Artigo de método

Pesquisa de detecção de asma baseada em processamento de sinal de voz e aprendizado de máquina

DOI:

10.3791/67742

⸱

22 de julho de 2025

 ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1The College of Life Sciences, Beijing University of Chinese Medicine, 2Respiratory Department, Beijing University of Chinese Medicine Third Affiliated Hospital, 3Institute of Acoustics, Chinese Academy of Sciences, 4Otorhinolaryngology, Children's Hospital Affiliated to the Capital Institute of Pediatrics, 5Institute of information on traditional Chinese medicine, China Academy of Chinese Medical Sciences, 6Institute of Basic Theory for Chinese Medicine, China Academy of Chinese Medical Sciences

Neste artigo

Resumo

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

Este estudo empregou métodos de análise de sinal de voz e aprendizado de máquina, utilizando o MATLAB para extrair características de voz distintas para detecção precoce não invasiva da asma. Os algoritmos Support Vector Machine (SVM) e Random Forest (RF) demonstraram desempenho comparável em termos de precisão geral de classificação, embora o SVM possa alcançar um melhor equilíbrio entre sensibilidade e especificidade.

Resumo

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

Para analisar os sinais de voz e identificar pacientes com asma usando técnicas de análise de sinal de voz e aprendizado de máquina, coletamos sinais de voz de padrão fixo claros e de baixo ruído de 50 pacientes com asma e 50 controles saudáveis para construir um banco de dados de análise. A pesquisa realizou uma análise multidimensional do sinal de voz com base no MATLAB e selecionou indicadores de recursos de voz com diferenças significativas entre pacientes com asma e controles saudáveis. Após a análise de redução de dimensionalidade em características fonéticas diferenciais, as características processadas foram incorporadas em pesquisas subsequentes de modelagem e classificação de SVM e RF.

O estudo estabeleceu mais de 400 indicadores de características vocais relacionados ao diagnóstico, dos quais 20 indicadores mostraram diferenças significativas entre pacientes com asma e controles saudáveis (P < 0,01). No estudo de classificação, os modelos SVM e RF alcançaram taxas de precisão idênticas de 87% no conjunto de teste, com valores de AUC de 0,95 para SVM e 0,93 para RF. Isso demonstra seu desempenho comparável em termos de precisão geral da classificação, enquanto a disparidade nos valores da AUC sugere que o modelo SVM pode alcançar um melhor trade-off entre sensibilidade e especificidade. Assim, este artigo não apenas fornece um novo método para detecção precoce não invasiva da asma, mas também estabelece as bases para posterior aplicação e otimização desse método em ambientes do mundo real.

Introdução

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

De acordo com dados do estudo China Pulmonary Health (CPH), a prevalência de asma entre adultos chineses é de 4,2%, com médicos diagnosticando apenas 28,8% dos pacientes com asma e apenas 5,6% recebendo tratamento com corticosteróide inalatório1. Esses números indicam uma baixa taxa de diagnóstico e tratamento da asma na China, destacando a necessidade urgente de aumentar a conscientização e chamar a atenção para a asma entre o público e os profissionais de saúde. Os métodos diagnósticos atuais para asma são variados, incluindo história clínica e exame físico, teste de função pulmonar e medição fracionada de óxido nítrico exalado (FeNO), mas cada um tem suas limitações em graus variados 2,3,4. Além disso, o monitoramento regular da asma é crucial para o manejo da doença; O monitoramento sistemático dos sintomas e da função pulmonar pode efetivamente prevenir exacerbações da asma, melhorar a qualidade de vida do paciente e reduzir as visitas de emergência e hospitalizações 5,6. No entanto, na prática, esses métodos diagnósticos convencionais são muitas vezes impraticáveis para cuidados de rotina devido ao seu custo e complexidade.

