Methodenartikel

Onderzoek naar astmadetectie op basis van spraaksignaalverwerking en machine learning

DOI:

10.3791/67742

⸱

22 juli 2025

 ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1The College of Life Sciences, Beijing University of Chinese Medicine, 2Respiratory Department, Beijing University of Chinese Medicine Third Affiliated Hospital, 3Institute of Acoustics, Chinese Academy of Sciences, 4Otorhinolaryngology, Children's Hospital Affiliated to the Capital Institute of Pediatrics, 5Institute of information on traditional Chinese medicine, China Academy of Chinese Medical Sciences, 6Institute of Basic Theory for Chinese Medicine, China Academy of Chinese Medical Sciences

In dit artikel

Samenvatting

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Deze studie maakte gebruik van spraaksignaalanalyse en machine learning-methoden, waarbij MATLAB werd gebruikt om onderscheidende spraakkenmerken te extraheren voor niet-invasieve vroege detectie van astma. De algoritmen Support Vector Machine (SVM) en Random Forest (RF) vertoonden vergelijkbare prestaties op het gebied van algehele classificatienauwkeurigheid, hoewel SVM een betere balans tussen gevoeligheid en specificiteit kan bereiken.

Samenvatting

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Om spraaksignalen te analyseren en astmapatiënten te identificeren met behulp van spraaksignaalanalyse en machine learning-technieken, verzamelden we duidelijke, ruisarme spraaksignalen met een vast patroon van 50 astmapatiënten en 50 gezonde controles om een analysedatabase op te bouwen. Het onderzoek voerde een multidimensionale spraaksignaalanalyse uit op basis van MATLAB en geselecteerde spraakfunctie-indicatoren met significante verschillen tussen astmapatiënten en gezonde controles. Na analyse van de dimensionaliteitsreductie op differentiële fonetische kenmerken, werden de verwerkte kenmerken opgenomen in daaropvolgend SVM- en RF-modellerings- en classificatieonderzoek.

De studie stelde meer dan 400 spraakfunctie-indicatoren vast met betrekking tot diagnose, waarvan 20 indicatoren significante verschillen vertoonden tussen astmapatiënten en gezonde controles (P < 0,01). In de classificatiestudie behaalden zowel het SVM- als het RF-model identieke nauwkeurigheidspercentages van 87% op de testset, met AUC-waarden van 0,95 voor SVM en 0,93 voor RF. Dit toont hun vergelijkbare prestaties aan in termen van algehele classificatienauwkeurigheid, terwijl de ongelijkheid in AUC-waarden suggereert dat het SVM-model een betere afweging tussen gevoeligheid en specificiteit kan bereiken. Dit artikel biedt dus niet alleen een nieuwe methode voor niet-invasieve vroege detectie van astma, maar legt ook de basis voor verdere toepassing en optimalisatie van deze methode in de praktijk.

Inleiding

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Volgens gegevens van de China Pulmonary Health (CPH)-studie is de prevalentie van astma onder Chinese volwassenen 4,2%, waarbij artsen slechts 28,8% van de astmapatiënten diagnosticeren en slechts 5,6% een behandeling met inhalatiecorticosteroïdenkrijgt1. Deze cijfers wijzen op een laag percentage diagnoses en behandelingen van astma in China, wat de dringende noodzaak benadrukt om het bewustzijn te vergroten en de aandacht te vestigen op astma bij het publiek en beroepsbeoefenaren in de gezondheidszorg. De huidige diagnostische methoden voor astma zijn gevarieerd, waaronder klinische geschiedenis en lichamelijk onderzoek, longfunctietesten en fractionele uitgeademde stikstofmonoxide (FeNO)-meting, maar elk heeft zijn beperkingen in verschillende mate 2,3,4. Bovendien is regelmatige controle van astma cruciaal voor de behandeling van ziekten; Systematische monitoring van symptomen en longfunctie kan astma-exacerbaties effectief voorkomen, de kwaliteit van leven van de patiënt verbeteren en spoedbezoeken en ziekenhuisopnames verminderen 5,6. In de praktijk zijn deze conventionele diagnostische methoden echter vaak onpraktisch voor routinematige zorg vanwege hun kosten en complexiteit.

