者と 50 人の健常対照者からのデータ) で構成され、そこから 100 x 46...

ディスカッション

この研究では、音声信号分析と機械学習技術を使用した非侵襲的な喘息検出方法を探求します。50人の喘息患者と50人の健康な対照者から音声データを収集することにより、この研究ではSVMおよびRFアルゴリズム16,17,18,19,20を使用してモデルを構築しました。どちらのモデルも、全体的に正しく分類されたサンプルの割合の点で同等の性能を示しましたが、AUC値の不一致は、SVMモデルが感度と特異度のバランスを改善している可能性があることを示唆しています。以下は、研究結果の詳細な議論です。

この研究では、SVMモデルとRFモデルの両方がテストセットで87%の精度を達成し、SVMモデルはAUC値0.95...

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
Device	Supplier<	strong>Model/Version	Brand
Digital Recorder	ZOOM Audio Store	H6	ZOOM
GitHub	公式サイト	2.47.1.2	Git
Matlab	https://www.mathworks.com/	R2024b	MathWorks
Pycharm	公式サイト	2024.1	JetBrains
Python	公式サイト	3.12	Python