음성 신호 처리와 기계 학습을 기반으로 한 천식 감지 연구

요약

이 연구에서는 음성 신호 분석 및 머신 러닝 방법을 사용하여 MATLAB을 활용하여 천식의 비침습적 조기 감지를 위한 고유한 음성 특징을 추출했습니다. SVM(Support Vector Machine) 및 RF(Random Forest) 알고리즘은 SVM이 민감도와 특이성 간에 더 나은 균형을 이룰 수 있지만 전반적인 분류 정확도 측면에서 유사한 성능을 보여주었습니다.

초록

음성 신호 분석 및 머신 러닝 기법을 사용하여 음성 신호를 분석하고 천식 환자를 식별하기 위해 50명의 천식 환자와 50명의 건강한 대조군으로부터 선명하고 잡음이 적은 고정 패턴 음성 신호를 수집하여 분석 데이터베이스를 구축했습니다. 이 연구는 MATLAB을 기반으로 다차원 음성 신호 분석을 수행하고 천식 환자와 건강한 대조군 간에 유의미한 차이가 있는 음성 기능 지표를 선택했습니다. 차등 음성 특징에 대한 차원 축소 분석 후, 처리된 특징은 후속 SVM 및 RF 모델링 및 분류 연구에 통합되었습니다.

이 연구는 진단과 관련된 400개 이상의 음성 특징 지표를 확립했으며, 그 중 20개의 지표는 천식 환자와 건강한 대조군 간에 유의미한 차이를 보여주었습니다(P < 0.01). 분류 연구에서 SVM과 RF 모델 모두 테스트 세트에서 87%의 동일한 정확도를 달성했으며, AUC 값은 SVM의 경우 0.95, RF의 경우 0.93이었습니다. 이는 전반적인 분류 정확도 측면에서 비교 가능한 성능을 보여주는 반면, AUC 값의 격차는 SVM 모델이 민감도와 특이성 간에 더 나은 균형을 달성할 수 있음을 시사합니다. 따라서 이 논문은 천식의 비침습적 조기 발견을 위한 새로운 방법을 제공할 뿐만 아니라 실제 환경에서 이 방법을 추가로 적용하고 최적화하기 위한 토대를 마련합니다.

서론

중국 폐 건강(China Pulmonary Health, CPH) 연구의 데이터에 따르면, 중국 성인의 천식 유병률은 4.2%이며, 천식 환자의 28.8%만이 천식 진단을 내렸고, 흡입 코르티코스테로이드 치료를 받은 환자는 5.6%에 불과했습니다¹. 이러한 수치는 중국의 천식 진단 및 치료 비율이 낮다는 것을 의미하며, 대중과 의료 전문가들 사이에서 천식에 대한 인식을 높이고 관심을 불러일으켜야 할 시급한 필요성을 강조합니다. 현재 천식에 대한 진단 방법은 임상 병력 및 신체 검사, 폐 기능 검사, 분수 호기 산화질소(FeNO) 측정 등 다양하지만 각각 ^{2,3,4도의 한계}가 있습니다. 또한 천식을 정기적으로 모니터링하는 것은 질병 관리에 매우 중요합니다. 증상과 폐 기능을 체계적으로 모니터링하면 천식 악화를 효과적으로 예방하고, 환자의 삶의 질을 개선하며, 응급 방문 및 입원을 줄일 수 있다 ^5,6. 그러나 실제로 이러한 기존 진단 방법은 비용과 복잡성으로 인해 일상적인 치료에 실용적이지 않은 경우가 많습니다.

위와 같은 상황을 감안할 때, 천식에 대한 자가 모니터링은 질병 통제에 중요한 역할을 할 수 있습니다. 이러한 모니터링은 간단하고 편리하며 정확해야 합니다. 이와 관련하여 음성은 뚜렷한 이점을 제공합니다. 천식 환자는 건강한 사람에 비해 최대 발성 시간 감소, 음성 장애(예: 쉰 목소리, 거칠음, 목소리 피로) 등 음성 특성에서 눈에 띄는 차이를 보이는 경우가 많습니다 ^7,8,9. 이러한 차이는 천식을 식별하고 모니터링하기 위한 잠재적인 방법이 될 수 있습니다.

