이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.

방법 논문

기계 학습 기반 기침 톤 분류: 만성 폐쇄성 폐질환 및 호흡기 감염의 진단 탐색

1.1K 조회수

⸱

DOI:

10.3791/68222

⸱

2025년 9월 19일

 ,  ,  ,  ,  ,  ,  ,  ,  , 
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

이 논문에서

요약

본 연구는 음성 신호 처리 기술과 머신러닝 알고리즘의 통합을 활용하여 만성폐쇄성폐질환(COPD)과 호흡기 감염(RTI) 진단을 받은 환자로부터 기침음 데이터를 획득하여 두 가지 범주의 자동 분류를 효과적으로 달성했습니다.

초록

본 연구의 목적은 음성 신호 분석과 머신러닝을 이용하여 만성폐쇄성폐질환(COPD) 환자와 호흡기 감염(RTI) 환자를 구별하는 비침습적 방법을 개발하고 평가하는 것이다. 고정 패턴 음성 신호는 COPD 환자 25명과 RTI 환자 25명(대조군/비교군 사용)으로부터 수집되었습니다. 두 그룹을 크게 구별하는 특징을 식별하기 위해 다차원 음성 특징 분석을 수행했습니다. 통계적으로 유의미한 특징을 선택하고 차원 축소를 적용했습니다. 그런 다음 LR(Logistic Regression) 및 RF(Random Forest) 모델을 훈련하고 COPD와 RTI를 구별하는 분류 성능을 평가했습니다. 처음에는 400개 이상의 음성 기능이 분석되었습니다. 18개의 특징은 COPD와 RTI 환자 사이에 매우 유의미한 차이를 보였습니다(P <; 0.05). COPD 환자와 RTI 환자를 구별하는 작업에서 LR 모델은 0.95의 곡선 아래 테스트 세트 면적을 달성하여 RF 모델(AUC = 0.76)을 크게 능가했습니다. 이 연구는 음성 분석 및 기계 학습, 특히 LR 모델을 COPD와 RTI를 구별하기 위한 유망한 비침습적 도구로 사용할 가능성을 보여줍니다. 이는 호흡기 질환의 감별 진단이 필요한 임상 환경에서 이 음성 기반 접근 방식의 실제 적용 및 추가 최적화를 위한 기반을 제공합니다.

서론

만성 폐쇄성 폐질환(COPD)과 호흡기 감염은 전 세계적으로 사망률과 이환율에 중요한 영향을 미칩니다. COPD는 주로 흡연에 의해 유발되는 기도와 폐 실질에 영향을 미치는 만성 염증 상태로 정의됩니다. 지속적인 기침, 호흡곤란, 가래 생성 증가 등의 증상이 특징입니다1. 세계보건기구(WHO)는 2030년까지 COPD가 전 세계 세 번째 주요 사망 원인으로 선정되어 상당한 경제적 부담을 안겨줄 것으로 예상합니다 2,3. 대조적으로, 호흡기 감염(RTI)은 전 세계 질병 부담의 약 6%를 차지하며 허혈성 심장 질환, HIV 감염, 암, 말라리아 및 설사 질환과 관련된 부담을 능가합니다4.

두 질병의 임상 증상, 특히 만연한 증상인 기침의 증상에서 상당한 유사성으로 인해 효과적인 치료를 위해서는 이들 질병의 조기에 정확한 감별이 필수적입니다 5,6. 전통적인 진단 접근법은 주로 임상 증상 평가, 폐 기능 검사 및 실험실 분석에 의존합니다7. COPD에 대한 기존의 진단 방법은 상태를 식별하고 평가하는 데 효과적이지만 임상 실습에서는 몇 가지 한계를 나타냅니다. 이러한 한계에는 부적절한 진단 정확도, 조기 진단을 위한 제한된 능력, 질병 이질성에 대한 불충분한 이해 및 동적 모니터링 부족이 포함됩니다 8,9,10,11. COPD에 대한 전통적인 진단 방법과 달리 음성 진단 기술은 새로운 보조 도구로서 특히 조기 발견, 비침습적 진단 및 동적 모니터링 측면에서 수많은 이점을 제공합니다.

