Artykuł metodologiczny

Badania nad wykrywaniem astmy w oparciu o przetwarzanie sygnałów głosowych i uczenie maszynowe

DOI:

10.3791/67742

⸱

22 lipca 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

W tym artykule

Podsumowanie

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

To badanie wykorzystywało analizę sygnałów głosowych i metody uczenia maszynowego, wykorzystując MATLAB do wyodrębnienia charakterystycznych cech głosu w celu nieinwazyjnego wczesnego wykrywania astmy. Algorytmy Support Vector Machine (SVM) i Random Forest (RF) wykazały porównywalną wydajność pod względem ogólnej dokładności klasyfikacji, chociaż SVM może osiągnąć lepszą równowagę między czułością a swoistością.

Streszczenie

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

Aby analizować sygnały głosowe i identyfikować pacjentów z astmą za pomocą analizy sygnałów głosowych i technik uczenia maszynowego, zebraliśmy wyraźne, niskoszumowe sygnały głosowe o ustalonym wzorcu od 50 pacjentów z astmą i 50 zdrowych osób z grupy kontrolnej, aby zbudować bazę danych analizy. W ramach badań przeprowadzono wielowymiarową analizę sygnału głosowego w oparciu o MATLAB i wybrane wskaźniki cech głosowych z istotnymi różnicami między pacjentami z astmą a zdrowymi osobami z grupy kontrolnej. Po analizie redukcji wymiarowości różnicowych cech fonetycznych, przetworzone cechy zostały włączone do kolejnych badań modelowania i klasyfikacji SVM i RF.

W badaniu ustalono ponad 400 wskaźników funkcji głosowych związanych z diagnozą, z czego 20 wykazało znaczące różnice między pacjentami z astmą a zdrowymi osobami z grupy kontrolnej (P < 0,01). W badaniu klasyfikacyjnym zarówno modele SVM, jak i RF osiągnęły identyczne wskaźniki dokładności wynoszące 87% na zestawie testowym, z wartościami AUC wynoszącymi 0,95 dla SVM i 0,93 dla RF. Świadczy to o ich porównywalnej wydajności pod względem ogólnej dokładności klasyfikacji, podczas gdy rozbieżność w wartościach AUC sugeruje, że model SVM może osiągnąć lepszy kompromis między czułością a swoistością. W związku z tym artykuł ten nie tylko przedstawia nową metodę nieinwazyjnego wczesnego wykrywania astmy, ale także kładzie podwaliny pod dalsze zastosowanie i optymalizację tej metody w warunkach rzeczywistych.

Wprowadzenie

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

Według danych z badania China Pulmonary Health (CPH), częstość występowania astmy wśród dorosłych Chińczyków wynosi 4,2%, przy czym lekarze diagnozują tylko 28,8% pacjentów z astmą, a zaledwie 5,6% otrzymuje wziewne kortykosteroidy1. Liczby te wskazują na niski wskaźnik diagnozowania i leczenia astmy w Chinach, podkreślając pilną potrzebę zwiększenia świadomości i zwrócenia uwagi na astmę wśród społeczeństwa i pracowników służby zdrowia. Obecne metody diagnostyczne astmy są zróżnicowane, w tym wywiad kliniczny i badanie fizykalne, badanie czynności płuc i pomiar frakcyjnego tlenku azotu w wydychanym powietrzu (FeNO), ale każda z nich ma swoje ograniczenia w różnym stopniu2,3,4. Ponadto regularne monitorowanie astmy ma kluczowe znaczenie dla leczenia choroby; Systematyczne monitorowanie objawów i czynności płuc może skutecznie zapobiegać zaostrzeniom astmy, poprawiać jakość życia pacjenta oraz zmniejszać liczbę wizyt w nagłych wypadkach i hospitalizacji5,6. Jednak w praktyce te konwencjonalne metody diagnostyczne są często niepraktyczne w rutynowej opiece ze względu na ich koszt i złożoność.

