Методическая статья

Исследования в области выявления астмы на основе обработки голосовых сигналов и машинного обучения

DOI:

10.3791/67742

⸱

22 июля 2025 г.

 ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
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

В этой статье

Краткое содержание

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

В этом исследовании использовались методы анализа голосового сигнала и машинного обучения с использованием MATLAB для выделения отличительных черт голоса для неинвазивного раннего выявления астмы. Алгоритмы Support Vector Machine (SVM) и Random Forest (RF) продемонстрировали сопоставимую производительность с точки зрения общей точности классификации, хотя SVM может достичь лучшего баланса между чувствительностью и специфичностью.

Аннотация

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

Для анализа голосовых сигналов и выявления пациентов с астмой с помощью анализа голосовых сигналов и методов машинного обучения мы собрали четкие голосовые сигналы с фиксированным характером с низким уровнем шума от 50 пациентов с астмой и 50 здоровых контрольных групп для создания аналитической базы данных. В ходе исследования был проведен многомерный анализ голосового сигнала на основе MATLAB и выбранных показателей голосовых характеристик со значительными различиями между пациентами с астмой и здоровыми контрольными группами. После анализа уменьшения размерности дифференциальных фонетических признаков, обработанные признаки были включены в последующие исследования по моделированию и классификации SVM и RF.

В ходе исследования было установлено более 400 показателей голосовых функций, связанных с диагнозом, из которых 20 показателей показали значимые различия между пациентами с астмой и здоровыми контрольными группами (P < 0,01). В классификационном исследовании обе модели SVM и RF достигли одинаковых показателей точности 87% на тестовом наборе, при этом значения AUC составили 0,95 для SVM и 0,93 для RF. Это демонстрирует их сопоставимую производительность с точки зрения общей точности классификации, в то время как несоответствие значений AUC предполагает, что модель SVM может достичь лучшего компромисса между чувствительностью и специфичностью. Таким образом, данная статья не только предлагает новый метод неинвазивного раннего выявления астмы, но и закладывает основу для дальнейшего применения и оптимизации этого метода в реальных условиях.

Введение

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

Согласно данным исследования China Pulmonary Health (CPH), распространенность астмы среди взрослых китайцев составляет 4,2%, при этом врачи диагностируют только 28,8% пациентов с астмой, и только 5,6%получают лечение ингаляционными кортикостероидами. Эти цифры указывают на низкий уровень диагностики и лечения астмы в Китае, подчеркивая настоятельную необходимость повышения осведомленности и привлечения внимания к астме среди населения и медицинских работников. Современные методы диагностики астмы разнообразны, включая клинический анамнез и физикальное обследование, исследование функции легких и измерение фракционного оксида азота в выдыхаемом воздухе (FeNO), но каждый из них имеет свои ограничения в разной степени 2,3,4. Кроме того, регулярный мониторинг астмы имеет решающее значение для лечения заболевания; Систематический мониторинг симптомов и функции легких может эффективно предотвращать обострения астмы, улучшать качество жизни пациента и сокращать количество посещений неотложной помощи и госпитализаций 5,6. Однако на практике эти традиционные методы диагностики часто непрактичны для оказания рутинной помощи из-за их стоимости и сложности.

Учитывая вышеуказанные обстоятельства, самоконтроль астмы может играть значительную роль в контроле заболевания. Такой мониторинг должен быть простым, удобным и точным. В этом отношении голос имеет явные преимущества. Пациенты с астмой часто демонстрируют заметные различия в характеристиках голоса, включая уменьшенное максимальное время фонации, нарушения голоса (такие как охриплость, шероховатость и усталость голоса) и значительные различия в основной частоте и высоте голоса по сравнению со здоровыми людьми 7,8,9. Эти различия могут служить потенциальным методом выявления и мониторинга астмы.

Машинное обучение продемонстрировало значительный потенциал в выявлении астмы с помощью голосовых данных. Исследования показали, что симптомы астмы могут быть эффективно обнаружены путем анализа звуков кашля пациентов, звуков дыхания и других соответствующих акустических особенностей. Эти методы, включая глубокое обучение, нейронные сети и другие модели машинного обучения, способны распознавать характерные голосовые паттерны и изменения дыхательных звуков у пациентов с астмой 10,11,12,13,14,15.