기계 학습은 음성 데이터를 사용하여 천식을 감지하는 데 상당한 잠재력을 보여주었습니다. 연구에 따르면 천식 증상은 환자의 기침 소리, 숨소리 및 기타 관련 음향 특징을 분석하여 효과적으로 감지할 수 있습니다. 딥 러닝(deep learning), 신경망(neural networks) 및 기타 머신 러닝(machine learning) 모델을 포함한 이러한 기법은 천식 환자의 특징적인 음성 패턴과 호흡기 소리 변화를 인식할 수 있다 10,11,12,13,14,15.

기침 및 숨소리와 비교할 때 고정 패턴 음성(예: 숫자 1-9의 발음)은 더 표준화되고 제어 가능할 수 있습니다. 또한 기능 추출을 용이하게 하고, 음성 품질을 제어하며, 대규모 데이터 수집을 더 쉽게 수행할 수 있습니다. SVM(Support Vector Machine)은 고차원 데이터 및 노이즈가 있는 샘플을 처리할 때 강력한 분류 능력을 보여주며, RF(Random Forest)는 뛰어난 견고성, 비선형 관계 처리 기능 및 기능 중요도 평가를 통해 복잡한 음성 기능 데이터를 효과적으로 관리합니다 16,17,18,19,20.

이 연구에서는 천식 관련 음성 특징을 추출하기 위해 정상적이고 일정한 속도로 말하는 숫자 "123456789"의 녹음을 사용했습니다. 이러한 기능을 기반으로 천식 감지를 위한 RF 및 SVM 모델을 구축했습니다. 미래에는 이러한 모델을 모바일 애플리케이션에 통합하여 천식을 식별하고 질병 진행을 모니터링할 수 있으므로 천식 악화를 예방하는 데 도움이 될 수 있습니다.

프로토콜

베이징 중의과대학(Beijing University of Chinese Medicine)과 제3부속병원(Third Affiliated Hospital)의 윤리위원회(Ethics Committee)는 이 연구를 승인했다. 모든 참가자는 참여하기 전에 서면 동의서에 서명했습니다. 2024년 7월부터 8월까지 베이징중의과대학 제3부속병원 호흡기내과에서 50명의 환자를 모집했습니다. 동시에 50명의 건강한 개인을 대조군으로 등록했습니다.

1. 참가자 선정

1. 다음 포함 기준을 설정합니다.
   1. 화자가 정상적이고 일정한 속도로 숫자를 "123456789"으로 발음하는 오디오 샘플 중에서 배경 소음이 적고 발음이 명확한 오디오 샘플을 선택합니다.
   2. 천식 그룹은 호흡기 전문의가 확립한 임상 기준에 따라 천식 진단을 확정했으며, 대조군은 호흡기 질환 또는 목소리 품질에 영향을 줄 수 있는 기타 상태가 없는 건강한 개인으로 구성되도록 합니다.
   3. 18-75세의 참가자를 선정하고 그룹 간에 성비를 일관되게 유지했습니다.
   4. 연구에 대한 모든 참가자로부터 서면 동의서를 얻습니다.
2. 다음 제외 기준을 설정합니다.
   1. 만성 폐쇄성 폐질환(COPD) 또는 간질성 폐질환과 같은 만성 호흡기 질환이 있는 참가자를 제외합니다.
   2. 지난 6주 이내에 급성 호흡기 감염 또는 질병 악화를 경험한 참가자는 제외합니다.
   3. 성대 문제 또는 후두염과 같은 음성 장애의 병력이 있는 개인은 제외합니다.
   4. 음성 또는 인지 기능을 손상시킬 수 있는 신경 장애가 있는 참가자를 제외합니다.
   5. 심각한 청각 장애가 있는 개인을 제외합니다.
   6. 연구 프로토콜을 준수하지 않거나 충분한 오디오 샘플을 제공하지 않은 참가자를 제외합니다.
   7. 정보에 입각한 동의를 제공할 수 없거나 제공할 의사가 없는 개인을 제외합니다.

