Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.

Methodenartikel

Op machine learning gebaseerde classificatie van hoesttonen: diagnostische verkenning van chronische obstructieve longziekte en luchtweginfecties

1.1K weergaven

⸱

DOI:

10.3791/68222

⸱

19 september 2025

 ,  ,  ,  ,  ,  ,  ,  ,  , 
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

In dit artikel

Samenvatting

Deze studie heeft de geautomatiseerde classificatie van twee verschillende categorieën effectief bereikt door hoestgeluidsgegevens te verkrijgen van patiënten met de diagnose chronische obstructieve longziekte (COPD) en luchtweginfecties (RTI), met behulp van een integratie van spraaksignaalverwerkingstechnieken en machine learning-algoritmen.

Samenvatting

Het doel van deze studie was het ontwikkelen en evalueren van een niet-invasieve methode om patiënten met chronische obstructieve longziekte (COPD) te onderscheiden van patiënten met luchtweginfecties (RTI) met behulp van spraaksignaalanalyse en machine learning. Spraaksignalen met een vast patroon werden verzameld van 25 COPD-patiënten en 25 RTI-patiënten (die als controle-/vergelijkingsgroep fungeerden). Er werd een multidimensionale analyse van spraakkenmerken uitgevoerd om kenmerken te identificeren die de twee groepen significant onderscheiden. Statistisch significante kenmerken werden geselecteerd en onderworpen aan dimensionaliteitsreductie. Logistische regressie (LR) en Random Forest (RF) modellen werden vervolgens getraind en geëvalueerd op classificatieprestaties bij het onderscheiden van COPD van RTI. In eerste instantie werden meer dan 400 spraakfuncties geanalyseerd. Achttien kenmerken vertoonden zeer significante verschillen tussen COPD- en RTI-patiënten (P <; 0,05). Bij het onderscheiden van COPD-patiënten van RTI-patiënten bereikte het LR-model een testsetgebied onder de AUC van 0,95, waarmee het aanzienlijk beter presteerde dan het RF-model (AUC = 0,76). Deze studie toont de haalbaarheid aan van het gebruik van spraakanalyse en machine learning, met name het LR-model, als een veelbelovend niet-invasief hulpmiddel om COPD te onderscheiden van RTI. Het biedt een basis voor de praktische toepassing en verdere optimalisatie van deze spraakgebaseerde benadering in klinische omgevingen die een differentiële diagnose van ademhalingsaandoeningen vereisen.

Inleiding

Chronische obstructieve longziekte (COPD) en luchtweginfecties leveren een belangrijke bijdrage aan mortaliteit en morbiditeit op wereldschaal. COPD wordt gedefinieerd als een chronische ontstekingsaandoening die de luchtwegen en het longparenchym aantast en voornamelijk wordt veroorzaakt door roken. Het wordt gekenmerkt door symptomen zoals aanhoudende hoest, kortademigheid en verhoogde sputumproductie1. De Wereldgezondheidsorganisatie voorspelt dat COPD tegen 2030 de op twee na belangrijkste doodsoorzaak ter wereld zal zijn, wat een aanzienlijke economische last met zich meebrengt 2,3. Daarentegen zijn luchtweginfecties (RTI) goed voor ongeveer 6% van de wereldwijde ziektelast, meer dan de last die gepaard gaat met ischemische hartaandoeningen, HIV-infecties, kanker, malaria en diarreeziekten4.

Vanwege de substantiële overeenkomsten in de klinische manifestaties van de twee ziekten, met name in de symptomatologie van hoest, wat een veel voorkomend symptoom is, is een vroege en nauwkeurige differentiatie tussen deze ziekten essentieel voor een effectieve behandeling 5,6. Traditionele diagnostische benaderingen zijn voornamelijk afhankelijk van klinische symptoombeoordeling, longfunctietesten en laboratoriumanalyses7. Hoewel conventionele diagnostische methoden voor COPD effectief zijn bij het identificeren en evalueren van de aandoening, vertonen ze in de klinische praktijk verschillende beperkingen. Deze beperkingen omvatten onvoldoende diagnostische nauwkeurigheid, beperkte capaciteit voor vroege diagnose, onvoldoende begrip van de heterogeniteit van de ziekte en een gebrek aan dynamische monitoring 8,9,10,11. In tegenstelling tot traditionele diagnostische methoden voor COPD biedt spraakdiagnosetechnologie, als een opkomend hulpmiddel voor hulp, tal van voordelen, met name bij vroege detectie, niet-invasieve diagnose en dynamische monitoring.