Dadas as circunstâncias acima, o automonitoramento da asma pode desempenhar um papel significativo no controle da doença. Esse monitoramento precisa ser simples, conveniente e preciso. Nesse sentido, a voz oferece vantagens distintas. Pacientes com asma frequentemente apresentam diferenças notáveis nas características vocais, incluindo tempo máximo de fonação reduzido, distúrbios vocais (como rouquidão, rugosidade e fadiga vocal) e diferenças significativas na frequência fundamental e no tom em comparação com indivíduos saudáveis 7,8,9. Essas diferenças podem servir como um método potencial para a identificação e monitoramento da asma.

O aprendizado de máquina demonstrou um potencial significativo na detecção de asma usando dados de voz. Estudos mostraram que os sintomas da asma podem ser efetivamente detectados analisando os sons da tosse, sons da respiração e outras características acústicas relevantes dos pacientes. Essas técnicas, incluindo aprendizado profundo, redes neurais e outros modelos de aprendizado de máquina, são capazes de reconhecer padrões de voz característicos e alterações sonoras respiratórias em pacientes com asma 10,11,12,13,14,15.

Em comparação com a tosse e os sons respiratórios, a voz de padrão fixo (como a pronúncia dos números de 1 a 9) pode ser mais padronizada e controlável. Ele também facilita a extração de recursos, controla a qualidade da voz e é mais fácil para a coleta de dados em larga escala. A Support Vector Machine (SVM) demonstra forte capacidade de classificação ao lidar com dados de alta dimensão e amostras ruidosas, enquanto a Random Forest (RF), com sua excelente robustez, capacidade de lidar com relacionamentos não lineares e avaliação da importância do recurso, gerencia efetivamente dados complexos de recursos de voz 16,17,18,19,20.

Neste estudo, usamos gravações dos dígitos "123456789" falados em um ritmo normal e constante para extrair características vocais relacionadas à asma. Com base nessas características, construímos modelos de RF e SVM para detecção de asma. No futuro, esses modelos podem ser integrados a aplicativos móveis para permitir a identificação da asma e o monitoramento da progressão da doença, ajudando assim a prevenir exacerbações da asma.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

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

O Comitê de Ética da Universidade de Medicina Chinesa de Pequim e seu Terceiro Hospital Afiliado aprovaram este estudo. Todos os participantes assinaram o termo de consentimento livre e esclarecido antes de participar. De julho a agosto de 2024, recrutamos 50 pacientes do Departamento de Medicina Respiratória do Terceiro Hospital Afiliado da Universidade de Medicina Chinesa de Pequim. Ao mesmo tempo, inscrevemos 50 indivíduos saudáveis como controles.

1. Seleção dos participantes

  1. Defina os seguintes critérios de inclusão.
    1. Entre as amostras de áudio em que os alto-falantes pronunciaram os dígitos "123456789" em um ritmo normal e constante, selecione aquelas com baixo ruído de fundo e articulação clara.
    2. Certifique-se de que o grupo de asma tenha um diagnóstico confirmado de asma com base em critérios clínicos estabelecidos por um especialista respiratório, e o grupo de controle consiste em indivíduos saudáveis sem doenças respiratórias ou outras condições que possam afetar a qualidade da voz.
    3. Selecione participantes com idade entre 18 e 75 anos, com a proporção sexual mantida consistente entre os grupos.
    4. Obtenha o consentimento informado por escrito de todos os participantes do estudo.
  2. Defina os seguintes critérios de exclusão.
    1. Exclua participantes com doenças respiratórias crônicas, como doença pulmonar obstrutiva crônica (DPOC) ou doença pulmonar intersticial.
    2. Exclua participantes que sofreram infecções respiratórias agudas ou exacerbações da doença nas últimas 6 semanas.
    3. Exclua indivíduos com histórico de distúrbios vocais, como problemas nas cordas vocais ou laringite.
    4. Exclua participantes com distúrbios neurológicos que possam prejudicar a voz ou as funções cognitivas.
    5. Exclua indivíduos com deficiências auditivas significativas.
    6. Exclua os participantes que não aderiram ao protocolo do estudo ou forneceram amostras de áudio suficientes.
    7. Exclua indivíduos que não podem ou não querem fornecer consentimento informado.

