Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

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

1.1K wyświetleń

⸱

DOI:

10.3791/68222

⸱

19 września 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

W tym artykule

Podsumowanie

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.

Streszczenie

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.

Wprowadzenie

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. Dla porównania, infekcje dróg oddechowych (RTI) stanowią około 6% globalnego obciążenia chorobą, przewyższając obciążenie związane z chorobą niedokrwienną serca, zakażeniem HIV, nowotworem, malarią i chorobami biegunkowymi4.

Ze względu na istotne podobieństwa w objawach klinicznych obu chorób, szczególnie w objawach kaszlu, który jest powszechnym objawem, wczesne i precyzyjne rozróżnienie tych chorób jest niezbędne dla skutecznego leczenia 5,6. Tradycyjne metody diagnostyczne opierają się głównie na ocenie objawów klinicznych, testach funkcji płuc oraz analizach laboratoryjnych7. Chociaż konwencjonalne metody diagnostyczne POChP są skuteczne w identyfikacji i ocenie tego schorzenia, nakazują one kilka ograniczeń w praktyce klinicznej. Do tych ograniczeń należą niewystarczająca dokładność diagnostyki, ograniczona zdolność do wczesnej diagnozy, niewystarczające zrozumienie heterogeniczności chorób oraz brak dynamicznego monitorowania 8,9,10,11. W przeciwieństwie do tradycyjnych metod diagnostycznych POChP, technologia diagnostyki głosowej, jako nowo powstałe narzędzie pomocnicze, oferuje liczne zalety, szczególnie w zakresie wczesnego wykrywania, nieinwazyjnej diagnozy oraz dynamicznego monitorowania.

Wraz z postępem w analizie mowy, szczególnie w zautomatyzowanej analizie dźwięków kaszlu, pojawia się potencjał szybkich zastosowań diagnostycznych. Badania wskazują, że dźwięki kaszlu zawierają obszerne informacje o chorobach płuc, a ich cechy akustyczne odzwierciedlają zmiany w stanie zdrowia dróg oddechowych12. Ostatnio do diagnozowania POChP i innych schorzeń zastosowano techniki oparte na uczeniu maszynowym do analizy cech mowy, co dało znaczące rezultaty13, 14, 15. Te metody ułatwiają skuteczną klasyfikację chorób poprzez wydobywanie cech dźwiękowych z dźwięków kaszlu, takich jak częstotliwość, czas trwania i amplituda, oraz integrację ich z algorytmami uczenia maszynowego do rozpoznawania wzorców.

Pomimo niektórych badań dotyczących potencjału analizy dźwięków kaszlu w diagnozie chorób, nadal istnieją istotne trudności w rozróżnieniu pacjentów z POChP od tych z RTI. Trudność ta wynika z nakładających się cech dźwięków kaszlu obu grup, potęgowanych przez indywidualną zmienność. W konsekwencji rozwój metod wydobywania dokładniejszych i bardziej rozpoznawalnych cech z dźwięków kaszlu pozostaje kluczowym zagadnieniem w tej dziedzinie.

Niniejsze badanie ma na celu zbadanie zautomatyzowanej metody klasyfikacji dźwięków kaszlu poprzez nagrywanie dźwięku u 25 pacjentów z rozpoznaną POChP oraz 25 pacjentów z RTI. Integrując analizę cech mowy z algorytmami uczenia maszynowego, dążymy do zwiększenia dokładności różnicowania chorób, tym samym poprawiając wczesne możliwości diagnostyczne POChP i RTI.

