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
To badanie bada zastosowanie analizy głosu z wykorzystaniem sztucznej inteligencji i technik uczenia maszynowego do nieinwazyjnej wczesnej wykrywania astmy. Zastosowanie algorytmów Support Vector Machine (SVM) i Random Forest (RF) w badaniach wykazało porównywalną dokładność klasyfikacji w identyfikacji przypadków astmy.
Kluczowe elementy badania
Dziedzina nauki
- Neuronauki
- Uczenie maszynowe
- Analiza sygnału głosowego
Tło
- Obecne technologie wykorzystują analizę głosu z wykorzystaniem sztucznej inteligencji do wykrywania wzorców związanych z chorobą.
- Wyzwania w klinicznym zastosowaniu obejmują niedobór danych i etykę prywatności.
- Modele uczenia maszynowego takie jak SVM i RF są wykorzystywane do zadań klasyfikacyjnych.
- Diagnostyka oparta na głosie zyskuję na uważności ze względu na swoją nieinwazyjność.
Cel badania
- Zbadanie skuteczności analizy sygnału głosowego w wykrywaniu astmy.
- Porównanie wydajności algorytmów SVM i RF.
- Rozwiązanie wyzwań związanych z wdrażaniem diagnostyki opartej na głosie w środowiskach klinicznych.
Stosowane metody
- Analiza sygnału głosowego przy użyciu MATLAB.
- Algorytmy uczenia maszynowego: Support Vector Machine (SVM) i Random Forest (RF).
- Ocena dokładności klasyfikacji i wskaźników wydajności.
- Analiza macierzy pomyłek i krzywej ROC do porównania modeli.
Główne wyniki
- Zobacz, jak SVM i RF osiągnęły ogólną dokładność klasyfikacji na poziomie 87%.
- SVM wykazało wyższą wartość obszaru pod krzywą na poziomie 0,95 w analizie ROC.
- SVM miało wyższy odsetek przypadków w grupie astmatyków (0,93) w porównaniu ze zdrowymi kontrolami (0,80).
- RF wykazało podobne wartości odsetka dla obu grup, co wskazuje na porównywalną czułość.
Wnioski
- Analiza głosu w połączeniu z uczeniem maszynowym może skutecznie wykrywać astmę.
- SVM może zapewniać lepsze równomierne stosowanie między czułością a swoistością.
- Wymagane są dalsze badania w celu rozwiązania wyzwań związanych z klinicznym zastosowaniem.
Często zadawane pytania
Executive Industry Relevance
Voice signal processing combined with machine learning offers a scalable, non-invasive approach for early asthma detection, addressing a critical need for objective, reproducible diagnostics in respiratory disease research. By leveraging quantitative voice features and robust classification models, this workflow enhances predictive confidence at the target validation and assay development stages. The methodology supports portfolio-wide risk reduction by enabling standardized, data-driven decision-making in biomarker discovery and translational research.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of disease-relevant voice biomarkers for respiratory target validation.
- Supports mechanistic de-risking by quantifying differential phonetic features between patient and control groups.
- Facilitates predictive confidence in early-stage biomarker selection and triage.
Screening & Assay Development
- Prepares validated voice-based assays for downstream machine learning model integration.
- Standardizes feature extraction and dimensionality reduction for reproducible quantitative outputs.
- Enables scalable screening of candidate biomarkers using SVM and RF classification models.
Translational & Preclinical Research
- Aligns non-invasive voice biomarkers with translational endpoints for respiratory disease models.
- Supports continuity from discovery through preclinical validation by providing objective, quantitative readouts.
- Reduces biological risk in advancing candidate biomarkers to later-stage studies.
Pipeline & Workflow Integration
This workflow integrates from early discovery through lead identification and preclinical validation, leveraging voice signal analytics and machine learning for robust biomarker development.
- Discovery Biology: Quantitative voice feature analysis supports hypothesis testing and pathway clarification in respiratory disease.
- Screening: Machine learning models provide reproducible, quantitative classification outputs for candidate biomarker evaluation.
- Analytics: Outputs include accuracy, confusion matrices, and ROC curves to compare model performance and inform go/no-go decisions.
- Translational Research: Non-invasive voice biomarkers facilitate alignment with clinical endpoints and preclinical model systems.
- Enterprise Reuse: The standardized workflow and feature set enable reuse across respiratory and potentially other disease areas.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in respiratory biomarker discovery.
- Operational Value: Delivers standardized, reproducible, and scalable voice-based assays for machine learning integration.
- Strategic Value: Improves go/no-go decision quality and capital efficiency by providing objective, quantitative outputs.
- Portfolio Impact: Enables risk-adjusted prioritization and advancement of candidate biomarkers across the R&D pipeline.
Implementation Considerations
- Requires expertise in signal processing, machine learning, and respiratory disease biology.
- Needs access to high-quality voice recording infrastructure and computational analytics platforms.
- Demands cross-team standardization of data collection, feature extraction, and model evaluation protocols.
- Adaptation across diverse patient populations and disease models may require additional validation.
- Data scarcity and model generalization remain practical limitations for broader clinical translation.