Biorąc pod uwagę powyższe okoliczności, samokontrola astmy może odgrywać znaczącą rolę w kontroli choroby. Takie monitorowanie musi być proste, wygodne i dokładne. Pod tym względem głos ma wyraźne zalety. Pacjenci z astmą często wykazują znaczące różnice w charakterystyce głosu, w tym skrócony maksymalny czas fonacji, zaburzenia głosu (takie jak chrypka, szorstkość i zmęczenie głosu) oraz znaczące różnice w podstawowej częstotliwości i wysokości dźwięku w porównaniu z osobami zdrowymi7,8,9. Różnice te mogą służyć jako potencjalna metoda identyfikacji i monitorowania astmy.

Uczenie maszynowe wykazało znaczny potencjał w wykrywaniu astmy za pomocą danych głosowych. Badania wykazały, że objawy astmy można skutecznie wykryć, analizując odgłosy kaszlu pacjentów, odgłosy oddechu i inne istotne cechy akustyczne. Techniki te, w tym uczenie głębokie, sieci neuronowe i inne modele uczenia maszynowego, są w stanie rozpoznać charakterystyczne wzorce głosowe i zmiany dźwięków oddechowych u pacjentów z astmą10,11,12,13,14,15.

W porównaniu do odgłosów kaszlu i oddechu, głos o ustalonym wzorcu (taki jak wymowa liczb 1-9) może być bardziej ustandaryzowany i kontrolowany. Ułatwia również wyodrębnianie funkcji, kontroluje jakość głosu i jest łatwiejszy do zbierania danych na dużą skalę. Support Vector Machine (SVM) wykazuje silną zdolność klasyfikacyjną podczas obsługi danych wielowymiarowych i zaszumionych próbek, podczas gdy Random Forest (RF), dzięki doskonałej solidności, zdolności do obsługi relacji nieliniowych i ocenie ważności funkcji, skutecznie zarządza złożonymi danymi o cechach głosowych16,17,18,19,20.

W tym badaniu użyliśmy nagrań cyfr "123456789" wypowiadanych w normalnym i stałym tempie, aby wyodrębnić cechy głosowe związane z astmą. Opierając się na tych cechach, skonstruowaliśmy modele RF i SVM do wykrywania astmy. W przyszłości modele te mogą zostać zintegrowane z aplikacjami mobilnymi, aby umożliwić identyfikację astmy i monitorowanie postępu choroby, pomagając w ten sposób w zapobieganiu zaostrzeniom astmy.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

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

Komisja Etyki Pekińskiego Uniwersytetu Medycyny Chińskiej i jej Trzeciego Szpitala Stowarzyszonego zatwierdziła to badanie. Wszyscy uczestnicy podpisali pisemną świadomą zgodę przed wzięciem udziału. Od lipca do sierpnia 2024 roku zrekrutowaliśmy 50 pacjentów z Kliniki Chorób Układu Oddechowego Trzeciego Szpitala Stowarzyszonego Pekińskiego Uniwersytetu Medycyny Chińskiej. W tym samym czasie włączyliśmy 50 zdrowych osób jako grupę kontrolną.