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

Protokół

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 wymagana przez wytyczne kliniczne ustalone przez ekspertów płucnych.
      1. Potwierdź diagnozę za pomocą spirometrii po leczeniu oskrzeli (FEV1/FVC < 0,70) zgodnie z kryteriami GOLD 2024.
      2. Zweryfikować stabilność kliniczną (brak zaostrzeń ≥ 4 tygodniach)
    3. Upewnij się, że grupa porównawcza obejmuje osoby cierpiące na typowe górne RTI.
      1. Diagnoza na podstawie kryteriów diagnostycznych Wytycznych Diagnostycznych i Leczenia Chorób Zakażeń Dróg Oddechowych.
      2. Upewnij się, że czas pojawienia się objawów ≤ 72 godziny.
      3. Wyklucz historię przewlekłych chorób układu oddechowego.
    4. Ogranicz wiek do 18-85 lat.
    5. Proszę wszystkich uczestników o pisemną świadomą zgodę na udział w badaniu.
  2. Kryteria wykluczenia
    1. Wyklucz uczestników doświadczających trudności z mową, takich jak zaburzenia strun głosowych czy zapalenie krtani.
    2. Wyklucz uczestników z chorobami neurologicznymi, które mogą utrudniać mowę lub funkcje poznawcze.
    3. Wyklucz uczestników z poważnymi zaburzeniami słuchu.
    4. Wykluczyć uczestników, którzy nie przestrzegali protokołów badania lub nie dostarczyli wystarczającej liczby próbek audio.
    5. Wyklucz uczestników, którzy nie są w stanie wyrazić świadomej zgody.

2. Projekt badania

  1. Przenieś uczestników do cichej, izolowanej standardowej gabinety klinicznej (4 m × wymiary 5 m), gdzie poziom hałasu zewnętrznego utrzymuje się poniżej 30 dB. Pozwól im usiąść w naturalnej, wygodnej pozycji i zachować zrelaksowany stan.
  2. Skrupulatnie dokumentuj kluczowe dane uczestnika, w tym wzrost, wagę, wiek i inne istotne informacje, oraz potwierdzaj jego aktualny stan zdrowia u lekarza.
  3. Po zakończeniu początkowego nagrywania danych należy ustawić wysokość mikrofonu do odpowiedniej pozycji, zapewniając odległość około 20-30 cm między mikrofonem a ustami uczestnika.
  4. Zbieraj nagrania audio za pomocą profesjonalnego, przenośnego przenośnego rejestratora wielościeżkowego, z równomiernie ustawioną częstotliwością próbkowania na 44,1 kHz.
    1. Wykonaj kalibrację urządzenia przed codziennymi sesjami nagrywania. Naciśnij i przytrzymaj pokrętło GAIN na docelowym kanale przez 2 sekundy, aż ekran pokaże CAL i aktualną wartość poziomu.
    2. Dostosuj wzmocnienie do wartości docelowej, powoli obracając pokrętło GAIN , aż poziom wejściowy wyświetlany na ekranie dokładnie odpowiada nominalnej wartości testowego tonu. Zapewnienie marginesu błędu w granicy ≤±1 dB.
  5. Pod kierunkiem zespołu pobierającego próbki pozwól uczestnikowi naturalnie kaszleć zgodnie z jego stanem zdrowia. Nagraj dźwięki kaszlu za pomocą urządzeń nagrywających.
  6. Nagraj dźwięk jako '. WAV'.
  7. Nieprawidłowe segmenty dźwięku były usuwane za pomocą wykrywania aktywności głosowej (VAD) uzupełnionej ręczną weryfikacją. Do badania włączono nagrania spełniające próg stosunku sygnał-szum (SNR) wynoszący >20 dB.
    UWAGA: Pełna metodologia jest dostępna w naszym repozytorium GitHub (https://github.com/Liteng811/speech-feature-index-database-construction).

3. Rozwój repozytorium funkcji wokalnych

UWAGA: Baza danych wskaźników cech głosowych to zbiór cech akustycznych do porównawczej analizy wzorców wokalnych w POChP w porównaniu z RTI. Architektura metodologiczna została szczegółowo opisana w Tabeli 1. Otwartoźródłowa baza kodu do jego budowy została zaimplementowana i jest dostępna na GitHub (https://github.com/Liteng811/speech-feature-index-database-construction). Poniższe kroki szczegółowo opisują pobieranie i wykonywanie kodu.

