Badania nad wykrywaniem astmy w oparciu o przetwarzanie sygnałów głosowych i uczenie maszynowe
22 lipca 2025
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.
- W dalszej części omówię najnowsze osiągnięcia i aktualne wyzwania eksperymentalne w tej dziedzinie. Obecne technologie wykorzystują analizę głosu opartą na sztucznej inteligencji, techniki ruchu, takie jak SVM, narzędzia do przetwarzania sygnałów, takie jak MFCC, oraz zmienne czujniki akustyczne do wykrywania wzorców związanych z chorobą w sygnałach dźwiękowych. Obecne wyzwania związane z klinicznym tłumaczeniem diagnostyki głosowej obejmują ograniczone dane, ograniczoną uogólnienie modelu, etykę prywatności, konflikty i bariery interoperacyjności.
[Instruktor] Aby rozpocząć, otwórz narzędzie wiersza poleceń i sklonuj repozytorium GitHub na komputer lokalny. Przejdź do oficjalnej strony Pythona, aby zainstalować Pythona na komputerze. Po zainstalowaniu języka Python zainstaluj wymagane biblioteki języka Python przy użyciu pliku requirements.txt. Alternatywnie, jeśli plik tekstowy nie jest dostępny, zainstaluj niezbędne biblioteki ręcznie za pomocą podanego polecenia. Następnie zainstaluj PyCharm z jego oficjalnej strony internetowej. Teraz zlokalizuj główne pliki skryptów w sklonowanym repozytorium. Użyj PyCharm lub edytora tekstu, aby otworzyć pliki Pythona i przejrzeć ich zawartość i strukturę. Aby skonfigurować zestaw danych, sprawdź, czy pliki danych wymagane przez kod są dostępne i zapisane w formacie programu Excel. Zaktualizuj ścieżki plików w skryptach, aby były zgodne z rzeczywistymi lokalizacjami plików w systemie. Po zidentyfikowaniu skryptu głównego uruchom kod przy użyciu odpowiedniego polecenia dla tego skryptu. Podczas wykonywania kod załaduje dane, wytrenuje modele uczenia maszynowego i wyświetli wyniki, takie jak dokładność, macierz pomyłek i charakterystyka operacyjna odbiornika lub krzywa ROC. Rysunek ten przedstawia macierze pomyłek dla maszyny wektorów nośnych lub modelu SVM oraz losowego modelu lasu lub modelu RF, pokazując ich wyniki klasyfikacji dla osób z astmą i zdrowych osób z grupy kontrolnej. Model SVM dokładnie sklasyfikował 14 osób z astmą i 12 zdrowych osób z grupy kontrolnej z 30 próbek w macierzy zamieszania. Model RF prawidłowo przewidział również 14 przypadków astmy i 12 zdrowych osób z grupy kontrolnej, wykazując porównywalne wyniki klasyfikacji. Model SVM osiągnął wyższą wartość pola pod krzywą wynoszącą 0,95 w analizie ROC, co odzwierciedla lepszą wydajność klasyfikacji. Zarówno modele SVM, jak i RF osiągnęły identyczną ogólną dokładność klasyfikacji wynoszącą 87% w testowym zestawie danych. Jeśli chodzi o wyniki w klasie, model SVM wykazał wyższą pamięć w grupie astmy na poziomie 0,93, ale niższą w zdrowej grupie kontrolnej na poziomie 0,80, co sugeruje, że chociaż SVM jest skuteczny w identyfikacji astmy, może błędnie klasyfikować niektóre zdrowe osoby. Model RF osiągnął te same wartości przywołania wynoszące 0,93 dla astmy i 0,80 dla zdrowych osób z grupy kontrolnej, co wskazuje, że oba modele mają podobną czułość i są w równym stopniu zdolne do identyfikacji pozytywnych przypadków.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
Niniejsze badanie analizuje zastosowanie analizy głosu opartej na sztucznej inteligencji oraz technik uczenia maszynowego w celu nieinwazyjnego wczesnego wykrywania astmy. Wykorzystując algorytmy maszyny wektorów wspierających (SVM) oraz lasów losowych (RF), badanie wykazuje porównywalną dokładność klasyfikacji w identyfikacji przypadków astmy.
Kluczowe elementy badania
Dziedzina nauki
- Neuronauka
- Uczenie maszynowe
- Analiza sygnału głosowego
Wprowadzenie
- Obecne technologie wykorzystują analizę głosu opartą na AI do wykrywania wzorców związanych z chorobami.
- Wyzwania w translacji klinicznej obejmują niedobór danych oraz etykę prywatności.
- Do zadań klasyfikacyjnych wykorzystuje się modele uczenia maszynowego, takie jak SVM i RF.
- Diagnostyka oparta na głosie zyskuje uznanie ze względu na swój nieinwazyjny charakter.
Cel badania
- Zbadanie skuteczności analizy sygnału mowy w wykrywaniu astmy.
- Porównanie wydajności algorytmów SVM i RF.
- Omówienie wyzwań związanych z wdrażaniem diagnostyki opartej na głosie w warunkach klinicznych.
Zastosowane metody
- Analiza sygnału głosowego z wykorzystaniem programu MATLAB.
- Algorytmy uczenia maszynowego: maszyna wektorów nośnych (SVM) oraz lasy losowe (RF).
- Ocena dokładności klasyfikacji i wskaźników wydajności.
- Analiza macierzy pomyłek i krzywej ROC w celu porównania modeli.
Główne wyniki
- Zarówno SVM, jak i RF osiągnęły całkowitą dokładność klasyfikacji na poziomie 87%.
- SVM wykazało wyższą wartość pola pod krzywą wynoszącą 0,95 w analizie ROC.