1. Wybór uczestnika

  1. Ustaw następujące kryteria uwzględniania.
    1. Spośród próbek audio, w których mówcy wymawiali cyfry "123456789" w normalnym i stałym tempie, wybierz te z niskim poziomem szumów tła i wyraźną artykulacją.
    2. Upewnij się, że grupa z astmą ma potwierdzoną diagnozę astmy na podstawie ustalonych kryteriów klinicznych przez specjalistę od chorób układu oddechowego, a grupa kontrolna składa się ze zdrowych osób bez chorób układu oddechowego lub innych schorzeń, które mogą wpływać na jakość głosu.
    3. Wybierz uczestników w wieku 18-75 lat, przy zachowaniu spójnego stosunku płci między grupami.
    4. Uzyskanie pisemnej świadomej zgody wszystkich uczestników na udział w badaniu.
  2. Ustaw następujące kryteria wykluczania.
    1. Wyklucz uczestników z przewlekłymi chorobami układu oddechowego, takimi jak przewlekła obturacyjna choroba płuc (POChP) lub śródmiąższowa choroba płuc.
    2. Wyklucz uczestników, którzy doświadczyli ostrych infekcji dróg oddechowych lub zaostrzeń choroby w ciągu ostatnich 6 tygodni.
    3. Wyklucz osoby z historią zaburzeń głosu, takich jak problemy ze strunami głosowymi lub zapalenie krtani.
    4. Wyklucz uczestników z zaburzeniami neurologicznymi, które mogą upośledzać głos lub funkcje poznawcze.
    5. Wyklucz osoby ze znacznym upośledzeniem słuchu.
    6. Wyklucz uczestników, którzy nie zastosowali się do protokołu badania lub nie dostarczyli wystarczającej ilości próbek audio.
    7. Wyklucz osoby, które nie są w stanie lub nie chcą wyrazić świadomej zgody.

2. Projekt badania

  1. Nagraj uczestników w odizolowanym, cichym pokoju konsultacyjnym (hałas otoczenia < 30 dB) w naturalnej, wygodnej pozycji siedzącej, utrzymując stan relaksu (jak pokazano na Rysunek 1).
  2. Poproś personel (personel pobierający próbki) rejestrujący uczestników, aby uzyskał podstawowe informacje (wzrost, waga, wiek itp.) zarejestrowanych uczestników i zweryfikował z lekarzem, czy u uczestnika zdiagnozowano czystą astmę.
  3. Po zebraniu podstawowych informacji należy poprosić personel pobierający próbki o ustawienie mikrofonu urządzenia rejestrującego na odpowiedniej wysokości, około 20-30 cm od ust.
  4. Zbierz nagrania audio za pomocą rejestratora cyfrowego, z częstotliwością próbkowania równomiernie ustawioną na 44,1 kHz. Skalibruj urządzenie przed codziennymi sesjami nagrywania, upewniając się, że margines błędu mieści się w granicach ≤±1 dB.
  5. Poprowadź uczestników, aby czytali na głos liczby od 1 do 9 po kolei, utrzymując naturalną prędkość głosu i wyraźną artykulację przez całe nagranie.
  6. Po zakończeniu zapisz dźwięk w .wav formacie.
  7. Usuń nieprawidłowe segmenty audio za pomocą wykrywania aktywności głosowej (VAD) w połączeniu z ręczną weryfikacją. Uwzględnij w badaniu nagrania spełniające kryterium stosunku sygnału do szumu (SNR) wynoszące >20 dB.

3. Budowa biblioteki funkcji głosowych

UWAGA: Baza danych wskaźników cech mowy jest zbiorem różnych cech mowy używanych do analizy różnic w mowie między pacjentami z astmą a osobami zdrowymi, wspierając wczesne badania przesiewowe i wykrywanie astmy. Szczegółowe ramy metodologiczne do konstruowania repozytorium metryk cech mowy są szczegółowo opisane w tabeli 1. Tymczasem proces konstruowania bazy danych indeksu funkcji głosowych na potrzeby tego badania został przesłany do GitHub (https://github.com/Liteng811/speech-feature-index-database-construction). W poniższych krokach opisano przede wszystkim, jak pobrać i uruchomić kod z usługi GitHub.