2. Desenho do estudo

  1. Registre os participantes em uma sala de consulta isolada e silenciosa (ruído ambiente < 30 dB) em uma posição sentada natural e confortável, mantendo um estado relaxado (conforme mostrado na Figura 1).
  2. Peça ao pessoal (o pessoal de amostragem) que registra os participantes obtenha as informações básicas (altura, peso, idade, etc.) dos participantes registrados e verifique com o médico se o participante tinha diagnóstico de asma pura.
  3. Depois de coletar as informações básicas, peça ao pessoal de amostragem para ajustar o microfone do dispositivo de gravação a uma altura adequada, aproximadamente 20-30 cm dos lábios.
  4. Colete as gravações de áudio usando um gravador digital, com a taxa de amostragem uniformemente ajustada para 44.1 kHz. Calibre o dispositivo antes das sessões diárias de gravação, garantindo uma margem de erro dentro de ≤±1 dB.
  5. Oriente os participantes a ler em voz alta os números de 1 a 9 em sequência, mantendo a velocidade natural da voz e a articulação clara durante toda a gravação.
  6. Após a conclusão, salve o áudio em .wav formato.
  7. Remova segmentos de áudio anormais por meio da detecção de atividade de voz (VAD) combinada com a verificação manual. Inclua gravações que atendam ao critério de relação sinal-ruído (SNR) de >20 dB no estudo.

3. Construção de uma biblioteca de recursos de voz

NOTA: O banco de dados de indicadores de características de fala é uma coleção de várias características de fala usadas para analisar as diferenças de fala entre pacientes com asma e indivíduos saudáveis, apoiando a triagem e detecção precoce da asma. A estrutura metodológica específica para a construção do repositório de métricas de recursos de fala está detalhada na Tabela 1. Enquanto isso, o processo de construção do banco de dados de índice de recursos de voz para este estudo foi carregado no GitHub (https://github.com/Liteng811/speech-feature-index-database-construction). As etapas a seguir descreverão principalmente como baixar e executar o código do GitHub.

  1. Instale o MATLAB no computador a partir do site oficial do MathWorks, selecionando a versão apropriada para o sistema operacional. Verifique se o MATLAB está instalado corretamente iniciando o software MATLAB e digitando ver na janela de comando. Se instalado corretamente, as informações de versão do MATLAB são exibidas.
  2. Instale o Git a partir do site oficial do Git (https://git-scm.com/). Confirme a instalação bem-sucedida digitando o seguinte comando na linha de comando (Prompt de Comando para Windows, Terminal para Mac/Linux): git --version. Se instalado com êxito, as informações de versão do Git serão exibidas.
  3. Clone o repositório GitHub.
    1. Abra a ferramenta de linha de comando e use o seguinte comando para clonar o repositório na máquina local:
      https://github.com/Liteng811/voice-feature-index-database-construction.git de clone do git
      NOTA: Este comando fará o download do conteúdo do repositório GitHub para o diretório de trabalho atual e criará uma pasta chamada voice-feature-index-database-construction
    2. Para navegar até essa pasta para visualizar e gerenciar o código e os arquivos baixados, use o comando:
      cd voice-feature-index-database-construction.
  4. Configure o ambiente MATLAB.
    1. Inicie o software MATLAB.
    2. No MATLAB, clique no botão Definir caminho na guia Início e selecione Adicionar pasta. Escolha a pasta voice-feature-index-database-construction que acabou de ser clonada e clique em Salvar. Isso permitirá que o MATLAB reconheça e execute todos os arquivos de script nessa pasta.
    3. Na janela Pasta atual do MATLAB, localize a pasta voice-feature-index-database-construction e clique duas vezes no arquivo voiceH6_batch_3_stage_WAV_tt.m para abri-lo. Este arquivo é o script de processamento principal.
  5. Configure e prepare dados.
    1. O código no repositório requer arquivos de áudio como entrada. Certifique-se de que os arquivos de áudio estejam no formato .wav ou .pcm .
    2. Os caminhos de arquivo para os arquivos de áudio são codificados no código do repositório (ou seja, eles são gravados diretamente no código). Modifique os caminhos de acordo com a localização dos arquivos locais.
  6. Execute o código.
    1. Depois de abrir o arquivo voiceH6_batch_3_stage_WAV_tt.m , clique no botão Executar ou digite o nome do arquivo na janela de comando para executar o script:
      voiceH6_batch_3_stage_WAV_tt.
    2. O script requer interação do usuário. O MATLAB exibirá uma interface gráfica para solicitar que o usuário selecione o arquivo ou pasta de áudio correspondente. Certifique-se de selecionar corretamente o arquivo ou pasta de áudio a ser processado conforme solicitado.
    3. Em caso de problemas com o congelamento da interface gráfica ou não exibição ao executar o script no MATLAB, verifique se há possíveis problemas de compatibilidade de versão do MATLAB ou certifique-se de que os drivers gráficos do sistema operacional estejam funcionando corretamente.
  7. Produza os resultados. Após a execução, procure um arquivo de saída .txt no qual o script gravará os resultados da extração de recursos. O arquivo de saída salvará informações como os resultados do reconhecimento de recursos de áudio.