2. 설계 연구

1. 고립되고 조용한 상담실(주변 소음 < 30dB)에서 참가자를 자연스럽고 편안하게 앉은 자세로 기록하고 편안한 상태를 유지합니다( 그림 1 참조).
2. 참가자를 기록하는 직원(샘플링 담당자)이 기록된 참가자의 기본 정보(키, 몸무게, 나이 등)를 얻고 참가자가 순수 천식 진단을 받았는지 여부를 의사와 함께 확인하도록 합니다.
3. 기본 정보를 수집한 후 샘플링 담당자에게 녹음 장치의 마이크를 입술에서 약 20-30cm 떨어진 적절한 높이로 조정하도록 요청하십시오.
4. 샘플링 속도를 44.1kHz로 균일하게 설정하여 디지털 녹음기를 사용하여 오디오 녹음을 수집합니다. 매일 녹음 세션 전에 장치를 보정하여 ≤±1dB 이내의 오차 범위를 보장하십시오.
5. 참가자들이 1부터 9까지의 숫자를 순서대로 큰 소리로 읽도록 안내하여 녹음하는 동안 자연스러운 음성 속도와 명확한 발음을 유지합니다.
6. 완료되면 오디오를 .wav 형식으로 저장합니다.
7. 수동 검증과 결합된 VAD(Voice Activity Detection)를 통해 비정상적인 오디오 세그먼트를 제거합니다. 연구에서 신호 대 잡음비(SNR) 기준인 >20dB를 충족하는 녹음을 포함합니다.

3. 음성 기능 라이브러리 구축

참고: 음성 기능 표시기 데이터베이스는 천식 환자와 건강한 개인 간의 언어 차이를 분석하는 데 사용되는 다양한 음성 특성의 모음으로, 천식의 조기 검사 및 발견을 지원합니다. 음성 기능 메트릭 저장소를 구성하기 위한 구체적인 방법론적 프레임워크는 표 1에 자세히 설명되어 있습니다. 한편, 이번 연구를 위한 음성 기능 인덱스 데이터베이스를 구축하는 과정은 GitHub(https://github.com/Liteng811/speech-feature-index-database-construction)에 업로드되었다. 다음 단계에서는 주로 GitHub에서 코드를 다운로드하고 실행하는 방법을 설명합니다.