  1. Zainstaluj MATLAB na komputerze z oficjalnej strony MathWorks, wybierając odpowiednią wersję dla systemu operacyjnego. Sprawdź, czy MATLAB jest poprawnie zainstalowany, uruchamiając oprogramowanie MATLAB i wpisując ver w oknie poleceń. Jeśli jest zainstalowany poprawnie, pojawiają się informacje o wersji programu MATLAB.
  2. Zainstaluj usługę Git z oficjalnej witryny internetowej usługi Git (https://git-scm.com/). Potwierdź pomyślną instalację, wprowadzając następujące polecenie w wierszu poleceń (Wiersz polecenia dla systemu Windows, Terminal dla komputerów Mac/Linux): git --version. Jeśli instalacja zakończy się pomyślnie, zostaną wyświetlone informacje o wersji usługi Git.
  3. Sklonuj repozytorium GitHub.
    1. Otwórz narzędzie wiersza poleceń i użyj następującego polecenia, aby sklonować repozytorium na komputer lokalny:
      git clone https://github.com/Liteng811/voice-feature-index-database-construction.git
      UWAGA: To polecenie pobierze zawartość repozytorium GitHub do bieżącego katalogu roboczego i utworzy folder o nazwie voice-feature-index-database-construction
    2. Aby przejść do tego folderu w celu wyświetlenia i zarządzania pobranym kodem i plikami, użyj polecenia:
      cd budowa indeksu funkcji głosowych.
  4. Skonfiguruj środowisko MATLAB.
    1. Uruchom oprogramowanie MATLAB.
    2. W programie MATLAB kliknij przycisk Ustaw ścieżkę na karcie Strona główna i wybierz Dodaj folder. Wybierz folder voice-feature-index-database-construction, który został właśnie sklonowany, i kliknij przycisk Zapisz. Umożliwi to programowi MATLAB rozpoznanie i wykonanie wszystkich plików skryptów w tym folderze.
    3. W oknie Bieżący folder programu MATLAB znajdź folder voice-feature-index-database-construction i kliknij dwukrotnie plik voiceH6_batch_3_stage_WAV_tt.m, aby go otworzyć. Ten plik jest głównym skryptem przetwarzania.
  5. Konfigurowanie i przygotowywanie danych.
    1. Kod w repozytorium wymaga plików audio jako danych wejściowych. Upewnij się, że pliki audio są w formacie .wav lub .pcm.
    2. Ścieżki plików audio są zakodowane na stałe w kodzie repozytorium (tj. są bezpośrednio zapisywane w kodzie). Zmodyfikuj ścieżki zgodnie z lokalizacją plików lokalnych.
  6. Uruchom kod.
    1. Po otwarciu pliku voiceH6_batch_3_stage_WAV_tt.m kliknij przycisk Uruchom lub wpisz nazwę pliku w oknie poleceń, aby uruchomić skrypt:
      voiceH6_batch_3_stage_WAV_tt.
    2. Skrypt wymaga interakcji z użytkownikiem. MATLAB wyświetli interfejs graficzny, aby poprosić użytkownika o wybranie odpowiedniego pliku audio lub folderu. Upewnij się, że poprawnie wybrałeś plik audio lub folder do przetworzenia zgodnie z monitem.
    3. W przypadku jakichkolwiek problemów z zawieszaniem się lub niewyświetlaniem interfejsu graficznego podczas uruchamiania skryptu w programie MATLAB, sprawdź, czy nie ma potencjalnych problemów ze zgodnością wersji MATLAB lub upewnij się, że sterowniki graficzne systemu operacyjnego działają poprawnie.
  7. Wydrukuj wyniki. Po uruchomieniu poszukaj pliku wyjściowego .txt, do którego skrypt zapisze wyniki wyodrębniania funkcji. Plik wyjściowy zapisze informacje, takie jak wyniki rozpoznawania funkcji audio.

4. Analiza danych

UWAGA: Po uzyskaniu bazy danych wskaźników funkcji głosowych, przeprowadź analizy statystyczne danych. Szczegółowe ramy metodologiczne analizy danych przedstawiono szczegółowo w tabeli 2. Szczegółowe procedury operacyjne są szczegółowo opisane poniżej.