  1. Zainstaluj MATLAB na komputerze z oficjalnej strony MathWorks (https://www.mathworks.com/). Upewnij się, że wybrana jest odpowiednia wersja dla systemu operacyjnego. Aby zweryfikować, czy MATLAB jest poprawnie zainstalowany, uruchom oprogramowanie MATLAB i wpisz ver w oknie poleceń. Jeśli jest prawidłowo zainstalowany, powinny pojawić się informacje o wersji MATLAB-a.
  2. Zainstaluj Git z oficjalnej strony Git (https://git-scm.com/). Aby potwierdzić pomyślną instalację, wpisz następujące polecenie w wierszu poleceń (Wiersz poleceń dla Windows, Terminal dla Mac/Linux): git --version. Jeśli Git został pomyślnie zainstalowany, wyświetlone zostaną informacje o wersji.
  3. Pobierz repozytorium kodu
    1. Korzystając z interfejsu wiersza poleceń, wykonaj polecenie git clone, aby pobrać pliki projektu na lokalny komputer:
      git clone https://github.com/Liteng811/voice-feature-index-database-construction.git
      UWAGA: Ta operacja tworzy nowy katalog o nazwie "voice-feature-index-database-construction" w obecnym katalogu roboczym, zawierający wszystkie pliki projektu.
    2. Uzyskaj dostęp do pobranego folderu, aby zarządzać jego zawartością, uruchamiając:
      cd Funkcja-Funkcja-Indeks-Baza Danych-Konstrukcja.
  4. Konfiguracja środowiska MATLAB.
    1. Rozpocznij aplikację MATLAB.
    2. Integruj folder projektu ze ścieżką wyszukiwania MATLAB. Przejdź do zakładki Dom, kliknij Ustaw ścieżkę, a następnie Dodaj folder. Wybierz sklonowany katalog funkcji głosowych-indeks-database-construction i zapisz zmiany. Pozwala to MATLAB-owi na dostęp do wszystkich niezbędnych skryptów.
    3. W panelu Aktualny Folder w MATLAB-ie otwórz główny skrypt przetwarzania (voiceH6_batch_3_stage_WAV_tt.m), klikając na niego dwukrotnie.
  5. Przygotowanie danych.
    1. Analiza wymaga wejścia plików audio w formacie .wav lub .pcm .
    2. Ścieżki do tych plików audio są zakodowane na stałe w skryptach. Aktualizuj te zmienne ścieżki, aby wskazywały właściwe lokalizacje w systemie lokalnym.
  6. Wykonanie scenariusza.
    1. Gdy główny skrypt (voiceH6_batch_3_stage_WAV_tt.m) jest otwarty, rozpocznij przetwarzanie, klikając przycisk Run lub wpisując nazwę skryptu bezpośrednio w oknie poleceń MATLAB: voiceH6_batch_3_stage_WAV_tt.
    2. Skrypt wymaga interakcji użytkownika. MATLAB wyświetla interfejs graficzny, zachęcając użytkownika do wyboru odpowiedniego pliku audio lub folderu. Upewnij się, że plik audio lub folder wybrany do przetwarzania odpowiada promptowi.
    3. Jeśli pojawią się problemy z zawieszaniem się lub niewyświetlaniem interfejsu graficznego podczas uruchamiania skryptu w MATLAB, należy zweryfikować potencjalne problemy z kompatybilnością z wersją MATLAB lub upewnić się, że sterowniki graficzne systemu operacyjnego działają prawidłowo.
  7. Wyświetl wyniki. Po zakończeniu wyszukiwania należy poszukać pliku .txt, w którym skrypt zapisał wyniki ekstrakcji cech. Plik wyjściowy zawiera informacje takie jak wyniki rozpoznawania cech audio.

4. Analiza danych

UWAGA: Po złożeniu bazy danych wskaźników cech wokalnych przeprowadzono analizy statystyczne. Podejście analityczne przedstawiono w Tabeli 2. Test Mann-Whitney U został wykorzystany do oceny różnic w cechach sygnału głosowego między grupami POChP i RTI.