1. MathWorks 공식 웹 사이트에서 운영 체제에 적합한 버전을 선택하여 컴퓨터에 MATLAB을 설치합니다. MATLAB을 시작하고 명령 창에 ver을 입력하여 MATLAB이 올바르게 설치되었는지 확인합니다. 올바르게 설치된 경우 MATLAB의 버전 정보가 나타납니다.
2. Git 공식 웹사이트(https://git-scm.com/)에서 Git을 설치합니다. 명령줄에 git --version 명령을 입력하여 성공적인 설치를 확인합니다(Windows의 경우 명령 프롬프트, Mac/Linux의 경우 터미널). 성공적으로 설치되면 Git에 대한 버전 정보가 나타납니다.
3. GitHub 리포지토리를 복제합니다.
   1. 명령줄 도구를 열고 다음 명령을 사용하여 리포지토리를 로컬 컴퓨터에 복제합니다.
      자식 클론 https://github.com/Liteng811/voice-feature-index-database-construction.git
      참고: 이 명령은 GitHub 리포지토리의 콘텐츠를 현재 작업 디렉터리로 다운로드하고 voice-feature-index-database-construction이라는 폴더를 만듭니다
   2. 이 폴더로 이동하여 다운로드한 코드와 파일을 보고 관리하려면 다음 명령을 사용합니다.
      cd voice-feature-index-database-construction을 사용합니다.
4. MATLAB 환경을 구성합니다.
   1. MATLAB 소프트웨어를 실행합니다.
   2. MATLAB에서 홈(Home) 탭 아래에 있는 경로 설정(Set Path) 버튼을 클릭하고 폴더 추가(Add Folder)를 선택합니다. 방금 복제된 voice-feature-index-database-construction 폴더를 선택하고 Save(저장)를 클릭합니다. 이렇게 하면 MATLAB이 해당 폴더에 있는 모든 스크립트 파일을 인식하고 실행할 수 있습니다.
   3. MATLAB 현재 폴더(Current Folder ) 창에서 voice-feature-index-database-construction 폴더를 찾은 다음 voiceH6_batch_3_stage_WAV_tt.m 파일을 더블 클릭하여 엽니다. 이 파일은 기본 처리 스크립트입니다.
5. 데이터를 구성하고 준비합니다.
   1. 리포지토리의 코드에는 입력으로 오디오 파일이 필요합니다. 오디오 파일이 .wav 또는 .pcm 형식인지 확인합니다.
   2. 오디오 파일의 파일 경로는 리포지토리 코드에 하드 코딩되어 있습니다(즉, 코드에 직접 기록됨). 로컬 파일의 위치에 따라 경로를 수정합니다.
6. 코드를 실행합니다.
   1. voiceH6_batch_3_stage_WAV_tt.m 파일을 연 후 실행(Run) 버튼을 클릭하거나, 명령 창에 파일 이름을 입력하여 스크립트를 실행합니다.
      voiceH6_batch_3_stage_WAV_tt.
   2. 스크립트에는 사용자 상호 작용이 필요합니다. MATLAB은 그래픽 인터페이스를 팝업하여 사용자에게 해당 오디오 파일 또는 폴더를 선택하라는 메시지를 표시합니다. 프롬프트에 따라 처리할 오디오 파일 또는 폴더를 올바르게 선택해야 합니다.
   3. MATLAB에서 스크립트를 실행할 때 그래픽 인터페이스가 멈추거나 표시되지 않는 문제가 있는 경우 잠재적인 MATLAB 버전 호환성 문제를 확인하거나 운영 체제의 그래픽스 드라이버가 올바르게 작동하는지 확인하십시오.
7. 결과를 출력합니다. 실행 후 스크립트가 기능 추출 결과를 작성할 .txt 출력 파일을 찾습니다. 출력 파일은 오디오 기능 인식 결과와 같은 정보를 저장합니다.

4. 데이터 분석

참고: 음성 기능 표시기 데이터베이스를 얻은 후 데이터에 대한 통계 분석을 수행합니다. 데이터 분석을 위한 구체적인 방법론적 프레임워크는 표 2에 자세히 설명되어 있습니다. 구체적인 운영 절차는 아래에 자세히 설명되어 있습니다.