Met de vooruitgang in spraakanalyse, met name de geautomatiseerde analyse van hoestgeluiden, is er een groeiend potentieel voor snelle diagnostische toepassingen. Onderzoek wijst uit dat hoestgeluiden uitgebreide informatie over longziekten bevatten, waarbij hun akoestische kenmerken veranderingen in de gezondheidstoestand van de luchtwegen weerspiegelen12. Onlangs zijn op machine learning gebaseerde technieken voor de analyse van spraakkenmerken gebruikt bij het diagnosticeren van COPD en andere aandoeningen, wat opmerkelijke resultaten opleverde 13,14,15. Deze methodologieën vergemakkelijken de effectieve classificatie van ziekten door audiokenmerken uit hoestgeluiden te extraheren, zoals frequentie, duur en amplitude, en deze te integreren met machine learning-algoritmen voor patroonherkenning.

Ondanks enkele onderzoeken naar het potentieel van hoestgeluidanalyse bij de diagnose van ziekten, blijven er aanzienlijke uitdagingen bestaan bij het maken van onderscheid tussen COPD-patiënten en mensen met RTI. Deze moeilijkheid ontstaat door overlappende kenmerken in de hoestgeluiden van beide groepen, verergerd door individuele variabiliteit. Bijgevolg blijft de ontwikkeling van methoden om preciezere en onderscheidbare kenmerken uit hoestgeluiden te halen een cruciaal punt in dit domein.

Deze studie probeert een geautomatiseerde classificatiemethode voor hoestgeluiden te onderzoeken door audio op te nemen van 25 patiënten met de diagnose COPD en 25 patiënten met RTI. Door spraakfunctieanalyse te integreren met machine learning-algoritmen, willen we de nauwkeurigheid van ziektedifferentiatie verbeteren, waardoor de vroege diagnostische mogelijkheden voor COPD en RTI worden verbeterd.

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

Protocol

De ethische commissie van de Beijing University of Chinese Medicine en het derde aangesloten ziekenhuis hebben dit onderzoek goedgekeurd. Alle deelnemers gaven hun schriftelijke geïnformeerde toestemming om deel te nemen. Tussen juli en augustus 2024 werd een cohort van 25 COPD-patiënten gerekruteerd van de afdeling Respiratoire Geneeskunde van het Third Affiliated Hospital van de Beijing University of Chinese Medicine. Tegelijkertijd werd ook een controlegroep samengesteld bestaande uit 25 patiënten met typische bovenste RTI.

1. Selectie van deelnemers

  1. Inclusie criteria
    1. Selecteer de audiosamples met weinig achtergrondruis en duidelijke articulatie.
    2. Zorg ervoor dat een COPD-diagnose voor de COPD-groep wordt voorgeschreven door klinische richtlijnen die zijn opgesteld door longexperts.
      1. Bevestig de diagnose via post-bronchusverwijdende spirometrie (FEV1/FVC < 0,70) volgens de GOLD 2024-criteria.
      2. Controleer de klinische stabiliteit (geen exacerbaties ≥ 4 weken)
    3. Zorg ervoor dat de vergelijkingsgroep bestaat uit mensen die lijden aan typische bovenste RTI.
      1. Diagnose stellen met behulp van de diagnostische criteria van de Richtlijnen voor diagnose en behandeling van aandoeningen van luchtweginfecties.
      2. Zorg ervoor dat de symptomen ≤ 72 uur beginnen.
      3. Registreer de geschiedenis van chronische luchtwegaandoeningen.
    4. Beperk de leeftijd tot 18-85 jaar.
    5. Verzoek dat alle deelnemers schriftelijke geïnformeerde toestemming geven om deel te nemen aan het onderzoek.
  2. Uitsluitingscriteria
    1. Sluit deelnemers uit die spraakproblemen hebben, zoals stembandaandoeningen of laryngitis.
    2. Sluit deelnemers uit met neurologische aandoeningen die spraak of cognitieve functies kunnen aantasten.
    3. Sluit deelnemers met aanzienlijke gehoorproblemen uit.
    4. Sluit deelnemers uit die zich niet aan de onderzoeksprotocollen hebben gehouden of niet voldoende audiosamples hebben verstrekt.
    5. Sluit deelnemers uit die geen geïnformeerde toestemming kunnen geven.