4. Análise dos dados

NOTA: Após obter o banco de dados de indicadores de recursos de voz, realize análises estatísticas sobre os dados. O referencial metodológico específico para análise dos dados está detalhado na Tabela 2. Os procedimentos operacionais específicos são detalhados abaixo.

  1. Testes de normalidade e homogeneidade de variância
    NOTA: Foram realizados testes de normalidade e homogeneidade de variância nos indicadores de características vocais para determinar os métodos de análise estatística apropriados. Se todos os grupos de indicadores atendessem aos pressupostos de normalidade e homogeneidade da variância, o teste t de amostras independentes foi usado. Caso contrário, foi aplicado o teste U de Mann-Whitney.
    1. Abra o software estatístico, clique em Arquivo | Aberto | Dados e selecione o arquivo de dados. Certifique-se de que as variáveis sejam categorizadas e exibidas corretamente na visualização de dados.
    2. Navegue até Analisar | Estatística Descritiva | Explorar.
    3. Na caixa de diálogo, mova as variáveis a serem testadas para o campo Lista de dependentes .
    4. Clique no botão Plotagens no canto superior direito da janela. Na caixa de diálogo, selecione Gráficos de normalidade com testes e clique em Continuar.
    5. Retorne à janela principal e clique em OK para realizar o teste de normalidade.
    6. Na janela de saída , localize a tabela Testes de Normalidade. Concentre-se nos valores de significância (Sig.) do teste de Kolmogorov-Smirnov (teste K-S) e Shapiro-Wilk (teste S-W). Se Sig. > 0,05, os dados seguem uma distribuição normal ; se Sig. ≤ 0,05, os dados não seguem uma distribuição normal.
    7. Navegue até Analisar | Comparar Médias | ANOVA unidirecional.
    8. Na caixa de diálogo, mova a variável dependente para o campo Lista de dependentes e a variável de agrupamento (variável categórica) para o campo Fator .
    9. Clique no botão Opções no lado direito da caixa de diálogo. Selecione Teste de homogeneidade de variância e clique em Continuar.
    10. Retorne à janela principal e clique em OK para executar o teste de homogeneidade de variância.
    11. Na janela de saída , localize a tabela Teste de Homogeneidade de Variâncias. Concentre-se no valor de significância (Sig.) da Estatística de Levene. Se Sig. > 0,05, a homogeneidade da suposição de variância é atendida; se Sig. ≤ 0,05, a homogeneidade da suposição de variância é violada.
  2. Teste U de Mann-Whitney
    NOTA: Como os indicadores deste estudo não atenderam simultaneamente aos pressupostos de normalidade e homogeneidade de variância, foi aplicado o teste U de Mann-Whitney para comparar as diferenças nos indicadores de sinal de voz entre o grupo asma e o grupo controle saudável.
    1. Navegue até Analisar | Testes não paramétricos | Caixas de diálogo herdadas | 2 amostras independentes.
    2. Na caixa de diálogo, mova a variável contínua (variável dependente) para o campo Lista de Variáveis de Teste e a variável de agrupamento (variável categórica) para o campo Variável de Agrupamento .
    3. Clique em Definir grupos, insira as duas categorias da variável de agrupamento (por exemplo, "1" e "2") e clique em Continuar.