1. 분산의 정규성과 동질성에 대한 검정
   참고: 적절한 통계 분석 방법을 결정하기 위해 음성 기능 지표에 대한 정규성 및 분산의 균질성에 대한 테스트를 수행했습니다. 모든 지표 그룹이 분산의 정규성과 동질성 가정을 모두 충족하는 경우 독립 표본 t-검정이 사용되었습니다. 그렇지 않으면 Mann-Whitney U 테스트를 적용했습니다.
   1. 통계 소프트웨어를 열고 File(파일) | 열기 | 데이터를 클릭하고 데이터 파일을 선택합니다. 변수가 제대로 분류되어 데이터 보기에 표시되는지 확인합니다.
   2. Analyze( 분석) | 기술 통계량 | 탐험하세요.
   3. 대화 상자에서 테스트할 변수를 종속 목록 필드로 이동합니다.
   4. 창의 오른쪽 상단 모서리에 있는 플롯 버튼을 클릭합니다. 대화 상자에서 Normality plots with tests(검정이 있는 정규성 플롯) 를 선택하고 계속(Continue)을 클릭합니다.
   5. 주 창으로 돌아가서 확인을 클릭하여 정규성 테스트를 수행합니다.
   6. 출력 창에서 Tests of Normality 테이블을 찾습니다. Kolmogorov-Smirnov(K-S 검정) 및 Shapiro-Wilk(S-W 검정)의 유의값(Sig.)에 초점을 맞춥니다. Sig. > 0.05인 경우 데이터는 정규 분포를 따릅니다. Sig. ≤ 0.05이면 데이터가 정규 분포를 따르지 않습니다.
   7. Analyze( 분석) | 평균 비교 | 일원 분산 분석.
   8. 대화 상자에서 종속 변수를 종속 목록 필드로 이동하고 그룹화 변수(범주형 변수)를 요인 필드로 이동합니다.
   9. 대화 상자의 오른쪽에 있는 옵션 버튼을 클릭합니다. Homogeneity of variance test(변동 균질성 테스트 )를 선택하고 Continue(계속)를 클릭합니다.
   10. 메인 창으로 돌아가서 확인을 클릭하여 분산의 동질성 테스트를 수행합니다.
   11. 출력 창에서 Test of Homogeneity of Variances 표를 찾습니다. Levene 통계량의 유의성 값(Sig.)에 초점을 맞춥니다. Sig. > 0.05이면 분산 가정의 동질성이 충족됩니다. Sig. ≤ 0.05이면 분산 가정의 동질성을 위반합니다.
2. Mann-Whitney U 검정
   참고: 이 연구의 지표가 분산의 정규성과 동질성에 대한 가정을 동시에 충족하지 않았기 때문에 천식 그룹과 건강한 대조군 간의 음성 신호 특징 지표의 차이를 비교하기 위해 Mann-Whitney U 테스트를 적용했습니다.
   1. Analyze( 분석) | 비모수 검정 | 레거시 대화 상자 | 2개의 독립적인 샘플.
   2. 대화 상자에서 계량형 변수(종속 변수)를 검정 변수 목록 필드로 이동하고 그룹화 변수(범주형 변수)를 그룹화 변수 필드로 이동합니다.
   3. Define Groups(그룹 정의)를 클릭하고 그룹화 변수의 두 범주(예: "1" 및 "2")를 입력한 다음 Continue(계속)를 클릭합니다.