2. Opzet van de studie

  1. Verplaats de deelnemers naar een rustige, geïsoleerde standaard klinische spreekkamer (4 m × afmetingen van 5 m), met externe geluidsniveaus die onder de 30 dB worden gehouden. Laat ze in een natuurlijke, comfortabele houding zitten en in een ontspannen toestand blijven.
  2. Documenteer nauwgezet de essentiële gegevens van de deelnemer, inclusief lengte, gewicht, leeftijd en andere relevante informatie, en bevestig hun huidige gezondheidstoestand met een arts.
  3. Na voltooiing van de eerste gegevensopname stelt u de hoogte van de microfoon in op de juiste positie, waarbij u een afstand van ongeveer 20-30 cm tussen de microfoon en de lippen van de deelnemer garandeert.
  4. Verzamel de audio-opnamen met behulp van een professionele draagbare handheld multitrack-recorder, waarbij de bemonsteringsfrequentie uniform is ingesteld op 44,1 kHz.
    1. Voer de apparaatkalibratie uit voorafgaand aan de dagelijkse opnamesessies. Houd de GAIN-knop van het doelkanaal 2 s ingedrukt totdat het scherm CAL en de huidige niveauwaarde weergeeft.
    2. Pas de versterking aan de doelwaarde aan door langzaam aan de GAIN-knop te draaien totdat het invoerniveau dat op het scherm wordt weergegeven, precies overeenkomt met de nominale waarde van de testtoon. Zorgen voor een foutmarge binnen ≤±1 dB.
  5. Laat de deelnemer onder begeleiding van het bemonsteringsteam op natuurlijke wijze hoesten in overeenstemming met zijn toestand. Leg de hoestgeluiden vast met behulp van opnameapparatuur.
  6. Neem de audio op als '. WAV'-bestandsformaat.
  7. Abnormale audiosegmenten werden verwijderd met behulp van spraakactiviteitsdetectie (VAD), aangevuld met handmatige verificatie. Opnames die voldeden aan de signaal-ruisverhouding (SNR)-drempel van >20 dB werden in het onderzoek opgenomen.
    OPMERKING: De volledige methodologie is beschikbaar in onze GitHub-repository (https://github.com/Liteng811/speech-feature-index-database-construction).

3. Ontwikkeling van de repository voor vocale functies

OPMERKING: De database met spraakfunctie-indicatoren is een verzameling akoestische kenmerken voor vergelijkende analyse van vocale patronen bij COPD versus RTI. De methodologische architectuur wordt gedetailleerd beschreven in Tabel 1. Een open-source codebase voor de constructie ervan is geïmplementeerd en is toegankelijk op GitHub (https://github.com/Liteng811/speech-feature-index-database-construction). De onderstaande stappen beschrijven het downloaden en uitvoeren van de code.