- SVM uzyskało wyższą czułość (recall) w grupie z astmą (0,93) w porównaniu z grupą kontrolną osób zdrowych (0,80).
- RF wykazało podobne wartości czułości dla obu grup, co wskazuje na porównywalną wrażliwość.
Wnioski
- Analiza głosu w połączeniu z uczeniem maszynowym może skutecznie wykrywać astmę.
- SVM może zapewnić lepszą równowagę pomiędzy czułością a swoistością.
- Konieczne są dalsze badania w celu rozwiązania problemów związanych z translacją kliniczną.
Najczęściej zadawane pytania
Znaczenie dla przemysłu
Przetwarzanie sygnałów głosowych w połączeniu z uczeniem maszynowym oferuje skalowalną, nieinwazyjną metodę wczesnego wykrywania astmy, odpowiadając na krytyczną potrzebę wprowadzenia obiektywnej i powtarzalnej diagnostyki w badaniach nad chorobami układu oddechowego. Dzięki wykorzystaniu ilościowych cech głosu i odpornych modeli klasyfikacji, ten proces zwiększa pewność prognostyczną na etapach walidacji celu oraz opracowywania testów. Metodologia ta wspiera redukcję ryzyka w całym portfolio poprzez umożliwienie standaryzowanego, opartego na danych podejmowania decyzji w odkrywaniu biomarkerów i badaniach translacyjnych.
Strategiczne zastosowania w badaniach i rozwoju biofarmaceutycznym
Wczesne etapy odkrywania i walidacja celu
- Umożliwia badanie istotnych dla choroby biomarkerów głosowych w celu walidacji celów terapeutycznych w chorobach układu oddechowego.
- Wspiera ograniczanie ryzyka mechanistycznego poprzez kwantyfikację różnic w cechach fonetycznych pomiędzy grupą pacjentów a grupą kontrolną.
- Zwiększa pewność prognostyczną przy wyborze i segregacji biomarkerów na wczesnym etapie badań.
Przesiewy i rozwój testów
- Przygotowuje zwalidowane testy oparte na głosie do późniejszej integracji z modelami uczenia maszynowego.
- Standaryzuje ekstrakcję cech i redukcję wymiarowości w celu uzyskania powtarzalnych wyników ilościowych.
- Umożliwia skalowalny screening potencjalnych biomarkerów przy użyciu modeli klasyfikacji SVM i RF.
Badania translacyjne i przedkliniczne
- Koreluje nieinwazyjne biomarkery głosowe z punktami końcowymi w translacyjnych modelach chorób układu oddechowego.
- Zapewnia ciągłość procesu od etapu odkrycia do walidacji przedklinicznej poprzez dostarczanie obiektywnych, ilościowych odczytów.
- Zmniejsza ryzyko biologiczne przy wprowadzaniu kandydackich biomarkerów do badań na późniejszych etapach.
Integracja potoków przetwarzania i przepływu pracy
Niniejszy schemat postępowania integruje procesy od wczesnego etapu odkrywania, poprzez identyfikację wiodących związków, aż po walidację przedkliniczną, wykorzystując analitykę sygnałów głosowych oraz uczenie maszynowe w celu skutecznego opracowania biomarkerów.
- Biologia odkryć: Ilościowa analiza cech głosu wspiera testowanie hipotez i wyjaśnianie szlaków w chorobach układu oddechowego.
- Screening: Modele uczenia maszynowego dostarczają powtarzalne, ilościowe wyniki klasyfikacji do oceny potencjalnych biomarkerów.
- Analityka: Wyniki obejmują dokładność, macierze pomyłek i krzywe ROC w celu porównania wydajności modeli i podjęcia decyzji o kontynuowaniu lub przerwaniu badań (go/no-go).
- Badania translacyjne: Nieinwazyjne biomarkery głosu ułatwiają uzgodnienie z punktami końcowymi klinicznymi i systemami modeli przedklinicznych.
- Ponowne wykorzystanie w przedsiębiorstwie: Ustandaryzowany schemat postępowania i zestaw cech umożliwiają ponowne zastosowanie w obszarze chorób układu oddechowego i potencjalnie innych jednostek chorobowych.
Wpływ operacyjny i przedsiębiorczy
- Wartość naukowa: Zwiększa pewność predykcyjną i zmniejsza niejednoznaczność mechanistyczną w procesie odkrywania biomarkerów oddechowych.
- Wartość operacyjna: Dostarcza zestandaryzowane, powtarzalne i skalowalne testy oparte na głosie, przeznaczone do integracji z uczeniem maszynowym.
- Wartość strategiczna: Poprawia jakość decyzji o kontynuacji lub przerwaniu prac (go/no-go) oraz efektywność kapitałową dzięki dostarczeniu obiektywnych, ilościowych wyników.
- Wpływ na portfolio: Umożliwia priorytetyzację dostosowaną do ryzyka oraz rozwój kandydatów na biomarkery w całym procesie badawczo-rozwojowym (R&D).
Uwagi dotyczące wdrożenia
- Wymagana jest wiedza specjalistyczna z zakresu przetwarzania sygnałów, uczenia maszynowego oraz biologii chorób układu oddechowego.
- Niezbędny jest dostęp do wysokiej jakości infrastruktury do nagrywania głosu oraz platform analitycznych do obliczeń.
- Wymagana jest międzyzespołowa standaryzacja protokołów gromadzenia danych, ekstrakcji cech i ewaluacji modeli.
- Adaptacja w różnych populacjach pacjentów i modelach chorób może wymagać dodatkowej walidacji.
- Deficyt danych oraz generalizacja modeli pozostają praktycznymi ograniczeniami dla szerszego zastosowania w praktyce klinicznej.
