음성 신호 처리와 기계 학습을 기반으로 한 천식 감지 연구
2025년 7월 22일
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.
- 다음에는 이 분야의 가장 최근의 발전과 현재의 실험적 과제에 대해 논의하겠습니다. 현재 기술은 AI 기반 음성 분석, SVM과 같은 모션 기술, MFCC와 같은 신호 처리 도구, 가변 음향 센서를 사용하여 사운드 신호에서 질병 관련 패턴을 감지합니다. 음성 기반 진단의 임상 번역에서 현재 과제에는 부족한 데이터, 제한된 모델 일반화, 개인 정보 보호 윤리, 충돌 및 상호 운용성 장벽이 포함됩니다.
[강사] 시작하려면 명령줄 도구를 열고 GitHub 리포지토리를 로컬 시스템에 복제합니다. 공식 Python 웹 사이트로 이동하여 컴퓨터에 Python을 설치합니다. Python을 설치한 후 requirements.txt 파일을 사용하여 필요한 Python 라이브러리를 설치합니다. 또는 텍스트 파일을 사용할 수 없는 경우 주어진 명령을 사용하여 필요한 라이브러리를 수동으로 설치하십시오. 그런 다음 공식 웹 사이트에서 PyCharm을 설치합니다. 이제 복제된 저장소에서 기본 스크립트 파일을 찾습니다. PyCharm 또는 텍스트 편집기를 사용하여 Python 파일을 열고 내용과 구조를 검토합니다. 데이터 세트를 구성하려면 코드에 필요한 데이터 파일을 사용할 수 있고 Excel 형식으로 저장되어 있는지 확인합니다. 시스템의 실제 파일 위치와 일치하도록 스크립트의 파일 경로를 업데이트합니다. 기본 스크립트를 식별한 후 해당 스크립트에 적합한 명령을 사용하여 코드를 실행합니다. 실행하는 동안 코드는 데이터를 로드하고, 기계 학습 모델을 훈련하고, 정확도, 혼동 행렬, 수신기 작동 특성 또는 ROC 곡선과 같은 결과를 표시합니다. 이 그림은 지원 벡터 머신 또는 SVM 모델과 랜덤 포레스트 또는 RF 모델에 대한 혼동 행렬을 제시하여 천식 및 건강한 대조군에 대한 분류 결과를 보여줍니다. SVM 모델은 혼동 매트릭스의 30개 샘플 중 14명의 천식 피험자와 12명의 건강한 대조군을 정확하게 분류했습니다. RF 모델은 또한 14명의 천식 사례와 12명의 건강한 대조군을 정확하게 예측하여 유사한 분류 결과를 보여주었습니다. SVM 모델은 ROC 분석에서 0.95의 더 높은 곡선 아래 면적 값을 달성하여 우수한 분류 성능을 반영했습니다. SVM과 RF 모델 모두 테스트 데이터 세트에서 87%의 동일한 전체 분류 정확도를 달성했습니다. 클래스별 성능에서 SVM 모델은 천식 그룹에서 0.93으로 더 높은 회상률을 보였지만 건강한 대조군에서는 0.80으로 더 낮은 회상률을 보였으며, 이는 SVM이 천식을 식별하는 데 효과적이지만 일부 건강한 개인을 잘못 분류할 수 있음을 시사합니다. RF 모델은 천식의 경우 0.93, 건강한 대조군의 경우 0.80의 동일한 회상 값을 달성했으며, 이는 두 모델 모두 민감도가 비슷하고 양성 사례를 식별할 수 있음을 나타냅니다.
전체 스크립트를 보고 수천 개의 과학 동영상에 액세스하세요
개요
이 연구는 아스마의 비침습적 조기 발견을 위한 AI 기반 음성 분석 및 기계 학습 기술의 사용을 조사합니다. Support Vector Machine (SVM) 및 Random Forest (RF) 알고리즘을 사용하여 연구는 아스마 사례를 식별하는 데 있어 비슷한 분류 정확도를 보여줍니다.
주요 연구 구성 요소
과학 분야
- 신경과학
- 기계 학습
- 음성 신호 분석
배경
- 현재 기술은 질병 관련 패턴을 감지하기 위해 AI 기반 음성 분석을 활용합니다.