  1. Installeer MATLAB op de computer vanaf de officiële website van MathWorks (https://www.mathworks.com/). Zorg ervoor dat de juiste versie voor het besturingssysteem is geselecteerd. Om te controleren of MATLAB correct is geïnstalleerd, start u de MATLAB-software en typt u ver in het opdrachtvenster. Als de installatie correct is, zou de versie-informatie van MATLAB moeten verschijnen.
  2. Installeer Git vanaf de officiële Git-website (https://git-scm.com/). Om de succesvolle installatie te bevestigen, voert u de volgende opdracht in de opdrachtregel in (Opdrachtprompt voor Windows, Terminal voor Mac/Linux): git --version. Als Git succesvol is geïnstalleerd, wordt de versie-informatie weergegeven.
  3. De coderepository ophalen
    1. Gebruik een command-line interface om de git clone opdracht uit te voeren om de projectbestanden te downloaden naar je lokale machine:
      Git kloon https://github.com/Liteng811/voice-feature-index-database-construction.git
      OPMERKING: Met deze bewerking maakt u een nieuwe map met de naam "voice-feature-index-database-construction" in uw huidige werkmap, die alle projectbestanden bevat.
    2. Open de gedownloade map om de inhoud ervan te beheren door het volgende uit te voeren:
      cd voice-feature-index-database-constructie.
  4. MATLAB omgeving instellen.
    1. Start de MATLAB-applicatie.
    2. Integreer de projectmap in het MATLAB-zoekpad. Navigeer naar het tabblad Start , klik op Pad instellen en vervolgens op Map toevoegen. Selecteer de map Cloned Voice-feature-index-database-construction en sla de wijzigingen op. Hierdoor heeft MATLAB toegang tot alle benodigde scripts.
    3. Open in het deelvenster Huidige map in MATLAB het hoofdverwerkingsscript (voiceH6_batch_3_stage_WAV_tt.m) door erop te dubbelklikken.
  5. Voorbereiding van de gegevens.
    1. De analyse vereist invoer van audiobestanden in .wav - of .pcm-formaat .
    2. De paden naar deze audiobestanden zijn hardcoded in de scripts. Werk deze padvariabelen bij om naar de juiste locaties op het lokale systeem te verwijzen.
  6. Uitvoering van het script.
    1. Terwijl het hoofdscript (voiceH6_batch_3_stage_WAV_tt.m) is geopend, start u de verwerking door op de knop Uitvoeren te klikken of door de scriptnaam rechtstreeks in het MATLAB-opdrachtvenster te typen: voiceH6_batch_3_stage_WAV_tt.
    2. Het script vereist interactie met de gebruiker. MATLAB geeft een grafische interface weer die de gebruiker vraagt om het juiste audiobestand of de juiste map te kiezen. Zorg ervoor dat het audiobestand of de map die is geselecteerd voor verwerking, overeenkomt met de prompt.
    3. Als er problemen zijn met het vastlopen of niet weergeven van de grafische interface bij het uitvoeren van het script in MATLAB, controleer dan mogelijke compatibiliteitsproblemen met de MATLAB-versie of zorg ervoor dat de grafische stuurprogramma's van het besturingssysteem goed werken.
  7. Voer de resultaten uit. Zoek na voltooiing naar een .txt uitvoerbestand waarin het script de resultaten van de functie-extractie heeft geschreven. Het uitvoerbestand bevat informatie zoals de resultaten van de herkenning van de audiofunctie.

4. Gegevensanalyse

OPMERKING: Na de samenstelling van de database met vocale functie-indicatoren werden statistische analyses uitgevoerd. De analytische benadering wordt geschetst in tabel 2. De Mann-Whitney U-test werd gebruikt om verschillen in de spraaksignaalkenmerken tussen de COPD- en RTI-groepen te beoordelen.