   4. 메인 창에서 Mann-Whitney U를 선택합니다. Exact(정확함)가 선택 취소되어 있는지 확인합니다(표본 크기가 작으면 이 옵션을 선택하여 정확도를 높일 수 있음). Options(옵션)를 클릭하고 Descriptive(설명)를 선택한 다음 Continue(계속)를 클릭합니다.
   5. 메인 창으로 돌아가서 확인을 클릭하여 Mann-Whitney U 테스트를 수행합니다.
   6. 출력 창에서 검정 통계량 표를 찾습니다: Mann-Whitney U 값은 검정 통계량을 나타냅니다. Asymp. Sig. (2-tailed) 값은 p-값을 나타냅니다. p> 0.05이면 그룹 간에 유의한 차이가 없습니다. p≤ 0.05이면 그룹 간에 유의한 차이가 있습니다.
   7. 어떤 그룹이 더 높은 측정값을 갖는지 식별하려면 각 그룹의 평균 순위와 표본 크기를 표시하는 Ranks 테이블을 확인하십시오.
3. 주성분 분석(PCA)
   참고: 차동 지표를 식별한 후 데이터를 추가로 분석하기 위해 PCA를 수행했습니다. PCA는 원본 데이터를 몇 가지 주요 구성 요소로 변환하여 중요한 기능을 추출하고 분석을 단순화하는 차원 축소 기술입니다. PCA 이전에는 통계 소프트웨어가 데이터를 자동으로 표준화하여 차원 효과를 제거했습니다.
   1. Analyze( 분석) | 치수 감소 | 요인.
   2. 대화 상자에서 분석할 모든 변수를 변수 필드로 이동합니다.
   3. 설명 버튼을 클릭하고 KMO 및 Bartlett의 구형도 검정을 선택하여 데이터가 PCA에 적합한지 확인합니다. 계속을 클릭합니다.
   4. 추출( Extraction ) 탭에서 방법(Method)을 주성분(Principal Components)으로 설정하고, 스크리 플롯(Scree Plot )을 선택하여 주성분 수를 결정하고, 추출(Extract) 을 1보다 큰 고유값으로 설정합니다. 계속을 클릭합니다.
   5. Rotation(회전) 탭에서 None(없음)을 선택합니다. 계속을 클릭합니다.
   6. 점수 탭에서 변수로 저장을 선택하여 주 구성 요소 점수를 데이터 세트에 저장합니다.
   7. 기본 창으로 돌아가서 확인을 클릭하여 PCA를 수행합니다.
   8. KMO 및 Bartlett의 검정: KMO 값이 0.6≥ 데이터가 PCA에 적합하다는 것을 나타냅니다. Bartlett의 구형도 검정 Sig. 값이 0.05< 변수 간에 유의한 상관 관계가 있음을 나타내므로 데이터가 PCA에 적합합니다.
   9. Total Variance Explained: 각 주성분에 의해 설명되는 고유값과 분산을 검토합니다. 70%-85%의 누적 분산 설명 비율이 이상적입니다.
   10. 스크리 플롯을 사용하여 주성분의 수를 확인할 수 있으며, 일반적으로 변곡점 이전의 성분을 선택합니다.
   11. Component Matrix 또는 Rotated Component Matrix: 각 주성분에서 변수의 하중 계수를 확인합니다. 계수 > 0.5는 유의한 기여도로 간주됩니다.

