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

Badania koncentrują się na diagnostyce akustycznej, wykorzystując analizę sygnałów głosu i uczenie maszynowe do wyodrębnienia charakterystycznych cech głosu dla nieinwazyjnej wczesnej klasyfikacji przewlekłej obturacyjnej choroby płuc i infekcji dróg oddechowych. Najnowsze osiągnięcia w tej dziedzinie obejmują analizę głosu opartą na AI, techniki uczenia maszynowego, takie jak konwolucyjne sieci neuronowe i maszyny wektorowe wsparcia, narzędzia do przetwarzania sygnałów takich jak MFCC oraz zmienne czujniki akustyczne do wykrywania wzorców chorób w sygnałach dźwiękowych. Jednym z głównych wyzwań w klinicznym tłumaczeniu diagnostyki głosowej jest niedobór danych.

Inne wyzwania to ograniczone uogólnianie modeli, etyka prywatności, konflikty oraz bariery w interpretacji. Po złożeniu bazy wskaźników cech wokalnych otwórz SPSS i załaduj odpowiedni plik danych. Z paska menu wybierz Analizuj, następnie wybierz Testy Nieparametryczne, następnie Dialogi Starsze i kliknij na 2 Niezależne Przykłady.

W okienku dialogowym wyskoczył, wybierz obserwowane zmienne do porównania w sekcji Lista Zmiennych Testowych. Następnie, w sekcji Zmienna grupowania, wybierz zmienną, która będzie używana do grupowania. Kliknij przycisk Definiuj grupy i wpisz identyfikatory obu grup w okienku wyskakującym (pop-up).

W sekcji Typ testu wybierz test Mann-Whitney U. Kliknij OK, aby uruchomić test i pozwolić SPSS na automatyczne generowanie wyniku. Do analizy głównych komponentów upewnij się, że dane są zebrane, zapisane w formacie Excel lub CSV i importowane do wersji SPSS 20.0.

Aby otworzyć plik, wybierz Plik, następnie otwórz Otworz, następnie Dane i wybierz odpowiedni plik. Aby rozpocząć analizę głównych składowych, kliknij Analizuj, następnie wybierz Redukcję wymiaru i wybierz Czynnik. W oknie dialogowym dodaj wszystkie zmienne ciągłe używane w analizie głównych komponentów do pola Zmienne.

Kliknij przycisk Extraction i wybierz metodę Principal Components jako technikę ekstrakcji. Należy wybrać wartości własne większe niż 1 jako kryterium zachowania głównych składowych. Wybierz metodę obrotu i kliknij Rotation, aby wybrać Varimax lub Promax.

W sekcji Opcje sprawdź zarówno wykres Scree, jak i macierz współczynników, aby uwzględnić diagram żwirowy oraz macierz współczynników w wyjściu do oceny zachowanych wariantów. Po zakończeniu wszystkich ustawień kliknij OK, aby wykonać analizę i pozwolić SPSS wygenerować wynik. Interpretuj macierz obciążenia głównych komponentów, aby ocenić zależność między głównymi składowymi a zmiennymi oryginalnymi.

Zidentyfikuj zmienne o wyższych wartościach obciążenia, ponieważ one znacząco przyczyniają się do zmian komponentów. Użyj tabeli Total Variance Explained, aby ocenić, ile wariancji uwzględnia każdy główny składnik. Zidentyfikuj główne składniki o dużych proporcjach wariancji, ponieważ zazwyczaj obejmują one większość zmienności danych.

Sprawdź wykres żwiru, aby określić, które komponenty zachować. Zlokalizuj punkt zwrotny i zachowaj wszystkie elementy po lewej stronie tego punktu. Jeśli wymagane są oceny głównych komponentów, przed rozpoczęciem analizy sprawdź Zapisz jako zmienne.

SPSS doda wyniki dla każdej próby jako nowe zmienne w zbiorze danych. Analiza głównych składników zidentyfikowała sześć głównych składników, które razem odpowiadały za 76,8% całkowitej wariancji. Model regresji logistycznej wykazał stabilną wydajność w trzech fazach walidacji, z wartościami AUC 0,71, 0,74 i 0,88, co dało średni AUC 0,77.

Dla porównania, model losowego lasu wykazywał większą zmienność, z wynikami AUC fałdowania 0,69, 0,52 i 0,83 oraz niższą średnią AUC 0,68. Model regresji logistycznej osiągnął 100% poprawne prognozy dla POChP oraz sześć z siedmiu poprawnych dla infekcji dróg oddechowych, co pokazuje macierz dezorientacji, co wskazuje na wysoką dokładność klasyfikacji. Model losowego lasu błędnie sklasyfikował jeden przypadek POChP i dwa zakażenia dróg oddechowych, co skutkowało niższą dokładnością klasyfikacji w porównaniu z modelem regresji logistycznej.

Na zbiorze danych testowych model regresji logistycznej wykazał doskonałe wyniki klasyfikacji, osiągając wartość AUC 0,95. Model losowego lasu wykazał niższą wydajność testową przy wartości AUC 0,76.