  1. Test voor Mann-Whitney U.
    OPMERKING: Na het verkrijgen van de indexbibliotheek voor spraakfuncties, werd de Mann-Whitney U-test uitgevoerd op de gegevens met behulp van SPSS 20.0. Het bedieningsproces is als volgt:
    1. Open SPSS en laad het gegevensbestand.
    2. Selecteer > niet-parametrische tests analyseren > verouderde dialoogvensters > 2 onafhankelijke voorbeelden in de menubalk.
    3. In het pop-upvenster:
      1. Lijst met testvariabelen: Selecteer de variabelen die moeten worden vergeleken (waargenomen variabelen).
      2. Groeperingsvariabele: Selecteer de groeperingsvariabele (de variabele die wordt gebruikt voor de groepering).
      3. Klik op de knop Groepen definiëren om de ID's van de twee groepen in het pop-upvenster in te voeren (als deze bijvoorbeeld zijn gegroepeerd als 'Groep 1' en 'Groep 2', voert u 1 en 2 in).
    4. Selecteer in het testtype de Mann-Whitney U-test gedeeltelijk.
    5. Klik op OK en SPSS genereert automatisch de uitvoer.
  2. Analyse van de belangrijkste componenten (PCA)
    OPMERKING: Na de identificatie van statistisch significante kenmerken werd Principal Component Analysis (PCA) gebruikt voor geavanceerde gegevensexploratie. Deze techniek vermindert de dimensionaliteit door de oorspronkelijke variabelen te condenseren tot een kleinere set samengestelde componenten die kritieke informatie behouden en de interpreteerbaarheid van de dataset vereenvoudigen. Voorafgaand aan het uitvoeren van PCA werden de gegevens automatisch gestandaardiseerd door de statistische software om schaalgerelateerde vertekeningen te verminderen. De procedure werd als volgt uitgevoerd:
    1. Zorg ervoor dat de gegevens zijn verzameld, opgeslagen in Excel- of CSV-indeling en geïmporteerd in SPSS 20.0.
    2. Selecteer Bestand > > gegevens openen en selecteer vervolgens het bestand dat u wilt openen.
    3. Zorg ervoor dat de ontbrekende waarden en uitschieters in de gegevens worden verwerkt en dat de variabelen worden gestandaardiseerd.
    4. Voor PCA-analyse in SPSS klikt u op Analyseren > dimensiereductiefactor > analyseren.
    5. Voeg in het dialoogvenster alle variabelen die in PCA worden gebruikt, toe aan het veld Variabelen . Deze variabelen zijn meestal continue gegevens.
    6. Stel de extractiemethode in.
      1. Klik in het dialoogvenster op de knop Extractie en selecteer de methode Belangrijkste componenten . Standaard extraheert SPSS voldoende hoofdcomponenten om de variantie in de gegevens te verklaren.
      2. Selecteer Eigenwaarden groter dan 1 als retentiecriterium, wat betekent dat alleen hoofdcomponenten met eigenwaarden groter dan 1 behouden blijven, wat meestal het grootste deel van de variantie verklaart.
    7. Selecteer de rotatiemethode en klik op Rotatie om Varimax (orthogonale rotatie) of Promax (schuine rotatie) te kiezen. Voor de meeste toepassingen is Varimax een veelgebruikte rotatiemethode.
    8. Controleer in de opties de puingrafiek en coëfficiëntmatrix , zodat het grinddiagram van de hoofdcomponenten en de coëfficiëntenmatrix van elke hoofdcomponent kunnen worden uitgevoerd om de behouden variantie te helpen beoordelen.
    9. Nadat u alle opties hebt ingesteld, klikt u op de OK knop en SPSS genereert de uitvoer.
    10. Interpretatie van de resultaten.
      1. Interpreteer de laadmatrix van de hoofdcomponent om relaties tussen de hoofdcomponenten en de oorspronkelijke variabelen te identificeren. Houd er rekening mee dat variabelen met hogere belastingswaarden een grotere bijdrage aan veranderingen vereisen.
      2. Verklaar de variantie met behulp van de tabel 'Totale variantie uitgelegd'. Let op eigenwaarden en variantieverhoudingen voor elk hoofdbestanddeel. Selecteer hoofdcomponenten met grote variantieverhoudingen, omdat deze doorgaans de meeste gegevensvariaties verklaren.
      3. Gebruik de puinhelling om de behouden hoofdcomponenten te bepalen. Identificeer het duidelijke buigpunt in de grafiek. Houd de belangrijkste componenten links van het buigpunt behouden.
      4. Scores van de hoofdcomponent: vink opslaan als variabelen aan als de score voor elke steekproef op de hoofdcomponent moet worden verkregen, en SPSS voegt de scores van de hoofdcomponent toe aan de gegevensset als nieuwe variabelen.

5. Bouwen van het Logistic Regression (LR) en Random Forest (RF) model

OPMERKING: Het specifieke methodologische kader voor het construeren van LR- en RF-modellen wordt gedetailleerd beschreven in tabel 3. Inmiddels zijn de LR- en RF-modellen in dit onderzoek geüpload naar GitHub (https://github.com/Liteng811/The-distinction-between-COPD-and-respiratory-infections). Hieronder wordt voornamelijk beschreven hoe u de code van GitHub kunt downloaden en uitvoeren. Het RF-model is gebouwd met Python 3.12.3 als de primaire programmeertaal.