Gezien de bovenstaande omstandigheden kan zelfcontrole van astma een belangrijke rol spelen bij de bestrijding van de ziekte. Dergelijke monitoring moet eenvoudig, handig en nauwkeurig zijn. In dit opzicht biedt spraak duidelijke voordelen. Astmapatiënten vertonen vaak opmerkelijke verschillen in stemkenmerken, waaronder een verminderde maximale fonatietijd, stemstoornissen (zoals heesheid, ruwheid en vocale vermoeidheid) en significante verschillen in fundamentele frequentie en toonhoogte in vergelijking met gezonde personen 7,8,9. Deze verschillen kunnen dienen als een mogelijke methode voor de identificatie en monitoring van astma.

Machine learning heeft een aanzienlijk potentieel aangetoond bij het detecteren van astma met behulp van spraakgegevens. Studies hebben aangetoond dat astmasymptomen effectief kunnen worden gedetecteerd door de hoestgeluiden, ademgeluiden en andere relevante akoestische kenmerken van patiënten te analyseren. Deze technieken, waaronder deep learning, neurale netwerken en andere machine learning-modellen, zijn in staat om karakteristieke stempatronen en veranderingen in ademhalingsgeluid bij astmapatiënten te herkennen 10,11,12,13,14,15.

Vergeleken met hoest- en ademgeluiden kan een stem met een vast patroon (zoals de uitspraak van de cijfers 1-9) meer gestandaardiseerd en controleerbaar zijn. Het vergemakkelijkt ook de extractie van functies, regelt de spraakkwaliteit en is gemakkelijker voor grootschalige gegevensverzameling. Support Vector Machine (SVM) vertoont een sterk classificatievermogen bij het verwerken van hoogdimensionale gegevens en luidruchtige monsters, terwijl Random Forest (RF), met zijn uitstekende robuustheid, het vermogen om niet-lineaire relaties te verwerken en beoordeling van het belang van functies, complexe spraakfunctiegegevens effectief beheert 16,17,18,19,20.

In deze studie gebruikten we opnames van de cijfers "123456789" die in een normaal en gestaag tempo werden uitgesproken om astma-gerelateerde stemkenmerken te extraheren. Op basis van deze kenmerken hebben we RF- en SVM-modellen geconstrueerd voor astmadetectie. In de toekomst kunnen deze modellen mogelijk worden geïntegreerd in mobiele applicaties om de identificatie van astma en het monitoren van ziekteprogressie mogelijk te maken, waardoor astma-exacerbaties worden voorkomen.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

De ethische commissie van de Beijing University of Chinese Medicine en het derde aangesloten ziekenhuis hebben deze studie goedgekeurd. Alle deelnemers ondertekenden een schriftelijke geïnformeerde toestemming voordat ze deelnamen. Van juli tot augustus 2024 hebben we 50 patiënten gerekruteerd van de afdeling Respiratoire Geneeskunde van het Derde Aangesloten Ziekenhuis van de Beijing University of Chinese Medicine. Tegelijkertijd schreven we 50 gezonde personen in als controles.

1. Selectie van deelnemers

  1. Stel de volgende opnamecriteria in.
    1. Onder de audiosamples waarbij luidsprekers de cijfers "123456789" in een normaal en gestaag tempo uitspraken, selecteert u die met weinig achtergrondgeluid en duidelijke articulatie.
    2. Zorg ervoor dat de astmagroep een bevestigde diagnose van astma heeft op basis van vastgestelde klinische criteria door een ademhalingsspecialist, en dat de controlegroep bestaat uit gezonde personen zonder luchtwegaandoeningen of andere aandoeningen die de spraakkwaliteit kunnen beïnvloeden.
    3. Selecteer deelnemers in de leeftijd van 18-75 jaar, waarbij de geslachtsverhouding consistent blijft tussen de groepen.
    4. Verkrijg schriftelijke geïnformeerde toestemming van alle deelnemers voor het onderzoek.
  2. Stel de volgende uitsluitingscriteria in.
    1. Sluit deelnemers uit met chronische aandoeningen van de luchtwegen, zoals chronische obstructieve longziekte (COPD) of interstitiële longziekte.
    2. Sluit deelnemers uit die in de afgelopen 6 weken acute luchtweginfecties of exacerbaties van de ziekte hebben ervaren.
    3. Sluit personen uit met een voorgeschiedenis van stemstoornissen, zoals stembandproblemen of laryngitis.
    4. Sluit deelnemers uit met neurologische aandoeningen die de stem of cognitieve functies kunnen aantasten.
    5. Sluit personen met aanzienlijke gehoorproblemen uit.
    6. Sluit deelnemers uit die zich niet aan het onderzoeksprotocol hebben gehouden of onvoldoende audiosamples hebben verstrekt.
    7. Sluit personen uit die geen geïnformeerde toestemming kunnen of willen geven.

