Method Article

Klasyfikacja tonów kaszlu oparta na uczeniu maszynowym: diagnostyka przewlekłej obturacyjnej choroby płuc i infekcji dróg oddechowych

DOI:

10.3791/68222

⸱

September 19th, 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

In This Article

Summary

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

Badanie to skutecznie przeprowadziło automatyczną klasyfikację dwóch odrębnych kategorii poprzez pozyskiwanie danych dźwiękowych o kaszlu od pacjentów zdiagnozowanych z przewlekłą obturacyjną chorobą płuc (POChP) oraz infekcjami dróg oddechowych (RTI), wykorzystując integrację technik przetwarzania sygnałów mowy i algorytmów uczenia maszynowego.

Abstract

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

Celem tego badania było opracowanie i ocena nieinwazyjnej metody rozróżniania pacjentów z przewlekłą obturacyjną chorobą płuc (POChP) od osób z infekcjami dróg oddechowych (RTI) za pomocą analizy sygnałów głosowych i uczenia maszynowego. Sygnały głosowe o stałym wzorze zebrano od 25 pacjentów z POChP i 25 pacjentów z RTI (pełniących rolę grupy kontrolnej/porównawczej). Przeprowadzono wielowymiarową analizę cech głosowych, aby zidentyfikować cechy istotnie różniące obie grupy. Wybrano i poddano statystycznie istotne cechy redukcji wymiarowości. Następnie trenowano i oceniano modele regresji logistycznej (LR) oraz lasu losowego (RF) pod kątem wydajności klasyfikacji w rozróżnianiu POChP od RTI. Początkowo przeanalizowano ponad 400 funkcji głosowych. Osiemnaście cech wykazało wysoce istotne różnice między pacjentami z POChP a RTI (P <; 0,05). W zadaniu rozróżnienia pacjentów z POChP od pacjentów z RTI, model LR osiągnął obszar testowy pod krzywą AUC 0,95, znacząco przewyższając model RF (AUC = 0,76). Badanie to pokazuje wykonalność wykorzystania analizy głosu i uczenia maszynowego, szczególnie modelu LR, jako obiecującego narzędzia nieinwazyjnego do odróżnienia POChP od RTI. Stanowi podstawę do praktycznego zastosowania i dalszej optymalizacji tego podejścia opartego na głosie w warunkach klinicznych wymagających różnicowej diagnostyki schorzeń układu oddechowego.

Introduction

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

Przewlekła obturacyjna choroba płuc (POChP) oraz infekcje dróg oddechowych stanowią istotne czynniki przyczyniające się do śmiertelności i zachorowalności na skalę globalną. POChP definiuje się jako przewlekłe schorzenie zapalne dotyczące dróg oddechowych i parenchymy płuc, wywołane głównie przez palenie. Charakteryzuje się objawami takimi jak uporczywy kaszel, duszność oraz zwiększona produkcja plwociny1. Światowa Organizacja Zdrowia prognozuje, że do 2030 roku POChP zajmie trzecie miejsce wśród najczęstszych przyczyn zgonów na świecie, nakładając znaczne obciążenie ekonomiczne 2,3. Dl....

Access restricted. Please log in or start a trial to view this content.

Protocol

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

Komisja Etyka Uniwersytetu Medycyny Chińskiej w Pekinie oraz jego trzeci szpital afiliowany zatwierdziły to badanie. Wszyscy uczestnicy wyrazili pisemną świadomą zgodę na udział. Między lipcem a sierpniem 2024 roku z Katedry Medycyny Oddmuchowej w Trzecim Szpitalu Afiliowanym Uniwersytetu Medycyny Chińskiej w Pekinie zrekrutowano grupę 25 pacjentów z POChP. Równocześnie utworzono grupę kontrolną składającą się z 25 pacjentów z typowym górnym RTI.

1. Wybór uczestników

  1. Kryteria włączenia
    1. Wybierz próbki audio z niskim szumem tła i wyraźną artykulacją.
    2. Upewnij się, że diagnoza POChP dla grupy z POChP jest wymaga....

Access restricted. Please log in or start a trial to view this content.

Results

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

Wyniki analizy danych

Badania skutecznie wyizolowały ponad 400 indeksów cech mowy przy użyciu metod takich jak analiza w dziedzinie czasu, analiza w dziedzinie częstotliwości, ekstrakcja współczynnika cepstralnego (MFCC) oraz modyfikacja wskaźników cech zgodnie z diagnozą TCM. Analiza dziedziny czasu jest kluczowym elementem przetwarzania sygnałów mowy, koncentrującym się na bezpośredniej manipulacji danymi szer.......

Access restricted. Please log in or start a trial to view this content.

Discussion

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

Badanie to bada nieinwazyjne metody wykrywania POChP za pomocą analizy sygnałów głosowych i technik uczenia maszynowego. Polegała ona na zbieraniu danych głosowych od 25 pacjentów z POChP oraz 25 pacjentów z RTI. Modele były konstruowane przy użyciu algorytmów LR i RF. Oba modele wykazały podobną dokładność w poprawnej klasyfikacji próbek ogólnie, jednak różnica w wartościach AUC wskazuje, że model LR może oferować lepszą równowagę między czułością a swoistością. Kolejne sekcje zawierają szczegółową analizę wyników badań.......

Access restricted. Please log in or start a trial to view this content.

Disclosures

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

Autorzy deklarują brak konfliktów interesów dotyczących publikacji tego badania. Nie otrzymano żadnego wsparcia finansowego ani niefinansowego od żadnej organizacji komercyjnej, która mogłaby wpłynąć na wyniki lub interpretację tych badań. Wszystkie aspekty badania, w tym projektowanie, zbieranie danych, analiza i przygotowanie rękopisów, były prowadzone niezależnie od wpływów zewnętrznych.

Acknowledgements

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

Badanie to zostało wsparte przez Projekt Funduszu Nauki Młodzieży Narodowej Fundacji Nauk Przyrodniczych Chin (numer zatwierdzenia projektu: 82104739) oraz Program Badawczy Prowincji Hebei ds. Tradycyjnej Medycyny Chińskiej (numer projektu: B2025032). Autorzy chcieliby podziękować wszystkim nauczycielom i uczniom, którzy udzielili pomocy podczas eksperymentu.

....

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Cyfrowy rejestratorPOWIĘKSZENIAH6Sklep audio ZOOM
GitHubGit2.47.1.2Oficjalna strona internetowa
MatlabMathWorksR2024bOficjalna strona internetowa
PycharmJetBrains2024.1Oficjalna strona internetowa
PytonPyton3.12Oficjalna strona internetowa

References

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

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Cough Tone ClassificationMachine Learning DiagnosticsVoice Signal AnalysisChronic Obstructive PulmonaryRespiratory Tract InfectionsLogistic Regression ModelRandom Forest ModelPrincipal Component AnalysisVoice Feature ExtractionNon Invasive Diagnosis

Related Articles