По сравнению со звуками кашля и дыхания, голос с фиксированной моделью (например, произношение цифр от 1 до 9) может быть более стандартизированным и контролируемым. Он также облегчает извлечение признаков, контролирует качество голоса и упрощает сбор больших объемов данных. Метод опорных векторов (SVM) демонстрирует сильную способность к классификации при работе с многомерными данными и зашумленными выборками, в то время как Random Forest (RF), благодаря своей превосходной надежности, способности обрабатывать нелинейные отношения и оценке важности признаков, эффективно управляет сложными данными голосовых признаков 16,17,18,19,20.

В этом исследовании мы использовали записи цифр «123456789», произносимых в нормальном и стабильном темпе, чтобы извлечь голосовые особенности, связанные с астмой. На основе этих особенностей мы построили RF и SVM модели для выявления астмы. В будущем эти модели потенциально могут быть интегрированы в мобильные приложения, чтобы обеспечить идентификацию астмы и мониторинг прогрессирования заболевания, тем самым помогая предотвратить обострения астмы.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

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

Комитет по этике Пекинского университета китайской медицины и его Третья аффилированная больница одобрили это исследование. Перед началом участия все участники подписали письменное информированное согласие. С июля по август 2024 года мы набрали 50 пациентов из отделения респираторной медицины Третьей аффилированной больницы Пекинского университета китайской медицины. При этом в контрольную группу было включено 50 здоровых особей.

1. Отбор участников

  1. Задайте следующие критерии включения.
    1. Среди звуковых сэмплов, где говорящие произносят цифры «123456789» в нормальном и равномерном темпе, выберите те, которые имеют низкий уровень фонового шума и четкую артикуляцию.
    2. Убедитесь, что группа астмы имеет подтвержденный диагноз астмы, основанный на клинических критериях, установленных специалистом по респираторным заболеваниям, а контрольная группа состоит из здоровых людей без респираторных заболеваний или других состояний, которые могут повлиять на качество голоса.
    3. Отобраны участники в возрасте 18-75 лет, соотношение полов между группами сохранялось постоянным.
    4. Получите письменное информированное согласие всех участников на проведение исследования.
  2. Задайте следующие критерии исключения.
    1. Исключите участников с хроническими респираторными заболеваниями, такими как хроническая обструктивная болезнь легких (ХОБЛ) или интерстициальное заболевание легких.
    2. Исключите участников, перенесших острые респираторные инфекции или обострения заболевания в течение последних 6 недель.
    3. Исключите лиц с нарушениями голоса в анамнезе, такими как проблемы с голосовыми связками или ларингит.
    4. Исключите участников с неврологическими расстройствами, которые могут ухудшить голос или когнитивные функции.
    5. Исключите лиц со значительными нарушениями слуха.
    6. Исключите участников, которые не придерживались протокола исследования или не предоставили достаточное количество аудиообразцов.
    7. Исключите лиц, которые не могут или не хотят дать информированное согласие.

2. Дизайн исследования

  1. Запишите участников в изолированной, тихой комнате для консультаций (окружающий шум < 30 дБ) в естественном, удобном сидячем положении, сохраняя расслабленное состояние (как показано на рисунке 1).
  2. Попросите персонал (персонал, ответственный за отбор проб) регистрировать участников и получить основную информацию (рост, вес, возраст и т.д.) о зарегистрированных участниках и уточнить у врача, был ли у участника диагноз «чистая астма».
  3. После сбора основной информации попросите персонал, ответственный за выборку, отрегулировать микрофон записывающего устройства на подходящую высоту, примерно в 20-30 см от губ.
  4. Соберите аудиозаписи с помощью цифрового рекордера с равномерно установленной частотой дискретизации 44,1 кГц. Откалибруйте устройство перед ежедневными сеансами записи, обеспечив погрешность в пределах ≤±1 дБ.
  5. Помогите участникам прочитать вслух числа от 1 до 9 в последовательности, сохраняя естественную скорость голоса и четкую артикуляцию на протяжении всей записи.
  6. По завершении сохраните аудио в формате .wav.
  7. Удаляйте аномальные звуковые сегменты с помощью распознавания голосовой активности (VAD) в сочетании с ручной проверкой. Включите в исследование записи, отвечающие критерию отношения сигнал/шум (SNR) в >20 дБ.