    4. Na janela principal , selecione Mann-Whitney U. Certifique-se de que Exato esteja desmarcado (selecione esta opção para tamanhos de amostra pequenos para melhorar a precisão). Clique em Opções, selecione Descritivo e clique em Continuar.
    5. Retorne à janela principal e clique em OK para realizar o teste U de Mann-Whitney.
    6. Na janela de saída , localize a tabela Estatísticas de teste: o valor U de Mann-Whitney representa a estatística de teste. O valor Asymp. Sig. (2-caudal) representa o valor p. Se p > 0,05, não existe diferença significativa entre os grupos; se p ≤ 0,05, existe uma diferença significativa entre os grupos.
    7. Para identificar qual grupo tem valores de medição mais altos, verifique a tabela Classificações, que exibe as classificações médias e os tamanhos de amostra para cada grupo.
  3. Análise de componentes principais (PCA)
    NOTA: Após a identificação dos indicadores diferenciais, realizamos a ACP para análise posterior dos dados. O PCA é uma técnica de redução de dimensionalidade que transforma os dados originais em alguns componentes principais para extrair recursos importantes e simplificar a análise. Antes do PCA, o software estatístico padronizava automaticamente os dados para eliminar os efeitos dimensionais.
    1. Navegue até Analisar | Redução de dimensão | Fator.
    2. Na caixa de diálogo, mova todas as variáveis a serem analisadas para o campo Variáveis .
    3. Clique no botão Descritivos e selecione KMO e teste de esfericidade de Bartlett para verificar se os dados são adequados para PCA. Clique em Continuar.
    4. Na guia Extração , defina Método como Componentes principais, selecione Plotagem de scree para determinar o número de componentes principais e defina Extrair como Valores próprios maiores que 1. Clique em Continuar.
    5. Na guia Rotação , selecione Nenhum. Clique em Continuar.
    6. Na guia Pontuações , selecione Salvar como variáveis para salvar as pontuações do componente principal no conjunto de dados.
    7. Retorne à janela principal e clique em OK para executar o PCA.
    8. KMO e teste de Bartlett: Um valor KMO ≥ 0,6 indica que os dados são adequados para PCA. Um teste de esfericidade de Bartlett Sig. valor < 0,05 indica correlações significativas entre as variáveis, tornando os dados adequados para ACP.
    9. Variância total explicada: Revise os autovalores e a variância explicados por cada componente principal. Uma taxa de explicação de variância cumulativa de 70% a 85% é ideal.
    10. Use o gráfico de scree para determinar o número de componentes principais, normalmente selecionando componentes antes do ponto de inflexão.
    11. Matriz de componentes ou matriz de componentes girados: verifique os coeficientes de carga das variáveis em cada componente principal. Coeficientes > 0,5 são considerados contribuições significativas.

5. Construção dos modelos SVM e RF

NOTA: A estrutura metodológica específica para a construção de modelos SVM e RF está detalhada na Tabela 3. Carregamos os modelos SVM e RF para detecção de asma construídos neste estudo no GitHub (https://github.com/Liteng811/Asthma-Detection). A seguir, descreveremos principalmente como baixar e executar o código do GitHub.