  1. Testy normalności i jednorodności wariancji
    UWAGA: Przeprowadziliśmy testy normalności i jednorodności wariancji wskaźników funkcji głosowych, aby określić odpowiednie metody analizy statystycznej. Jeśli wszystkie grupy wskaźników spełniały zarówno założenia normalności, jak i jednorodności wariancji, zastosowano test t dla prób niezależnych. W przeciwnym razie zastosowaliśmy test U Manna-Whitneya.
    1. Otwórz oprogramowanie statystyczne, kliknij Plik | Otwórz | Dane i wybierz plik danych. Upewnij się, że zmienne są prawidłowo skategoryzowane i wyświetlane w widoku danych.
    2. Przechodzenie do pozycji Analizuj | Statystyki opisowe | Eksploruj.
    3. W oknie dialogowym przenieś zmienne, które mają być testowane, do pola Lista zależna.
    4. Kliknij przycisk Działki w prawym górnym rogu okna. W oknie dialogowym wybierz opcję Wykresy normalności z testami i kliknij przycisk Kontynuuj.
    5. Wróć do okna głównego i kliknij OK, aby wykonać test normalności.
    6. W oknie danych wyjściowych znajdź tabelę Tests of Normality (Testy normalności). Skoncentruj się na wartościach istotności (Sig.) Kołmogorowa-Smirnowa (test K-S) i Szapiro-Wilka (test S-W). Jeśli Sig. > 0,05, dane mają rozkład normalny; jeśli Sig. ≤ 0,05, dane nie są zgodne z rozkładem normalnym.
    7. Przechodzenie do pozycji Analizuj | Porównaj środki | Jednokierunkowa ANOVA.
    8. W oknie dialogowym przenieś zmienną zależną do pola Lista zależna, a zmienną grupującą (zmienną jakościową) do pola Czynnik.
    9. Kliknij przycisk Opcje po prawej stronie okna dialogowego. Wybierz Test jednorodności wariancji i kliknij przycisk Kontynuuj.
    10. Wróć do okna głównego i kliknij przycisk OK, aby przeprowadzić test jednorodności wariancji.
    11. W oknie danych wyjściowych znajdź tabelę Test jednorodności wariancji. Skoncentruj się na wartości istotności (Sig.) statystyki Levene'a. Jeśli Sig. > 0,05, to założenie o jednorodności wariancji jest spełnione; jeśli Sig. ≤ 0,05, założenie jednorodności wariancji jest naruszone.
  2. Mann-Whitney U test
    UWAGA: Ponieważ wskaźniki w tym badaniu nie spełniały jednocześnie założeń normalności i jednorodności wariancji, zastosowaliśmy test U Manna-Whitneya w celu porównania różnic we wskaźnikach cech sygnału głosowego między grupą astmy a zdrową grupą kontrolną.
    1. Przechodzenie do pozycji Analizuj | Testy nieparametryczne | Starsze okna dialogowe | 2 niezależne próbki.
    2. W oknie dialogowym przenieś zmienną ciągłą (zmienną zależną) do pola Lista zmiennych testowych, a zmienną grupującą (zmienną jakościową) do pola Zmienna grupująca.
    3. Kliknij przycisk Definiuj grupy, wprowadź dwie kategorie zmiennej grupującej (np. "1" i "2"), a następnie kliknij przycisk Kontynuuj.