2. Opzet van de studie

  1. Neem de deelnemers op in een geïsoleerde, stille spreekkamer (omgevingsgeluid < 30 dB) in een natuurlijke, comfortabele zithouding, met behoud van een ontspannen toestand (zoals weergegeven in figuur 1).
  2. Laat het personeel (het bemonsteringspersoneel) dat de deelnemers registreert, de basisinformatie (lengte, gewicht, leeftijd, enz.) van de geregistreerde deelnemers verkrijgen en bij de arts nagaan of de deelnemer de diagnose puur astma had.
  3. Vraag na het verzamelen van de basisinformatie aan het bemonsteringspersoneel om de microfoon van het opnameapparaat op een geschikte hoogte in te stellen, ongeveer 20-30 cm van de lippen.
  4. Verzamel de audio-opnamen met behulp van een digitale recorder, waarbij de bemonsteringsfrequentie uniform is ingesteld op 44,1 kHz. Kalibreer het apparaat voorafgaand aan de dagelijkse opnamesessies en zorg voor een foutmarge van ≤±1 dB.
  5. Leid de deelnemers om de cijfers 1 tot en met 9 achtereenvolgens voor te lezen, waarbij de natuurlijke stemsnelheid en duidelijke articulatie tijdens de opname behouden blijven.
  6. Sla na voltooiing de audio op in .wav formaat.
  7. Verwijder abnormale audiosegmenten door middel van spraakactiviteitsdetectie (VAD) in combinatie met handmatige verificatie. Neem opnames op die voldoen aan het signaal-ruisverhouding (SNR)-criterium van >20 dB in het onderzoek.

3. Opbouw van een bibliotheek met spraakfuncties

OPMERKING: De database met spraakfunctie-indicatoren is een verzameling van verschillende spraakkenmerken die worden gebruikt om de verschillen in spraak tussen astmapatiënten en gezonde personen te analyseren, ter ondersteuning van vroege screening en detectie van astma. Het specifieke methodologische kader voor het bouwen van de opslagplaats voor spraakfuncties wordt beschreven in tabel 1. Ondertussen is het proces van het samenstellen van de database voor de spraakfunctie-index voor dit onderzoek geüpload naar GitHub (https://github.com/Liteng811/speech-feature-index-database-construction). In de volgende stappen wordt voornamelijk beschreven hoe u de code van GitHub kunt downloaden en uitvoeren.