음성 분석, 특히 기침 소리의 자동 분석이 발전함에 따라 신속한 진단 응용 분야의 잠재력이 떠오르고 있습니다. 연구에 따르면 기침 소리는 기도 건강 상태의 변화를 반영하는 음향적 특징과 함께 폐 질환에 관한 광범위한 정보를 요약합니다12. 최근에는 음성 특징 분석을 위한 기계 학습 기반 기술이 COPD 및 기타 상태를 진단하는 데 사용되어 주목할만한 결과를 낳았습니다 13,14,15. 이러한 방법론은 기침 소리에서 주파수, 지속 시간, 진폭과 같은 오디오 특징을 추출하고 이를 패턴 인식을 위한 기계 학습 알고리즘과 통합함으로써 질병의 효과적인 분류를 용이하게 합니다.

질병 진단에서 기침 소리 분석의 잠재력을 조사하는 일부 연구에도 불구하고 COPD 환자와 RTI 환자를 구별하는 데는 중요한 과제가 남아 있습니다. 이러한 어려움은 두 그룹의 기침 소리의 중복 특성으로 인해 발생하며 개인차로 인해 더욱 복잡해집니다. 결과적으로, 기침 소리에서 보다 정확하고 구별 가능한 특징을 추출하는 방법의 개발은 이 영역에서 여전히 중요한 문제로 남아 있습니다.

본 연구는 COPD 진단을 받은 환자 25명과 RTI 환자 25명의 음성을 녹음하여 기침음에 대한 자동 분류 방법을 조사하고자 합니다. 음성 특징 분석과 머신러닝 알고리즘을 통합하여 질병 감별의 정확도를 높여 COPD 및 RTI의 조기 진단 능력을 향상시키는 것을 목표로 합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

베이징 중의과대학 윤리위원회와 제3부속병원은 이 연구를 승인했습니다. 모든 참가자는 참여에 대한 서면 동의서를 제공했습니다. 2024년 7월부터 8월까지 베이징 중의과대학 제3부속병원 호흡기내과에서 25명의 COPD 환자 코호트를 모집했습니다. 동시에 전형적인 상부 RTI를 가진 25명의 환자로 구성된 대조군도 구성되었습니다.

1. 참가자 선정

  1. 포함 기준
    1. 배경 소음이 적고 아티큘레이션이 명확한 오디오 샘플을 선택합니다.
    2. COPD 그룹에 대한 COPD 진단이 폐 전문가가 정한 임상 지침에 의해 의무화되었는지 확인하십시오.
      1. GOLD 2024 기준에 따라 기관지확장제 폐활량계(FEV 1/FVC< 0.70)를 통해 진단을 확인합니다.
      2. 임상적 안정성 확인(4주 ≥ 악화 없음)
    3. 비교 그룹이 전형적인 상위 RTI를 앓고 있는 사람들로 구성되어 있는지 확인하십시오.
      1. 호흡기 감염 질환 진단 및 치료 지침의 진단 기준을 사용하여 진단합니다.
      2. 증상 발현 시간이 72시간≤ 확인하십시오.
      3. 만성 호흡기 질환 병력을 제외합니다.
    4. 연령을 18-85세로 제한합니다.
    5. 모든 참가자가 연구 참여에 대한 서면 동의서를 제공하도록 요청하십시오.
  2. 제외 기준
    1. 성대 장애나 후두염과 같은 언어 장애를 겪고 있는 참가자는 제외합니다.
    2. 언어 또는 인지 기능을 손상시킬 수 있는 신경학적 상태가 있는 참가자를 제외합니다.
    3. 심각한 청각 장애가 있는 참가자를 제외합니다.
    4. 연구 프로토콜을 준수하지 않았거나 충분한 수의 오디오 샘플을 제공하지 못한 참가자를 제외합니다.
    5. 정보에 입각한 동의를 제공할 수 없는 참가자를 제외합니다.