5. SVM 및 RF 모델의 구성

참고: SVM 및 RF 모델을 구성하기 위한 구체적인 방법론적 프레임워크는 표 3에 자세히 설명되어 있습니다. 이 연구에서 구성한 천식 감지를 위한 SVM 및 RF 모델을 GitHub(https://github.com/Liteng811/Asthma-Detection)에 업로드했습니다. 다음은 주로 GitHub에서 코드를 다운로드하고 실행하는 방법을 설명합니다.

1. GitHub 리포지토리를 복제합니다.
   1. 명령줄 도구를 열고 다음 명령을 사용하여 리포지토리를 로컬 컴퓨터에 복제합니다.
      git clone https://github.com/Liteng811/Asthma-Detection.git
      참고: 이 명령은 GitHub 리포지토리의 콘텐츠를 현재 작업 디렉터리에 다운로드하고 Asthma-Detection이라는 폴더를 만듭니다.
2. Python, PyCharm 및 필수 Python 라이브러리를 설치합니다.
   1. 공식 Python 웹 사이트(https://www.python.org/)에서 컴퓨터에 Python을 설치합니다.
   2. Python을 설치한 후 pip install -r requirements.txt 명령을 사용하여 필요한 Python 라이브러리를 설치합니다.
   3. requirements.txt 파일이 없는 경우 다음 명령을 사용하여 이 연구에 사용된 라이브러리를 설치합니다.
      pip 설치 numpy 팬더 scikit-learn matplotlib
   4. PyCharm 공식 웹사이트(https://www.jetbrains.com/pycharm/)에서 PyCharm을 설치해야 합니다.
3. 저장소에서 파일을 봅니다.
   1. 저장소에서 기본 스크립트 파일(SVM.py, RF.py)을 찾습니다.
   2. 텍스트 편집기 또는 PyCharm을 사용하여 이러한 Python 파일을 열고 내용과 구조를 검토합니다.
4. 데이터 세트를 구성합니다.
   1. 리포지토리의 코드에는 데이터 파일이 필요합니다. 데이터 파일이 준비되었는지, 그리고 해당 형식이 코드(.xlsx)를 사용합니다.
   2. 코드에 하드 코딩된 파일 경로가 있습니다. 파일의 실제 위치를 기준으로 경로를 수정합니다. 즉, 코드의 경로(예: C:\Users\1\Desktop\pca-result.xlsx)를 시스템의 실제 파일 경로로 바꿉니다.
5. 코드를 실행합니다.
   1. 기본 스크립트를 찾은 후 명령줄에서 다음 명령을 사용하여 코드를 실행합니다( SVM.py 를 예로 사용). 기본 스크립트가 RF.py 경우 해당 스크립트를 대신 실행합니다.
      파이썬 SVM.py.
   2. 코드를 실행할 때 올바른 작업 디렉터리로 전환하거나 명령줄에서 전체 경로를 사용하여 스크립트를 지정합니다. 예를 들어, 명령 줄에서 python SVM.py 실행하는 경우 SVM.py 포함하는 디렉토리로 전환하거나 절대 경로를 사용하십시오.
      python C : / path / to/ur / repository / SVM.py.
   3. 실행하는 동안 코드는 데이터를 로드하고, 머신 러닝 모델(SVM 또는 RF)을 훈련하고, 정확도, 혼동 행렬 및 ROC 곡선과 같은 결과를 출력합니다.

결과

음성 기능 인덱스 데이터베이스 구축 완료

이 연구는 음성 신호의 다단계 분석을 통해 467개의 음성 기능 메트릭을 성공적으로 추출했습니다. 467 음성 기능 지표는 위의 GitHub URL을 참조하세요. 사용되는 분석 방법에는 시간 영역 분석, 빈도 영역 분석, MFCC 추출 및 중국 전통 의학 진단 표준을 기반으로 한 기능 변환이 포함됩니다. 구체적으로 말하자면, 시간 영역 분석은 신호의 기본 파형 특성과 진폭 변화를 반영하는 반면, 주파수 영역 분석은 신호의 주파수 구성을 드러내어 음성의 스펙트럼 구조를 이해하는 데 도움이 됩니다. MFCC 추출은 음성 신호의 스펙트럼 특징을 추가로 캡처하여 기계 학습 분석에 적합한 형태로 변환했습니다. 또한 이 연구는 이 연구의 특정 요구 사항과 분석 목표에 더 잘 부합하기 위해 전통 중국 의학 진단 기준에 따라 특정 기능 지표를 변환했습니다. 궁극적으로 음성 기능 인덱스 데이터베이스는 100개의 음성 샘플(5...

토론

이 연구는 음성 신호 분석 및 기계 학습 기술을 사용하여 비침습적 천식 감지 방법을 탐구합니다. 본 연구는 50명의 천식 환자와 50명의 건강한 대조군으로부터 음성 데이터를 수집하여 SVM 및 RF 알고리즘 16,17,18,19,20을 사용하여 모델을 구축했습니다. 두 모델 모두 전체적으로 올바르게 분류된 샘플의 비율 측면에서 유사한 성능을 보여주었지만, AUC 값의 격차는 SVM 모델이 민감도와 특이성 사이에서 더 나은 균형을 이룰 수 있음을 시사합니다. 다음은 연구 결과에 대한 심층적인 논의입니다.

이 연구는 SVM과 RF 모델...

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
Device	Supplier<	strong>Model/Version	Brand
Digital Recorder	ZOOM Audio Store	H6	ZOOM
GitHub	공식 웹사이트	2.47.1.2	Git
Matlab	https://www.mathworks.com/	R2024b	MathWorks
Pycharm	공식 웹사이트	2024.1	JetBrains
Python	공식 웹사이트	3.12	Python