- 임상 전환의 과제에는 데이터 부족과 프라이버시 윤리가 포함됩니다.
- SVM 및 RF와 같은 기계 학습 모델이 분류 작업에 사용됩니다.
- 비침습적 특성으로 인해 음성 기반 진단이 주목받고 있습니다.
연구 목적
- 아스마 감지에서 음성 신호 분석의 효과를 탐구합니다.
- SVM 및 RF 알고리즘의 성능을 비교합니다.
- 임상 환경에서 음성 기반 진단을 구현하는 과제를 해결합니다.
사용된 방법
- MATLAB을 사용한 음성 신호 분석.
- 기계 학습 알고리즘: Support Vector Machine (SVM) 및 Random Forest (RF).
- 분류 정확도 및 성능 지표 평가.
- 모델 비교를 위한 혼동 행렬 및 ROC 곡선 분석.
주요 결과
- SVM과 RF 모두 전체 분류 정확도가 87%를 달성했습니다.
- SVM은 ROC 분석에서 0.95의 더 높은 곡선 아래 면적 값을 보였습니다.
- SVM은 아스마 그룹(0.93)에서 건강한 대조군(0.80)보다 더 높은 재현율을 보였습니다.
- RF는 두 그룹 모두 비슷한 재현율을 보여 비슷한 민감도를 나타냅니다.
결론
- 기계 학습과 결합된 음성 분석은 효과적으로 아스마를 감지할 수 있습니다.
- SVM은 민감도와 특이도 사이에서 더 나은 균형을 제공할 수 있습니다.
- 임상 전환 과제를 해결하기 위해 추가 연구가 필요합니다.
자주 묻는 질문
Executive Industry Relevance
Voice signal processing combined with machine learning offers a scalable, non-invasive approach for early asthma detection, addressing a critical need for objective, reproducible diagnostics in respiratory disease research. By leveraging quantitative voice features and robust classification models, this workflow enhances predictive confidence at the target validation and assay development stages. The methodology supports portfolio-wide risk reduction by enabling standardized, data-driven decision-making in biomarker discovery and translational research.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of disease-relevant voice biomarkers for respiratory target validation.
- Supports mechanistic de-risking by quantifying differential phonetic features between patient and control groups.
- Facilitates predictive confidence in early-stage biomarker selection and triage.
Screening & Assay Development
- Prepares validated voice-based assays for downstream machine learning model integration.
- Standardizes feature extraction and dimensionality reduction for reproducible quantitative outputs.
- Enables scalable screening of candidate biomarkers using SVM and RF classification models.
Translational & Preclinical Research
- Aligns non-invasive voice biomarkers with translational endpoints for respiratory disease models.
- Supports continuity from discovery through preclinical validation by providing objective, quantitative readouts.
- Reduces biological risk in advancing candidate biomarkers to later-stage studies.
Pipeline & Workflow Integration
This workflow integrates from early discovery through lead identification and preclinical validation, leveraging voice signal analytics and machine learning for robust biomarker development.
- Discovery Biology: Quantitative voice feature analysis supports hypothesis testing and pathway clarification in respiratory disease.
- Screening: Machine learning models provide reproducible, quantitative classification outputs for candidate biomarker evaluation.
- Analytics: Outputs include accuracy, confusion matrices, and ROC curves to compare model performance and inform go/no-go decisions.
- Translational Research: Non-invasive voice biomarkers facilitate alignment with clinical endpoints and preclinical model systems.
- Enterprise Reuse: The standardized workflow and feature set enable reuse across respiratory and potentially other disease areas.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in respiratory biomarker discovery.
- Operational Value: Delivers standardized, reproducible, and scalable voice-based assays for machine learning integration.
- Strategic Value: Improves go/no-go decision quality and capital efficiency by providing objective, quantitative outputs.
- Portfolio Impact: Enables risk-adjusted prioritization and advancement of candidate biomarkers across the R&D pipeline.
Implementation Considerations
- Requires expertise in signal processing, machine learning, and respiratory disease biology.
- Needs access to high-quality voice recording infrastructure and computational analytics platforms.
- Demands cross-team standardization of data collection, feature extraction, and model evaluation protocols.
- Adaptation across diverse patient populations and disease models may require additional validation.
- Data scarcity and model generalization remain practical limitations for broader clinical translation.