  1. Installeer MATLAB op de computer vanaf de officiële website van MathWorks en selecteer de juiste versie voor het besturingssysteem. Controleer of MATLAB correct is geïnstalleerd door de MATLAB-software te starten en ver in het opdrachtvenster te typen. Indien correct geïnstalleerd, verschijnt de versie-informatie van MATLAB.
  2. Installeer Git vanaf de officiële Git-website (https://git-scm.com/). Bevestig de succesvolle installatie door de volgende opdracht in te voeren op de opdrachtregel (Opdrachtprompt voor Windows, Terminal voor Mac/Linux): git --version. Als de installatie is gelukt, verschijnt de versie-informatie voor Git.
  3. Kloon de GitHub-repository.
    1. Open de opdrachtregeltool en gebruik de volgende opdracht om de repository naar de lokale computer te klonen:
      Git kloon https://github.com/Liteng811/voice-feature-index-database-construction.git
      OPMERKING: Met deze opdracht wordt de inhoud van de GitHub-opslagplaats gedownload naar de huidige werkmap en wordt een map gemaakt met de naam voice-feature-index-database-construction
    2. Gebruik de opdracht om naar deze map te navigeren om de gedownloade code en bestanden te bekijken en te beheren:
      cd voice-feature-index-database-constructie.
  4. Configureer de MATLAB-omgeving.
    1. Start de MATLAB-software.
    2. Klik in MATLAB op de knop Pad instellen onder het tabblad Start en selecteer Map toevoegen. Kies de map voice-feature-index-database-construction die zojuist is gekloond en klik op Opslaan. Hierdoor kan MATLAB alle scriptbestanden in die map herkennen en uitvoeren.
    3. Zoek in het venster MATLAB Current Folder de map voice-feature-index-database-construction en dubbelklik op het voiceH6_batch_3_stage_WAV_tt.m-bestand om het te openen. Dit bestand is het belangrijkste verwerkingsscript.
  5. Gegevens configureren en voorbereiden.
    1. De code in het archief vereist audiobestanden als invoer. Zorg ervoor dat de audiobestanden in .wav - of .pcm-indeling zijn.
    2. De bestandspaden voor de audiobestanden zijn hard gecodeerd in de repository-code (d.w.z. ze worden rechtstreeks in de code geschreven). Wijzig de paden op basis van de locatie van de lokale bestanden.
  6. Voer de code uit.
    1. Nadat u het voiceH6_batch_3_stage_WAV_tt.m-bestand hebt geopend, klikt u op de knop Uitvoeren of typt u de bestandsnaam in het opdrachtvenster om het script uit te voeren:
      voiceH6_batch_3_stage_WAV_tt.
    2. Het script vereist interactie met de gebruiker. MATLAB zal een grafische interface openen om de gebruiker te vragen het bijbehorende audiobestand of de bijbehorende map te selecteren. Zorg ervoor dat u het audiobestand of de map die u wilt verwerken correct selecteert zoals gevraagd.
    3. In het geval van problemen met het vastlopen of niet weergeven van de grafische interface bij het uitvoeren van het script in MATLAB, controleer dan op mogelijke compatibiliteitsproblemen met de MATLAB-versie of zorg ervoor dat de grafische stuurprogramma's van het besturingssysteem correct werken.
  7. Voer de resultaten uit. Zoek na het uitvoeren naar een .txt uitvoerbestand waarnaar het script de resultaten van de functie-extractie zal schrijven. Het uitvoerbestand slaat informatie op, zoals de resultaten van de herkenning van de audiofunctie.

4. Gegevensanalyse

OPMERKING: Nadat u de database met spraakfunctie-indicatoren hebt verkregen, voert u statistische analyses uit op de gegevens. Het specifieke methodologische kader voor gegevensanalyse wordt beschreven in tabel 2. De specifieke operationele procedures worden hieronder beschreven.