2. 연구 설계

  1. 참가자를 외부 소음 수준을 30dB 미만으로 유지하는 조용하고 격리된 표준 임상 상담실(4m × 5m 크기)으로 이동합니다. 자연스럽고 편안한 자세로 앉게 하고 편안한 상태를 유지하게 하십시오.
  2. 키, 몸무게, 나이 및 기타 관련 정보를 포함하여 참가자의 필수 세부 정보를 꼼꼼하게 문서화하고 의사에게 현재 건강 상태를 확인합니다.
  3. 초기 데이터 기록이 완료되면 마이크의 높이를 적절한 위치로 조정하여 마이크와 참가자의 입술 사이에 약 20-30cm의 거리를 유지합니다.
  4. 전문 휴대용 핸드헬드 멀티트랙 레코더를 사용하여 오디오 녹음을 수집하고 샘플링 속도를 44.1kHz로 균일하게 설정합니다.
    1. 일일 녹화 세션 전에 장치 보정을 수행합니다. 화면에 CAL과 현재 레벨 값이 표시될 때까지 대상 채널의 GAIN 노브를 2초 동안 길게 누릅니다.
    2. 화면에 표시된 입력 레벨이 테스트 톤의 공칭 값과 정확하게 일치할 때까지 GAIN 노브를 천천히 돌려 게인을 목표 값으로 조정합니다. ≤±1dB 이내의 오차 마진을 보장합니다.
  5. 샘플링 팀의 지도하에 참가자가 자신의 상태에 따라 자연스럽게 기침을 하도록 합니다. 녹음 장치를 사용하여 기침 소리를 캡처합니다.
  6. 오디오를 '로 녹음합니다. WAV' 파일 형식입니다.
  7. 비정상적인 오디오 세그먼트는 수동 확인으로 보완된 음성 활동 감지(VAD)를 사용하여 제거되었습니다. 신호 대 잡음비(SNR) 임계값인 >20dB를 충족하는 녹음이 연구에 포함되었습니다.
    참고: 전체 방법론은 GitHub 리포지토리(https://github.com/Liteng811/speech-feature-index-database-construction)에서 확인할 수 있습니다.

3. 보컬 기능 저장소 개발

참고: 음성 기능 지표 데이터베이스는 COPD와 RTI의 음성 패턴을 비교 분석하기 위한 음향 특성 모음입니다. 방법론적 아키텍처는 표 1에 자세히 설명되어 있습니다. 구성을 위한 오픈 소스 코드베이스가 구현되었으며 GitHub(https://github.com/Liteng811/speech-feature-index-database-construction)에서 액세스할 수 있습니다. 아래 단계에서는 코드의 다운로드 및 실행에 대해 자세히 설명합니다.

  1. MathWorks 공식 웹 사이트(https://www.mathworks.com/)에서 컴퓨터에 MATLAB을 설치합니다. 운영 체제에 적합한 버전이 선택되어 있는지 확인하십시오. MATLAB이 올바르게 설치되었는지 확인하려면 MATLAB 소프트웨어를 시작하고 명령 창에 ver 를 입력합니다. 제대로 설치되면 MATLAB의 버전 정보가 나타납니다.
  2. 공식 Git 웹 사이트(https://git-scm.com/)에서 Git을 설치합니다. 성공적인 설치를 확인하려면 명령줄(Windows의 경우 명령 프롬프트, Mac/Linux의 경우 터미널)에 git --version 명령을 입력합니다. Git이 성공적으로 설치되면 버전 정보가 표시됩니다.
  3. 코드 저장소 검색
    1. 명령줄 인터페이스를 사용하여 git clone 명령을 실행하여 프로젝트 파일을 로컬 컴퓨터에 다운로드합니다.
      git clone https://github.com/Liteng811/voice-feature-index-database-construction.git
      참고: 이 작업은 현재 작업 디렉토리에 모든 프로젝트 파일을 포함하는 "voice-feature-index-database-construction"이라는 새 디렉토리를 만듭니다.
    2. 다운로드한 폴더에 액세스하여 다음을 실행하여 해당 내용을 관리합니다.
      cd 음성 기능-인덱스-데이터베이스-구성.
  4. MATLAB 환경 설정.
    1. MATLAB 응용 프로그램을 시작합니다.
    2. 프로젝트 폴더를 MATLAB 검색 경로에 통합합니다. 홈 탭으로 이동하여 경로 설정을 클릭한 다음 폴더 추가를 클릭합니다. 복제된 voice-feature-index-database-construction 디렉토리를 선택하고 변경 사항을 저장합니다. 이를 통해 MATLAB은 필요한 모든 스크립트에 액세스할 수 있습니다.
    3. MATLAB의 현재 폴더 패널에서 기본 처리 스크립트(voiceH6_batch_3_stage_WAV_tt.m)를 두 번 클릭하여 엽니다.
  5. 데이터 준비.
    1. 분석에는 .wav 또는 .pcm 형식의 입력 오디오 파일이 필요합니다.
    2. 이러한 오디오 파일의 경로는 스크립트 내에 하드코딩되어 있습니다. 로컬 시스템의 올바른 위치를 가리키도록 이러한 경로 변수를 업데이트하십시오.
  6. 스크립트 실행.
    1. 기본 스크립트(voiceH6_batch_3_stage_WAV_tt.m)를 연 상태에서 실행 버튼을 클릭하거나 MATLAB 명령 창에 스크립트 이름을 직접 입력하여 처리를 시작합니다. voiceH6_batch_3_stage_WAV_tt.
    2. 스크립트에는 사용자 상호 작용이 필요합니다. MATLAB은 사용자에게 적절한 오디오 파일 또는 폴더를 선택하라는 그래픽 인터페이스를 표시합니다. 처리를 위해 선택한 오디오 파일 또는 폴더가 프롬프트와 일치하는지 확인합니다.
    3. MATLAB에서 스크립트를 실행할 때 그래픽 인터페이스가 정지되거나 표시되지 않는 문제가 발생하는 경우 MATLAB 버전과의 잠재적인 호환성 문제를 확인하거나 운영 체제의 그래픽 드라이버가 제대로 작동하는지 확인하십시오.
  7. 결과를 출력합니다. 완료되면 스크립트가 피처 추출 결과를 기록할 .txt 출력 파일을 검색합니다. 출력 파일에는 오디오 기능 인식 결과와 같은 정보가 포함됩니다.