    4. W oknie głównym wybierz opcję Mann-Whitney U. Upewnij się, że opcja Dokładny nie jest zaznaczona (wybierz tę opcję w przypadku małych próbek, aby zwiększyć dokładność). Kliknij przycisk Opcje, wybierz opcję Opisowy, a następnie kliknij przycisk Kontynuuj.
    5. Wróć do okna głównego i kliknij przycisk OK, aby wykonać test U Manna-Whitneya.
    6. W oknie danych wyjściowych znajdź tabelę Statystyka testu: wartość U Manna-Whitneya reprezentuje statystykę testu. Wartość Asymp. Sig. (2-stronna) reprezentuje wartość p. Jeśli p > 0,05, nie ma istotnej różnicy między grupami; Jeśli p ≤ 0,05, istnieje znacząca różnica między grupami.
    7. Aby określić, która grupa ma wyższe wartości pomiaru, sprawdź tabelę Rangi, która wyświetla średnie rangi i wielkości próby dla każdej grupy.
  3. Analiza głównych składowych (PCA)
    UWAGA: Po zidentyfikowaniu wskaźników różnicowych przeprowadziliśmy PCA w celu dalszej analizy danych. PCA to technika redukcji wymiarowości, która przekształca oryginalne dane w kilka głównych komponentów w celu wyodrębnienia ważnych cech i uproszczenia analizy. Przed wprowadzeniem PCA oprogramowanie statystyczne automatycznie standaryzowało dane w celu wyeliminowania efektów wymiarowych.
    1. Przechodzenie do pozycji Analizuj | Redukcja wymiarów | Czynnik.
    2. W oknie dialogowym przenieś wszystkie zmienne, które mają być analizowane, do pola Zmienne.
    3. Kliknij przycisk Opisowe i wybierz KMO oraz test sferyczności Bartletta, aby sprawdzić, czy dane są odpowiednie dla PCA. Kliknij Dalej.
    4. Na karcie Ekstrakcja ustaw Metoda na Główne składniki, wybierz opcję Wykres piargowy, aby określić liczbę głównych składników, a następnie ustaw opcję Wyodrębnij na wartości własne większe niż 1. Kliknij Dalej.
    5. Na karcie Obrót wybierz opcję Brak. Kliknij Dalej.
    6. Na karcie Wyniki wybierz pozycję Zapisz jako zmienne, aby zapisać wyniki składnika głównego w zestawie danych.
    7. Wróć do okna głównego i kliknij OK, aby wykonać PCA.
    8. KMO i test Bartletta: Wartość KMO ≥ 0,6 wskazuje, że dane są odpowiednie dla PCA. Test Bartletta sferyczności. Wartość znaku < 0,05 wskazuje na istotne korelacje między zmiennymi, dzięki czemu dane są odpowiednie dla PCA.
    9. Wyjaśnienie całkowitej wariancji: Przejrzyj wartości własne i wariancję wyjaśnione przez każdy główny składnik. Współczynnik wyjaśnienia skumulowanej wariancji wynoszący 70%-85% jest idealny.
    10. Użyj wykresu piargu, aby określić liczbę głównych komponentów, zwykle wybierając komponenty przed punktem przegięcia.
    11. Macierz komponentów lub Obrócona macierz komponentów: Sprawdź współczynniki obciążenia zmiennych dla każdego głównego komponentu. Współczynniki > 0,5 są uważane za znaczące wkłady.