  1. Tests voor normaliteit en homogeniteit van variantie
    OPMERKING: We hebben tests uitgevoerd voor normaliteit en homogeniteit van variantie op de indicatoren voor spraakfuncties om de juiste statistische analysemethoden te bepalen. Als alle groepen indicatoren voldeden aan zowel de normaliteit als de homogeniteit van variantieaannames, werd de onafhankelijke steekproeven t-toets gebruikt. Anders hebben we de Mann-Whitney U-test toegepast.
    1. Open de statistische software, klik op Bestand | Openen | Data en selecteer het gegevensbestand. Zorg ervoor dat de variabelen op de juiste manier zijn gecategoriseerd en worden weergegeven in de gegevensweergave.
    2. Navigeer naar Analyseren | Beschrijvende statistieken | Ontdek.
    3. Verplaats in het dialoogvenster de variabelen die u wilt testen naar het veld Afhankelijke lijst .
    4. Klik op de knop Perlijnen in de rechterbovenhoek van het venster. Selecteer in het dialoogvenster de optie Normaliteitsplots met tests en klik op Doorgaan.
    5. Keer terug naar het hoofdvenster en klik op OK om de normaliteitstest uit te voeren.
    6. Zoek in het uitvoervenster de tabel Tests van normaliteit. Focus op de significantiewaarden (Sig.) van de Kolmogorov-Smirnov (K-S-test) en Shapiro-Wilk (S-W-test). Indien Sig. > 0,05 volgt, volgen de gegevens een normale verdeling; als Sig. ≤ 0,05 is, volgen de gegevens geen normale verdeling.
    7. Navigeer naar Analyseren | Vergelijk Middelen | Enkele reis ANOVA.
    8. Verplaats in het dialoogvenster de afhankelijke variabele naar het veld Afhankelijke lijst en de groeperingsvariabele (categorische variabele) naar het veld Factor .
    9. Klik op de knop Opties aan de rechterkant van het dialoogvenster. Selecteer Homogeniteit van variantietest en klik op Doorgaan.
    10. Ga terug naar het hoofdvenster en klik op OK om de test voor de homogeniteit van de variantie uit te voeren.
    11. Zoek in het uitvoervenster de tabel Test of Homogenity of Variances. Focus op de significantiewaarde (Sig.) van de Levene Statistiek. Als Sig. > 0,05 is, wordt voldaan aan de aanname van homogeniteit van variantie; als Sig. ≤ 0,05 is, wordt de aanname van homogeniteit van variantie geschonden.
  2. Mann-Whitney U-test
    OPMERKING: Omdat de indicatoren in dit onderzoek niet tegelijkertijd voldeden aan de aannames van normaliteit en homogeniteit van variantie, hebben we de Mann-Whitney U-test toegepast om de verschillen in spraaksignaalfunctie-indicatoren tussen de astmagroep en de gezonde controlegroep te vergelijken.
    1. Navigeer naar Analyseren | Niet-parametrische tests | Verouderde dialoogvensters | 2 onafhankelijke monsters.
    2. Verplaats in het dialoogvenster de continue variabele (afhankelijke variabele) naar het veld Lijst met testvariabelen en de groeperingsvariabele (categorische variabele) naar het veld Groeperingsvariabele .
    3. Klik op Groepen definiëren, voer de twee categorieën van de groeperingsvariabele in (bijvoorbeeld '1' en '2') en klik op Doorgaan.
    4. Selecteer in het hoofdvenster de optie Mann-Whitney U. Zorg ervoor dat Exact is uitgeschakeld (selecteer deze optie voor kleine steekproefgroottes om de nauwkeurigheid te verbeteren). Klik op Opties, selecteer Beschrijvend en klik vervolgens op Doorgaan.
    5. Keer terug naar het hoofdvenster en klik op OK om de Mann-Whitney U-test uit te voeren.
    6. Zoek in het uitvoervenster de tabel met teststatistieken: de Mann-Whitney U-waarde vertegenwoordigt de teststatistiek. De Asymp. Sig. (2-zijdige) waarde geeft de p-waarde weer. Als p > 0,05 is, bestaat er geen significant verschil tussen de groepen; Als P ≤ 0,05, bestaat er een significant verschil tussen de groepen.
    7. Als u wilt bepalen welke groep hogere meetwaarden heeft, controleert u de tabel Rangen, waarin de gemiddelde rangen en steekproefgroottes voor elke groep worden weergegeven.
  3. Analyse van de belangrijkste componenten (PCA)
    OPMERKING: Nadat we de differentiële indicatoren hadden geïdentificeerd, hebben we PCA uitgevoerd om de gegevens verder te analyseren. PCA is een techniek voor het verminderen van dimensionaliteit die de originele gegevens omzet in een paar hoofdcomponenten om belangrijke kenmerken te extraheren en de analyse te vereenvoudigen. Voorafgaand aan PCA standaardiseerde de statistische software de gegevens automatisch om dimensionale effecten te elimineren.
    1. Navigeer naar Analyseren | Dimensie reductie | Factor.
    2. Verplaats in het dialoogvenster alle variabelen die moeten worden geanalyseerd naar het veld Variabelen .
    3. Klik op de knop Beschrijvende waarden en selecteer KMO en Bartlett's sfericiteitstest om te controleren of de gegevens geschikt zijn voor PCA. Klik op Doorgaan.
    4. Stel op het tabblad Extractie Methode in op Hoofdcomponenten, selecteer Schreepplot om het aantal hoofdcomponenten te bepalen en stel Extraheren in op Eigenwaarden groter dan 1. Klik op Doorgaan.
    5. Selecteer op het tabblad Rotatie de optie Geen. Klik op Doorgaan.
    6. Selecteer op het tabblad Scores de optie Opslaan als variabelen om de belangrijkste onderdeelscores op te slaan in de gegevensset.
    7. Ga terug naar het hoofdvenster en klik op OK om PCA uit te voeren.
    8. KMO en Bartlett's Test: Een KMO-waarde ≥ 0,6 geeft aan dat de gegevens geschikt zijn voor PCA. Een Bartlett's Test of Sphericity Sig.-waarde < 0,05 geeft significante correlaties tussen variabelen aan, waardoor de gegevens geschikt zijn voor PCA.
    9. Totale variantie verklaard: Bekijk de eigenwaarden en variantie die door elk hoofdonderdeel worden verklaard. Een cumulatief variantie-verklaringspercentage van 70%-85% is ideaal.
    10. Gebruik de puinbreukgrafiek om het aantal hoofdcomponenten te bepalen, waarbij meestal componenten vóór het buigpunt worden geselecteerd.
    11. Componentenmatrix of geroteerde componentenmatrix: Controleer de belastingscoëfficiënten van variabelen op elke hoofdcomponent. Coëfficiënten > 0,5 worden beschouwd als significante bijdragen.