4. 데이터 분석

참고: 음성 특징 지표 데이터베이스를 조립한 후 통계 분석을 수행했습니다. 분석 접근 방식은 표 2에 요약되어 있습니다. Mann-Whitney U 테스트는 COPD와 RTI 그룹 간의 음성 신호 특징의 차이를 평가하는 데 사용되었습니다.

  1. Mann-Whitney U. 테스트
    참고: 음성 특징 지수 라이브러리를 얻은 후 SPSS 20.0을 사용하여 데이터에 대해 Mann-Whitney U 테스트를 수행했습니다. 작업 프로세스는 다음과 같습니다.
    1. SPSS를 열고 데이터 파일을 로드하십시오.
    2. 메뉴 모음에서 2개의 독립 표본 > 레거시 대화 상자> 비모수 검정 > 분석을 선택합니다.
    3. 팝업 대화 상자에서:
      1. 검정변수 목록: 비교할 변수(관측변수)를 선택합니다.
      2. 그룹화 변수: 그룹화 변수(그룹화에 사용할 변수)를 선택합니다.
      3. 그룹 정의 버튼을 클릭하여 팝업 창에 두 그룹의 식별자를 입력합니다(예: "그룹 1" 및 "그룹 2"로 그룹화된 경우 1 및 2 입력).
    4. 검정 유형에서 Mann-Whitney U 검정을 부분적으로 선택합니다.
    5. 확인을 클릭하면 SPSS가 자동으로 출력을 생성합니다.
  2. 주성분 분석(PCA)
    참고: 통계적으로 유의미한 특징을 식별한 후 고급 데이터 탐색을 위해 주성분 분석(PCA)을 사용했습니다. 이 기술은 원래 변수를 중요한 정보를 보존하고 데이터 세트의 해석 가능성을 단순화하는 더 작은 복합 구성 요소 세트로 압축하여 차원을 줄입니다. PCA를 수행하기 전에 척도 관련 편향을 완화하기 위해 통계 소프트웨어에 의해 데이터가 자동으로 표준화되었습니다. 절차는 다음과 같이 실행되었습니다.
    1. 데이터가 대조되어 Excel 또는 CSV 형식으로 저장되고 SPSS 20.0으로 가져왔는지 확인하십시오.
    2. 파일 > > 데이터 열기를 선택한 다음 열 파일을 선택합니다.
    3. 데이터의 결측값과 이상값이 처리되고 변수가 표준화되었는지 확인합니다.
    4. SPSS에서 PCA 분석의 경우 차원 축소 > 요인 > 분석을 클릭하십시오.
    5. 대화 상자에서 PCA에 사용되는 모든 변수를 변수 필드에 추가합니다 . 이러한 변수는 일반적으로 연속 데이터입니다.
    6. 추출 방법을 설정합니다.
      1. 대화 상자에서 추출 버튼을 클릭하고 주성분 방법을 선택합니다. 기본적으로 SPSS는 데이터의 분산을 설명하기에 충분한 주성분을 추출합니다.
      2. 1보다 큰 고유값을 유지기준으로 선택하는데, 이는 고유값이 1보다 큰 주성분만 유지됨을 의미하며, 이는 일반적으로 대부분의 분산을 설명합니다.
    7. 회전 방법을 선택하고 회전을 클릭하여 Varimax (직교 회전) 또는 Promax (비스듬한 회전)를 선택합니다. 대부분의 응용 분야에서 Varimax는 일반적으로 사용되는 회전 방법입니다.
    8. 옵션에서 Scree 플롯 및 계수 행렬 을 확인하여 주성분의 자갈 다이어그램과 각 주성분의 계수 행렬을 출력하여 유지된 분산을 판단하는 데 도움이 되도록 합니다.
    9. 모든 옵션을 설정한 후 확인 버튼을 클릭하면 SPSS가 출력을 생성합니다.
    10. 결과 해석.
      1. 주성분 로딩 행렬을 해석하여 주성분과 원래 변수 간의 관계를 식별합니다. 부하 값이 더 높은 변수는 변경에 더 큰 기여도가 필요합니다.
      2. "설명된 총 분산" 표를 사용하여 분산을 설명합니다. 각 주성분에 대한 고유값과 분산 비율을 관찰합니다. 일반적으로 대부분의 데이터 변동을 설명하므로 분산 비율이 큰 주성분을 선택합니다.
      3. 스크리 플롯을 사용하여 유지된 주성분을 결정합니다. 플롯에서 명확한 변곡점을 식별합니다. 변곡점의 왼쪽에 주성분을 유지합니다.
      4. 주성분 점수: 주성분에 대한 각 표본의 점수를 가져와야 하는 경우 변수로 저장 을 선택하면 SPSS는 주성분 점수를 새 변수로 데이터 세트에 추가합니다.