  1. Test do Mann-Whitney U.
    UWAGA: Po uzyskaniu biblioteki indeksu cech mowy przeprowadzono test Mann-Whitney U na danych przy użyciu SPSS 20.0. Proces działania wygląda następująco:
    1. Otwórz SPSS i załaduj plik danych.
    2. Wybierz Analizuj > testy nieparametryczne > dialogi dziedziczone > 2 Niezależne Przykłady z paska menu.
    3. W okienku dialogowym:
      1. Lista zmiennych testowych: Wybierz zmienne do porównania (obserwowane).
      2. Zmienna grupowania: Wybierz zmienną grupującą (zmienną, która będzie używana do grupowania).
      3. Kliknij przycisk Definiuj grupy , aby wpisać identyfikatory obu grup w okienku wyskakującym (na przykład, jeśli są grupowane jako "Grupa 1" i "Grupa 2", wpisz 1 i 2).
    4. W Typie testu wybierz test Mann-Whitney U częściowo.
    5. Kliknij OK, a SPSS automatycznie wygeneruje wyjście.
  2. Analiza głównych komponentów (PCA)
    UWAGA: Po identyfikacji statystycznie istotnych cech zastosowano analizę głównych składników (PCA) do zaawansowanej eksploracji danych. Technika ta redukuje wymiarowość poprzez skondensowanie oryginalnych zmiennych do mniejszego zestawu złożonych komponentów, które zachowują kluczowe informacje i upraszczają interpretowalność zbioru danych. Przed wykonaniem PCA dane były automatycznie standaryzowane przez oprogramowanie statystyczne, aby złagodzić błędy związane ze skalą. Procedura została przeprowadzona następująco:
    1. Upewnij się, że dane zostały zebrane, zapisane w formacie Excel lub CSV i zaimportowane do SPSS 20.0.
    2. Wybierz File > Open > Data, a następnie wybierz plik do otwarcia.
    3. Upewnij się, że brakujące wartości i wartości odstające w danych są obsługiwane oraz że zmienne są standaryzowane.
    4. Aby uzyskać analizę PCA w SPSS, kliknij Analizuj > Dimension Reduction > Factor.
    5. W oknie dialogowym dodaj wszystkie zmienne używane w PCA do pola Zmienne. Te zmienne są zazwyczaj danymi ciągłymi.
    6. Ustaw metodę ekstrakcji.
      1. W oknie dialogowym kliknij przycisk Extraction i wybierz metodę Principal Components . Domyślnie SPSS wyodrębnia wystarczającą liczbę głównych składników, aby wyjaśnić wariancję danych.
      2. Należy wybrać wartości własne większe niż 1 jako kryterium retencyjne, co oznacza, że zachowywane są tylko główne składniki o wartościach własnych większych niż 1, co zwykle tłumaczy większość wariancji.
    7. Wybierz metodę obrotu i kliknij Rotation , aby wybrać Varimax (obrót ortogonalny) lub Promax (obrót skośny). W większości zastosowań Varimax jest powszechnie stosowaną metodą obrotu.
    8. W opcjach sprawdź wykres Scree i macierz współczynników , aby można było uzyskać wykres żwirowy głównych składników oraz macierz współczynników każdego elementu głównego, co pomoże ocenić zachowaną wariancję.
    9. Po ustawieniu wszystkich opcji kliknij przycisk OK , a SPSS wygeneruje wynik.
    10. Interpretacja wyników.
      1. Interpretuj macierz obciążenia głównych komponentów, aby zidentyfikować zależności między głównymi składnikami a zmiennymi oryginalnymi. Należy zauważyć, że zmienne o wyższych wartościach obciążenia wymagają większego udziału w zmianach.
      2. Wyjaśnij wariancję za pomocą tabeli "Wyjaśnienie całkowitej wariancji". Obserwuj wartości własne i proporcje wariancji dla każdego głównego składnika. Wybierz główne składniki o dużych proporcjach wariancji, ponieważ zazwyczaj wyjaśniają one większość zmienności danych.
      3. Użyj wykresu żwiru do określenia zachowanych głównych składników. Zidentyfikuj wyraźny punkt zwrotny w fabule. Zachowaj główne składniki po lewej stronie punktu zwrotnego.
      4. Oceny głównych komponentów: Sprawdź zapis jako zmienne , czy trzeba uzyskać wynik dla każdej próby na głównym komponentie, a SPSS doda oceny głównych komponentów do zbioru danych jako nowe zmienne.