5. Bouw van de SVM- en RF-modellen

OPMERKING: Het specifieke methodologische kader voor het construeren van SVM- en RF-modellen wordt gedetailleerd beschreven in Tabel 3. We hebben de SVM- en RF-modellen voor astmadetectie die in dit onderzoek zijn gebouwd, geüpload naar GitHub (https://github.com/Liteng811/Asthma-Detection). Hieronder wordt voornamelijk beschreven hoe u de code van GitHub kunt downloaden en uitvoeren.

  1. Kloon de GitHub-repository.
    1. Open de opdrachtregeltool en gebruik de volgende opdracht om de repository naar de lokale computer te klonen:
      Git kloon https://github.com/Liteng811/Asthma-Detection.git
      OPMERKING: Met deze opdracht wordt de inhoud van de GitHub-repository gedownload naar de huidige werkmap en wordt een map gemaakt met de naam Astma-detectie.
  2. Installeer Python-, PyCharm- en vereiste Python-bibliotheken.
    1. Installeer Python op de machine vanaf de officiële Python-website (https://www.python.org/).
    2. Installeer na het installeren van Python de benodigde Python-bibliotheken met behulp van de volgende opdracht: pip install -r requirements.txt.
    3. Als er geen requirements.txt bestand is, installeert u de bibliotheken die in deze studie worden gebruikt met de volgende opdracht:
      pip installeren numpy panda's scikit-leren matplotlib
    4. Zorg ervoor dat u PyCharm installeert vanaf de officiële PyCharm-website (https://www.jetbrains.com/pycharm/).
  3. Bekijk bestanden in de repository.
    1. Zoek in de opslagplaats de belangrijkste scriptbestanden (SVM.py, RF.py).
    2. Gebruik een teksteditor of PyCharm om deze Python-bestanden te openen en de inhoud en structuur ervan te bekijken.
  4. Configureer de gegevensset.
    1. De code in de repository vereist gegevensbestanden. Controleer of de gegevensbestanden zijn voorbereid en of hun formaat overeenkomt met de vereisten van de code (.xlsx).
    2. Er zijn hardgecodeerde bestandspaden in de code. Wijzig de paden op basis van de werkelijke locatie van de bestanden, dat wil zeggen, vervang de paden in de code (bijvoorbeeld C:\Users\1\Desktop\pca-result.xlsx) door de werkelijke bestandspaden op het systeem.
  5. Voer de code uit.
    1. Nadat u het hoofdscript hebt gevonden, gebruikt u de volgende opdracht op de opdrachtregel om de code uit te voeren (met SVM.py als voorbeeld). Als het hoofdscript RF.py is, voert u in plaats daarvan het bijbehorende script uit.
      Python SVM.py.
    2. Wanneer u de code uitvoert, schakelt u over naar de juiste werkmap of geeft u het script op met behulp van het volledige pad op de opdrachtregel. Als u bijvoorbeeld python SVM.py op de opdrachtregel uitvoert, schakelt u over naar de map met SVM.py of gebruikt u het absolute pad:
      python C:/pad/naar/uw/repository/SVM.py.
    3. Tijdens de uitvoering laadt de code de gegevens, traint de machine learning-modellen (SVM of RF) en voert resultaten uit zoals nauwkeurigheid, verwarringsmatrix en ROC-curve.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Voltooiing van de opbouw van de indexdatabase voor spraakfuncties

Deze studie heeft met succes 467 statistieken voor spraakfuncties geëxtraheerd door middel van een analyse op meerdere niveaus van spraaksignalen. Zie de bovenstaande GitHub-URL voor 467-indicatoren voor spraakfuncties. De gebruikte analytische methoden omvatten tijddomeinanalyse, frequentiedomeinanalyse, MFCC-extractie en de transformatie van functies op basis van diagnostische...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Deze studie onderzoekt niet-invasieve astmadetectiemethoden met behulp van spraaksignaalanalyse en machine learning-technieken. Door spraakgegevens te verzamelen van 50 astmapatiënten en 50 gezonde controles, bouwde deze studie modellen met behulp van SVM- en RF-algoritmen 16,17,18,19,20. Beide modellen vertoonden vergelijkbar...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

De auteurs hebben geen belangenconflicten te melden.