5. Budowa modeli SVM i RF

UWAGA: Szczegółowe ramy metodologiczne do konstruowania modeli SVM i RF są szczegółowo opisane w Tabeli 3. Przesłaliśmy modele SVM i RF do wykrywania astmy skonstruowane w tym badaniu na GitHub (https://github.com/Liteng811/Asthma-Detection). Poniżej opisano przede wszystkim, jak pobrać i uruchomić kod z usługi GitHub.

  1. Sklonuj repozytorium GitHub.
    1. Otwórz narzędzie wiersza poleceń i użyj następującego polecenia, aby sklonować repozytorium na komputer lokalny:
      git clone https://github.com/Liteng811/Asthma-Detection.git
      UWAGA: To polecenie spowoduje pobranie zawartości repozytorium GitHub do bieżącego katalogu roboczego i utworzenie folderu o nazwie Asthma-Detection.
  2. Zainstaluj biblioteki języka Python, PyCharm i wymagane biblioteki języka Python.
    1. Zainstaluj Pythona na komputerze z oficjalnej strony Pythona (https://www.python.org/).
    2. Po zainstalowaniu Pythona zainstaluj niezbędne biblioteki Pythona za pomocą następującego polecenia: pip install -r requirements.txt.
    3. Jeśli nie ma pliku requirements.txt, zainstaluj biblioteki używane w tym badaniu za pomocą następującego polecenia:
      install numpy pandas scikit-learn matplotlib
    4. Pamiętaj, aby zainstalować PyCharm z oficjalnej strony PyCharm (https://www.jetbrains.com/pycharm/).
  3. Wyświetlanie plików w repozytorium.
    1. W repozytorium zlokalizuj główne pliki skryptów (SVM.py, RF.py).
    2. Użyj edytora tekstu lub PyCharm, aby otworzyć te pliki Pythona i przejrzeć ich zawartość i strukturę.
  4. Skonfiguruj zestaw danych.
    1. Kod w repozytorium wymaga plików danych. Sprawdź, czy pliki danych zostały przygotowane i czy ich format jest zgodny z wymaganiami kodu (.xlsx).
    2. W kodzie znajdują się zakodowane na stałe ścieżki plików. Zmodyfikuj ścieżki na podstawie rzeczywistej lokalizacji plików, czyli zastąp ścieżki w kodzie (np. C:\Users\1\Desktop\pca-result.xlsx) rzeczywistymi ścieżkami plików w systemie.
  5. Uruchom kod.
    1. Po znalezieniu głównego skryptu użyj następującego polecenia w wierszu poleceń, aby uruchomić kod (używając SVM.py jako przykładu). Jeśli główny skrypt jest RF.py, uruchom odpowiedni skrypt.
      Python SVM.py.
    2. Podczas uruchamiania kodu przełącz się do odpowiedniego katalogu roboczego lub określ skrypt, używając jego pełnej ścieżki w wierszu polecenia. Na przykład, jeśli uruchamiasz python SVM.py w wierszu poleceń, przełącz się do katalogu zawierającego SVM.py lub użyj ścieżki bezwzględnej:
      python C:/ścieżka/do/twojego/repozytorium/SVM.py.
    3. Podczas wykonywania kod załaduje dane, wytrenuje modele uczenia maszynowego (SVM lub RF) i wyświetli wyniki, takie jak dokładność, macierz pomyłek i krzywa ROC.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

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

Zakończenie budowy bazy danych indeksu funkcji głosowych

To badanie z powodzeniem wyodrębniło 467 wskaźników funkcji głosowych poprzez wielopoziomową analizę sygnałów głosowych. Zobacz powyższy adres URL usługi GitHub, aby zapoznać się ze wskaźnikami funkcji głosowych 467. Stosowane metody analityczne obejmują analizę w dziedzinie czasu, analizę w dziedzinie częstotliwości, ekstrakcję MFCC oraz transformację cech w oparciu o standardy diagnostyczne Tradycyjnej Medycyny Chiński...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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

W tym badaniu zbadano nieinwazyjne metody wykrywania astmy z wykorzystaniem analizy sygnału głosowego i technik uczenia maszynowego. Zbierając dane głosowe od 50 pacjentów z astmą i 50 zdrowych osób z grupy kontrolnej, w badaniu zbudowano modele przy użyciu algorytmów SVM i RF 16,17,18,19,20. Oba modele wykazały porównywalną wydajność pod względem proporcji ws...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

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

Autorzy nie mają do zadeklarowania konfliktu interesów.

Podziękowania

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

To badanie było wspierane przez Projekt National Natural Science Foundation of China Youth Science Fund (numer zatwierdzenia projektu: 82104739) oraz Program Badań Naukowych Prowincji Hebei Administracji Tradycyjnej Medycyny Chińskiej (numer projektu: B2025032). Autorzy pragną podziękować wszystkim nauczycielom i uczniom, którzy udzielili pomocy podczas eksperymentu.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
DeviceSupplierModel/wersjaMarka
Digital RecorderZOOM Audio StoreH6ZOOM
GitHubOficjalna strona2.47.1.2Git
Matlabhttps://www.mathworks.com/R2024bMathWorks
PycharmOficjalna strona2024.1JetBrains
PythonOficjalna strona3.12Python
internetowa

Bibliografia

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

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Asthma DetectionVoice Signal ProcessingMachine LearningVoice Feature AnalysisSupport Vector MachineRandom ForestAcoustic SensorsMATLAB AnalysisROC CurveNon Invasive Diagnosis

Powiązane artykuły