5. Budowanie modelu regresji logistycznej (LR) i lasu losowego (RF)

UWAGA: Szczegółowe ramy metodologiczne do budowy modeli LR i RF są opisane w Tabeli 3. Tymczasem modele LR i RF z tego badania zostały przesłane na GitHub (https://github.com/Liteng811/The-distinction-between-COPD-and-respiratory-infections). Poniżej głównie opiszesz, jak pobrać i uruchomić kod z GitHuba. Model RF został skonstruowany przy użyciu Pythona 3.12.3 jako głównego języka programowania.

  1. Pobierz kod projektu.
    1. Uruchom terminal lub wiersz poleceń i uruchom polecenie git clone, aby pobrać repozytorium lokalnie:
      git clone Rozróżnienie między POChP a infekcjami oddechowymi. git Rozróżnienie między POChP i infekcjami oddechowymi.git
      Należy zauważyć, że to polecenie pobiera całą zawartość repozytorium do Twojego aktualnego katalogu roboczego, generując nowy folder zatytułowany The-distinction-between-COPD-and-respiratory infections.
  2. Ustaw środowisko programistyczne.
    1. Pobierz i zainstaluj Pythona z oficjalnej strony dystrybucji (https://www.python.org/).
    2. Użyj poniższego polecenia, aby zainstalować wszystkie zależności Pythona wymienione w pliku wymagań: install -r requirements.txt.
    3. Jeśli plik requirements.txt jest niedostępny, zainstaluj niezbędne biblioteki ręcznie, wykonując:
      install numpy pandas scikit-learn matplotlib
    4. Zainstaluj zintegrowane środowisko programistyczne PyCharm na oficjalnej stronie JetBrains (https://www.jetbrains.com/pycharm/).
  3. Poznaj zawartość repozytorium.
    1. W repozytorium znajdź główne pliki skryptów (LR.py, RF.py).
    2. Otwórz te pliki za pomocą edytora kodu lub PyCharm, aby przejrzeć ich implementację i szczegóły strukturalne.
  4. Przygotuj dane wejściowe.
    1. Upewnij się, że wymagany zbiór danych jest dostępny w .xlsx formacie, zgodnie z oczekiwaniami kodu, i odpowiednio zorganizowany przed wykonaniem.
    2. Kod zawiera zakodowane na stałe ścieżki plików. Zaktualizuj te ścieżki, aby odzwierciedlały rzeczywiste lokalizacje plików, skutecznie zastępując istniejące ścieżki w kodzie (np. C:\Users\1\Desktop\pca-result.xlsx) rzeczywistymi ścieżkami plików w systemie.
  5. Uruchom kod.
    1. Gdy główny skrypt zostanie znaleziony, wykonaj go za pomocą linii poleceń. Na przykład, aby uruchomić LR.py, użyj Pythona LR.py
      Jeśli docelowy skrypt jest RF.py, zastąpimy nazwę pliku odpowiednio.
    2. Przed uruchomieniem upewnij się, że terminal znajduje się w właściwym katalogu roboczym lub określ pełną ścieżkę do skryptu. Na przykład:
      Python C:/path/to/your/repository/LR.py.
    3. Podczas pracy skrypt ładuje zbiór danych, trenuje odpowiadający mu model uczenia maszynowego (LR lub RF) oraz generuje metryki wydajności, w tym dokładność, macierz pomyłek i krzywą ROC.

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

Wyniki

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...

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

Dyskusja

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...

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

Oświadczenia

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.

Podziękowania

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.

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

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Cyfrowy rejestratorPOWIĘKSZENIAH6Sklep audio ZOOM
GitHubGit2.47.1.2Oficjalna strona internetowa
MatlabMathWorksR2024bOficjalna strona internetowa
PycharmJetBrains2024.1Oficjalna strona internetowa
PytonPyton3.12Oficjalna strona internetowa

Bibliografia

  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).

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

Przedruki i uprawnienia

Tagi

Diagnostyka oparta na uczeniu maszynowymanaliza sygnału głosowegomodel regresji logistycznejmodel lasów losowychanaliza głównych składowychekstrakcja cech głosudiagnostyka nieinwazyjna
Klasyfikacja tonów kaszlu oparta na uczeniu maszynowym: diagnostyka przewlekłej obturacyjnej choroby płuc i infekcji dróg oddechowych
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.