  1. Clone o repositório GitHub.
    1. Abra a ferramenta de linha de comando e use o seguinte comando para clonar o repositório na máquina local:
      https://github.com/Liteng811/Asthma-Detection.git do clone do git
      NOTA: Este comando fará o download do conteúdo do repositório GitHub para o diretório de trabalho atual e criará uma pasta chamada Asthma-Detection.
  2. Instale as bibliotecas Python, PyCharm e Required Python.
    1. Instale o Python na máquina a partir do site oficial do Python (https://www.python.org/).
    2. Depois de instalar o Python, instale as bibliotecas Python necessárias usando o seguinte comando: pip install -r requirements.txt.
    3. Se não houver requirements.txt arquivo, instale as bibliotecas usadas neste estudo com o seguinte comando:
      pip install numpy pandas scikit-learn matplotlib
    4. Certifique-se de instalar o PyCharm a partir do site oficial do PyCharm (https://www.jetbrains.com/pycharm/).
  3. Visualize os arquivos no repositório.
    1. No repositório, localize os arquivos de script principais (SVM.py, RF.py).
    2. Use um editor de texto ou PyCharm para abrir esses arquivos Python e revisar seu conteúdo e estrutura.
  4. Configure o conjunto de dados.
    1. O código no repositório requer arquivos de dados. Verifique se os arquivos de dados foram preparados e se seu formato corresponde aos requisitos do código (.xlsx).
    2. Existem caminhos de arquivo codificados no código. Modifique os caminhos com base na localização real dos arquivos, ou seja, substitua os caminhos no código (por exemplo, C:\Users\1\Desktop\pca-result.xlsx) pelos caminhos de arquivo reais no sistema.
  5. Execute o código.
    1. Depois de encontrar o script principal, use o seguinte comando na linha de comando para executar o código (usando SVM.py como exemplo). Se o script principal for RF.py, execute o script correspondente.
      Python SVM.py.
    2. Ao executar o código, alterne para o diretório de trabalho correto ou especifique o script usando seu caminho completo na linha de comando. Por exemplo, se estiver executando python SVM.py na linha de comando, alterne para o diretório que contém SVM.py ou use o caminho absoluto:
      python C:/caminho/para/seu/repositório/SVM.py.
    3. Durante a execução, o código carregará os dados, treinará os modelos de aprendizado de máquina (SVM ou RF) e produzirá resultados como precisão, matriz de confusão e curva ROC.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

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

Conclusão da construção do banco de dados de índice de recursos de voz

Este estudo extraiu com sucesso 467 métricas de recursos de voz por meio de uma análise multinível de sinais de voz. Consulte a URL do GitHub acima para 467 indicadores de recursos de voz. Os métodos analíticos empregados incluem análise no domínio do tempo, análise no domínio da frequência, extração do MFCC e a transformação de recursos com base nos padrões de diagnóstico da Medicina Tradicional Chinesa. E...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

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

Este estudo explora métodos não invasivos de detecção de asma usando análise de sinal de voz e técnicas de aprendizado de máquina. Ao coletar dados de voz de 50 pacientes com asma e 50 controles saudáveis, este estudo construiu modelos usando algoritmos SVM e RF16 , 17 , 18 , 19 , 20 . Ambos os modelos demonstraram desempenho ...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

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

Os autores não têm conflitos de interesse a declarar.

Agradecimentos

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

Este estudo foi apoiado pelo Projeto do Fundo de Ciências da Juventude da Fundação Nacional de Ciências Naturais da China (Número de Aprovação do Projeto: 82104739) e pelo Programa de Pesquisa Científica da Administração Provincial de Medicina Tradicional Chinesa de Hebei (Número do Projeto: B2025032). Os autores gostariam de agradecer a todos os professores e alunos que prestaram assistência durante o experimento.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
DeviceSupplierModel/VersionBrand
Digital GravadorZOOM Audio StoreH6ZOOM
Site oficial do GitHub2.47.1.2Git
Matlabhttps://www.mathworks.com/R2024bMathWorks
Site oficialPycharm2024.1Site oficial do JetBrains
Python3.12Python
do