Dankbetuigingen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Deze studie werd ondersteund door het National Natural Science Foundation of China Youth Science Fund Project (Project Approval Number: 82104739) en het Scientific Research Program van de Hebei Provincial Administration of Traditional Chinese Medicine (Project Number: B2025032). De auteurs willen alle docenten en studenten bedanken die tijdens het experiment hebben geholpen.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
ApparaatLeverancierModel/VersieMerk
Digitale RecorderZOOM Audio StoreH6ZOOM
GitHubOfficiële Website2.47.1.2Git
Matlabhttps://www.mathworks.com/R2024bMathWorks
PycharmOfficiële Website2024.1JetBrains
PythonOfficiële Website3.12Python

Referenties

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Huang, K., et al. risk factors, and management of asthma in China: a national cross-sectional study. Lancet. 394 (10196), 407-418 (2019).
  2. McCormack, M. C., Enright, P. L. Making the diagnosis of asthma. Respir Care. 53 (5), discussion 590-2 583-590 (2008).
  3. Backer, V., et al. Diagnostic work-up in patients with possible asthma referred to a university hospital. Eur Clin RespirJ. 2, (2015).
  4. Fortuna, A. M., Feixas, T., González, M., Casan, P. Diagnostic utility of inflammatory biomarkers in asthma: exhaled nitric oxide and induced sputum eosinophil count. Respir Med. 101 (11), 2416-2421 (2007).
  5. Gibson, P. G. Monitoring the patient with asthma: an evidence-based approach. Allergy Clin Immunol. 106 (1 Pt 1), 17-26 (2000).
  6. Gibson, P. G., et al. Self-management education and regular practitioner review for adults with asthma. Cochrane Database Syst Rev. (1), CD001117(2003).
  7. Dogan, M., Eryuksel, E., Kocak, I., Celikel, T., Sehitoglu, M. A. Subjective and objective evaluation of voice quality in patients with asthma. J Voice. 21 (2), 224-230 (2007).
  8. Ihre, E., Zetterström, O., Ihre, E. B. Voice problems as side effects of inhaled corticosteroids in asthma patients--a prevalence study. J Voice. 18 (3), 403-414 (2004).
  9. Analysis of acoustic features for voice sound based classification of asthmatic and healthy subjects. Yadav, S., Keerthana, M., Gope, D., Uma, M. K., Ghosh, P. K. ICASSP 2020-2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Barcelona, Spain, , 6789-6793 (2020).
  10. 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).
  11. Rogers, H. P., et al. Voice as a biomarker of pediatric health: A scoping review. Children (Basel). 11 (6), 684(2024).
  12. MeLoDicA AI - machine learning based detection of asthma via vocal audio analysis. Looi, Z. Q., Ng, Z. H., Yak, R. X., Rosen, O., Kumar, A. 2024 IEEE Conference on Artificial Intelligence (CAI), , 905-910 (2024).
  13. Barua, P. D., et al. Automated asthma detection in a 1326-subject cohort using a one-dimensional attractive-and-repulsive center-symmetric local binary pattern technique with cough sounds. Neural Comput & Applic. 36, 16857-16871 (2024).
  14. Iqbal, M. D. A., Krishnamoorthy, D., Musthak, S. A. Real time detection and forecasting technique for asthma disease using voice signal and DENN classifier. Biomedical Signal Processing and Control. 76, 103637(2022).
  15. Wu, Y., et al. Ubi-Asthma: Toward ubiquitous asthma detection using the Smartwatch. IEEE Internet of Things Journal. 10 (13), 11576-11587 (2023).
  16. Schölkopf, B., Smola, A. J. Support vector machines. Encyclopedia of Biostatistics. , 978-047197762 (1998).
  17. Burges, C. J. C. A tutorial on support vector machines for pattern recognition. Data Mining and Knowledge Discovery. 2 (2), 121-167 (1998).
  18. Liaw, A., Wiener, M. Random Forest: Classification and Regression. R News. 2 (3), 18-22 (2002).
  19. Cutler, D. R., et al. Random forests for classification in ecology. Ecology. 88 (11), 2783-2792 (2007).
  20. Breiman, L. Random forests. Machine Learning. 45 (1), 5-32 (2001).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

Voice Feature AnalysisSupport Vector MachineRandom ForestAcoustic SensorsMATLAB AnalysisROC CurveNon Invasive Diagnosis

Gerelateerde artikelen