5. 로지스틱 회귀(LR) 및 랜덤 포레스트(RF) 모델 구축

참고: LR 및 RF 모델을 구성하기 위한 구체적인 방법론적 프레임워크는 표 3에 자세히 설명되어 있습니다. 한편, 본 연구의 LR 및 RF 모델은 GitHub(https://github.com/Liteng811/The-distinction-between-COPD-and-respiratory-infections)에 업로드되었습니다. 다음은 주로 GitHub에서 코드를 다운로드하고 실행하는 방법을 설명합니다. RF 모델은 Python 3.12.3을 기본 프로그래밍 언어로 사용하여 구성되었습니다.

  1. 프로젝트 코드베이스를 가져옵니다.
    1. 터미널 또는 명령 프롬프트를 실행하고 git clone 명령을 실행하여 리포지토리를 로컬로 다운로드합니다.
      git clone COPD와 호흡기 감염의 구별.git COPD와 호흡기 감염의 구별.git
      이 명령은 모든 저장소 내용을 현재 작업 디렉터리로 검색하여 The-distinction-between-COPD-and-respiratory-infections라는 새 폴더를 생성합니다.
  2. 프로그래밍 환경을 설정합니다.
    1. 공식 배포 사이트(https://www.python.org/)에서 Python을 다운로드하여 설치합니다.
    2. 요구 사항 파일에 나열된 모든 Python 종속성을 설치하려면 아래 명령을 사용합니다: pip install -r requirements.txt.
    3. requirements.txt 파일을 사용할 수 없는 경우 다음을 실행하여 필수 라이브러리를 수동으로 설치합니다.
      pip install numpy pandas scikit-learn matplotlib
    4. 공식 JetBrains 웹 사이트(https://www.jetbrains.com/pycharm/)에서 PyCharm 통합 개발 환경을 설치합니다.
  3. 리포지토리 콘텐츠를 탐색합니다.
    1. 리포지토리에서 기본 스크립트 파일(LR.py, RF.py)을 찾습니다.
    2. 코드 편집기 또는 PyCharm을 사용하여 이러한 파일을 열고 구현 및 구조적 세부 정보를 검토합니다.
  4. 입력 데이터를 준비합니다.
    1. 필요한 데이터 세트가 코드에서 예상한 대로 .xlsx 형식으로 사용할 수 있고 실행하기 전에 적절하게 구성되어 있는지 확인합니다.
    2. 코드에는 하드 코딩된 파일 경로가 포함되어 있습니다. 파일의 실제 위치를 반영하도록 이러한 경로를 업데이트하여 코드의 기존 경로(예: C:\Users\1\Desktop\pca-result.xlsx)를 시스템의 실제 파일 경로로 효과적으로 바꿉니다.
  5. 코드를 실행합니다.
    1. 기본 스크립트를 찾으면 명령줄을 통해 실행합니다. 예를 들어 LR.py 실행하려면 python LR.py
      대상 스크립트가 RF.py 경우 그에 따라 파일 이름을 대체합니다.
    2. 실행하기 전에 터미널이 올바른 작업 디렉터리에 있는지 확인하거나 스크립트의 전체 경로를 지정하십시오. 예를 들어:
      파이썬 C:/path/to/your/repository/LR.py.
    3. 작동 중에 스크립트는 데이터 세트를 로드하고, 해당 기계 학습 모델(LR 또는 RF)을 훈련하고, 정확도, 혼동 행렬 및 ROC 곡선을 포함한 성능 지표를 생성합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