Referências

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Huang, K., et al. risk factors, and management of asthma in China: a national cross-sectional study. Lancet. 394 (10196), 407-418 (2019).
  2. McCormack, M. C., Enright, P. L. Making the diagnosis of asthma. Respir Care. 53 (5), discussion 590-2 583-590 (2008).
  3. Backer, V., et al. Diagnostic work-up in patients with possible asthma referred to a university hospital. Eur Clin RespirJ. 2, (2015).
  4. Fortuna, A. M., Feixas, T., González, M., Casan, P. Diagnostic utility of inflammatory biomarkers in asthma: exhaled nitric oxide and induced sputum eosinophil count. Respir Med. 101 (11), 2416-2421 (2007).
  5. Gibson, P. G. Monitoring the patient with asthma: an evidence-based approach. Allergy Clin Immunol. 106 (1 Pt 1), 17-26 (2000).
  6. Gibson, P. G., et al. Self-management education and regular practitioner review for adults with asthma. Cochrane Database Syst Rev. (1), CD001117(2003).
  7. Dogan, M., Eryuksel, E., Kocak, I., Celikel, T., Sehitoglu, M. A. Subjective and objective evaluation of voice quality in patients with asthma. J Voice. 21 (2), 224-230 (2007).
  8. Ihre, E., Zetterström, O., Ihre, E. B. Voice problems as side effects of inhaled corticosteroids in asthma patients--a prevalence study. J Voice. 18 (3), 403-414 (2004).
  9. Analysis of acoustic features for voice sound based classification of asthmatic and healthy subjects. Yadav, S., Keerthana, M., Gope, D., Uma, M. K., Ghosh, P. K. ICASSP 2020-2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Barcelona, Spain, , 6789-6793 (2020).
  10. 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).
  11. Rogers, H. P., et al. Voice as a biomarker of pediatric health: A scoping review. Children (Basel). 11 (6), 684(2024).
  12. MeLoDicA AI - machine learning based detection of asthma via vocal audio analysis. Looi, Z. Q., Ng, Z. H., Yak, R. X., Rosen, O., Kumar, A. 2024 IEEE Conference on Artificial Intelligence (CAI), , 905-910 (2024).
  13. Barua, P. D., et al. Automated asthma detection in a 1326-subject cohort using a one-dimensional attractive-and-repulsive center-symmetric local binary pattern technique with cough sounds. Neural Comput & Applic. 36, 16857-16871 (2024).
  14. Iqbal, M. D. A., Krishnamoorthy, D., Musthak, S. A. Real time detection and forecasting technique for asthma disease using voice signal and DENN classifier. Biomedical Signal Processing and Control. 76, 103637(2022).
  15. Wu, Y., et al. Ubi-Asthma: Toward ubiquitous asthma detection using the Smartwatch. IEEE Internet of Things Journal. 10 (13), 11576-11587 (2023).
  16. Schölkopf, B., Smola, A. J. Support vector machines. Encyclopedia of Biostatistics. , 978-047197762 (1998).
  17. Burges, C. J. C. A tutorial on support vector machines for pattern recognition. Data Mining and Knowledge Discovery. 2 (2), 121-167 (1998).
  18. Liaw, A., Wiener, M. Random Forest: Classification and Regression. R News. 2 (3), 18-22 (2002).
  19. Cutler, D. R., et al. Random forests for classification in ecology. Ecology. 88 (11), 2783-2792 (2007).
  20. Breiman, L. Random forests. Machine Learning. 45 (1), 5-32 (2001).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

Asthma DetectionVoice Signal ProcessingMachine LearningVoice Feature AnalysisSupport Vector MachineRandom ForestAcoustic SensorsMATLAB AnalysisROC CurveNon Invasive Diagnosis

Artigos relacionados