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

Summary

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.

Abstract

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.

Introduction

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,....

Protocol

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.
      ....

Results

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

Discussion

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 .......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
디지털 레코더	급상승	H6	줌 오디오 스토어
깃허브	잇	2.47.1.2	공식 웹사이트
Matlab	수학 작품	R2024b	공식 웹사이트
파이참	제트브레인즈	2024.1	공식 웹사이트
파이썬	파이썬	3.12	공식 웹사이트