데이터 분석 결과

이 연구는 시간 영역 분석, 주파수 영역 분석, 멜 주파수 절충 계수(MFCC) 추출, TCM 진단에 따른 특징 지표 변경과 같은 방법을 사용하여 400개 이상의 음성 특징 지수를 성공적으로 분리했습니다. 시간 영역 분석은 음성 신호 처리에서 중요한 요소이며, 신호 시계열 데이터를 직접 조작하여 에너지, 오버제로 속도, 선형 추세 및 엔벨로프, 자기 상관 연구, 진폭 변조 등과 같은 신호 속성을 직관적으로 이해하는 데 중점을 둡니다 16,17,18,19,20

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

본 연구는 음성 신호 분석 및 머신러닝 기술을 통해 COPD를 감지하는 비침습적 방법을 조사합니다. 여기에는 25명의 COPD 환자와 25명의 RTI 환자로부터 음성 데이터를 수집하는 것이 포함되었습니다. 모델은 LR 및 RF 알고리즘을 사용하여 구성되었습니다. 두 모델 모두 샘플을 전반적으로 올바르게 분류하는 데 유사한 정확도를 보였지만 AUC 값의 차이는 LR 모델이 민감도와 특이도 사이에서 우수한 균형을 제공할 수 있음을 나타냅니다. 다음 섹션에서는 연구 결과에 대한 자세한 조사를 제공합니다.

연구에 따르면 LR 모델은 테스트 세트에서 90%의 정확도를 달성한 반면 RF 모델은 80%를 달성했으며 LR 모델은 AUC 값 0.95에 해당하고 RF 모델은 AUC 값 0.76에 해당합니다. 이는 LR 모델의 고유한 단순성으로 인해 과적합에 대한 저항력이 더 강하고 작은 데이터 시나리오에서 견고성이 높아져 정확한 분류를 ...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

저자는 이 연구의 출판과 관련하여 이해 상충이 없음을 선언합니다. 이 연구의 결과나 해석에 영향을 미칠 수 있는 상업 조직으로부터 재정적 또는 비재정적 지원을 받지 않았습니다. 설계, 데이터 수집, 분석 및 원고 준비를 포함한 연구의 모든 측면은 외부 영향과 독립적으로 수행되었습니다.

감사의 글

이 연구는 중국 국가자연과학재단 청소년 과학 기금 프로젝트(프로젝트 승인 번호: 82104739)와 허베이성 한의학 관리국 과학 연구 프로그램(프로젝트 번호: B2025032)의 지원을 받았습니다. 저자는 실험 기간 동안 도움을 주신 모든 교사와 학생들에게 감사의 말씀을 전하고 싶습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
디지털 레코더급상승H6줌 오디오 스토어
깃허브잇2.47.1.2공식 웹사이트
Matlab수학 작품R2024b공식 웹사이트
파이참제트브레인즈2024.1공식 웹사이트
파이썬파이썬3.12공식 웹사이트

참고문헌

  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).

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

태그

머신러닝 진단음성 신호 분석로지스틱 회귀 모델랜덤 포레스트 모델주성분 분석음성 특징 추출비침습적 진단
기계 학습 기반 기침 톤 분류: 만성 폐쇄성 폐질환 및 호흡기 감염의 진단 탐색
문의하기
도서관에 추천하기

개인정보 처리방침

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.