  1. Verkrijg de projectcodebase.
    1. Start een terminal of opdrachtprompt en voer de git-kloonopdracht uit om de repository lokaal te downloaden:
      git kloon Het-onderscheid-tussen-COPD-en-luchtweginfecties.git Het-onderscheid-tussen-COPD-en-luchtweginfecties.git
      Merk op dat met deze opdracht alle inhoud van het archief wordt opgehaald in uw huidige werkmap, waardoor een nieuwe map wordt gegenereerd met de titel Het onderscheid tussen COPD en ademhalingsinfecties.
  2. Stel de programmeeromgeving in.
    1. Download en installeer Python vanaf de officiële distributiesite (https://www.python.org/).
    2. Gebruik het onderstaande commando om alle Python-afhankelijkheden te installeren die in het vereistenbestand worden vermeld: pip install -r requirements.txt.
    3. Als het requirements.txt bestand niet beschikbaar is, installeert u de essentiële bibliotheken handmatig door het volgende uit te voeren:
      pip installeren numpy panda's scikit-leren matplotlib
    4. Installeer de geïntegreerde ontwikkelomgeving van PyCharm vanaf de officiële JetBrains-website (https://www.jetbrains.com/pycharm/).
  3. Verken de inhoud van de repository.
    1. Zoek in de opslagplaats de belangrijkste scriptbestanden (LR.py, RF.py).
    2. Open deze bestanden met behulp van een code-editor of PyCharm om de implementatie en structurele details te bekijken.
  4. Bereid de invoergegevens voor.
    1. Zorg ervoor dat de vereiste gegevensset beschikbaar is in .xlsx indeling, zoals verwacht door de code, en correct is georganiseerd voordat deze wordt uitgevoerd.
    2. De code bevat hardgecodeerde bestandspaden. Werk deze paden bij om de werkelijke locaties van de bestanden weer te geven, waardoor de bestaande paden in de code (bijvoorbeeld C:\Users\1\Desktop\pca-result.xlsx) effectief worden vervangen door de werkelijke bestandspaden op het systeem.
  5. Voer de code uit.
    1. Zodra het hoofdscript is gevonden, voert u het uit via de opdrachtregel. Als u bijvoorbeeld LR.py wilt uitvoeren, gebruikt u: python LR.py
      Als het doelscript RF.py is, vervangt u de bestandsnaam dienovereenkomstig.
    2. Voordat u de uitvoering uitvoert, moet u ervoor zorgen dat de terminal zich in de juiste werkmap bevindt of het volledige pad naar het script opgeven. Bijvoorbeeld:
      python C:/pad/naar/uw/repository/LR.py.
    3. Tijdens het gebruik laadt het script de gegevensset, traint het bijbehorende machine learning-model (LR of RF) en genereert het prestatiestatistieken, waaronder nauwkeurigheid, verwarringsmatrix en ROC-curve.

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

Resultaten

Resultaten van gegevensanalyse

Het onderzoek isoleerde met succes meer dan 400 spraakfunctie-indexen met behulp van methoden zoals tijddomeinanalyse, frequentiedomeinanalyse, extractie van Mel-frequency Cepstral Coëfficiënt (MFCC) en het wijzigen van functie-indicatoren op basis van TCM-diagnose. Het analyseren van het tijddomein is een cruciaal element bij de verwerking van spr...

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

Discussie

Deze studie onderzoekt niet-invasieve methoden voor het detecteren van COPD door middel van spraaksignaalanalyse en machine learning-technieken. Het betrof het verzamelen van spraakgegevens van 25 COPD-patiënten en 25 patiënten met RTI. Modellen werden geconstrueerd met behulp van LR- en RF-algoritmen. Beide modellen vertoonden een vergelijkbare nauwkeurigheid bij het correct classificeren van monsters in het algemeen, maar het verschil in AUC-waarden geeft aan dat het LR-model een super...

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

Openbaarmakingen

De auteurs verklaren geen belangenconflicten met betrekking tot de publicatie van deze studie. Er werd geen financiële of niet-financiële steun ontvangen van een commerciële organisatie die de resultaten of interpretatie van dit onderzoek zou kunnen hebben beïnvloed. Alle aspecten van het onderzoek, inclusief ontwerp, gegevensverzameling, analyse en voorbereiding van manuscripten, werden onafhankelijk van enige externe invloed uitgevoerd.

Dankbetuigingen

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
Digital RecorderZOOMH6ZOOM Audio Store
GitHubGit2.47.1.2Officiële Website
MatlabMathWorksR2024bOfficiële Website
PycharmJetBrains2024.1Officiële Website
PythonPython3.12Officiële Website

Referenties

  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).

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

Herprints en machtigingen

Tags

Diagnostiek via machine learninganalyse van stemgeluidenlogistiek regressiemodelrandom forest-modelprincipale componentenanalyseextractie van stemkenmerkennon-invasieve diagnostiek
Op machine learning gebaseerde classificatie van hoesttonen: diagnostische verkenning van chronische obstructieve longziekte en luchtweginfecties
Neem contact met ons op
Aanbevelen aan de bibliotheek

Privacy

Gebruiksvoorwaarden

Beleidsoverzicht

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.