3. Построение библиотеки голосовых функций

ПРИМЕЧАНИЕ: База данных индикаторов речевых характеристик представляет собой коллекцию различных речевых характеристик, используемых для анализа различий в речи между больными астмой и здоровыми людьми, способствуя раннему скринингу и выявлению астмы. Конкретная методологическая основа для построения репозитория метрик речевых функций подробно описана в таблице 1. Между тем, процесс создания базы данных индекса голосовых функций для этого исследования был загружен на GitHub (https://github.com/Liteng811/speech-feature-index-database-construction). В следующих шагах в первую очередь описывается, как скачать и запустить код с GitHub.

  1. Установите MATLAB на компьютер с официального сайта MathWorks, выбрав подходящую версию для операционной системы. Проверьте, правильно ли установлен MATLAB, запустив программное обеспечение MATLAB и набрав ver в командном окне. При правильной установке отображается информация о версии MATLAB.
  2. Установите Git с официального сайта Git (https://git-scm.com/). Подтвердите успешную установку, введя в командную строку следующую команду (Командная строка для Windows, Терминал для Mac/Linux): git --version. В случае успешной установки появится информация о версии Git.
  3. Клонируйте репозиторий GitHub.
    1. Откройте средство командной строки и используйте следующую команду для клонирования репозитория на локальный компьютер:
      git clone https://github.com/Liteng811/voice-feature-index-database-construction.git
      ПРИМЕЧАНИЕ: Эта команда загрузит содержимое репозитория GitHub в текущий рабочий каталог и создаст папку с именем voice-feature-index-database-construction
    2. Чтобы перейти в эту папку для просмотра загруженного кода и файлов и управления ими, используйте команду:
      cd voice-feature-index-database-construction.
  4. Настройте среду MATLAB.
    1. Запустите программное обеспечение MATLAB.
    2. В MATLAB нажмите кнопку «Задать путь » на вкладке « Главная » и выберите «Добавить папку». Выберите папку voice-feature-index-database-construction, которая была только что клонирована, и нажмите «Сохранить». Это позволит MATLAB распознавать и выполнять все файлы скриптов в этой папке.
    3. В окне текущей папки MATLAB найдите папку voice-feature-index-database-construction и дважды щелкните файл voiceH6_batch_3_stage_WAV_tt.m , чтобы открыть его. Этот файл является основным скриптом обработки.
  5. Настройка и подготовка данных.
    1. Код в репозитории требует аудиофайлов в качестве входных данных. Убедитесь, что аудиофайлы представлены в формате .wav или .pcm .
    2. Пути к аудиофайлам жестко закодированы в коде репозитория (т.е. они напрямую прописаны в коде). Измените пути в соответствии с расположением локальных файлов.
  6. Запустите код.
    1. Открыв файл voiceH6_batch_3_stage_WAV_tt.m , нажмите кнопку «Выполнить » или введите имя файла в командном окне для выполнения скрипта:
      voiceH6_batch_3_stage_WAV_tt.
    2. Скрипт требует взаимодействия с пользователем. MATLAB отобразит всплывающее окно графического интерфейса, чтобы предложить пользователю выбрать соответствующий аудиофайл или папку. Убедитесь, что вы правильно выбрали аудиофайл или папку для обработки в соответствии с запросом.
    3. В случае возникновения проблем с зависанием или неотображением графического интерфейса при запуске скрипта в MATLAB, проверьте наличие потенциальных проблем с совместимостью версий MATLAB или убедитесь, что графические драйверы операционной системы работают корректно.
  7. Выведите результаты. После запуска найдите .txt выходной файл, в который скрипт будет записывать результаты извлечения признаков. В выходном файле будет сохранена такая информация, как результаты распознавания звуковых функций.

4. Анализ данных

ПРИМЕЧАНИЕ: После получения базы данных индикаторов голосовых характеристик проведите статистический анализ данных. Конкретная методологическая основа для анализа данных подробно изложена в таблице 2. Конкретные операционные процедуры подробно описаны ниже.

  1. Тесты на нормальность и однородность дисперсии
    ПРИМЕЧАНИЕ: Мы провели тесты на нормальность и однородность дисперсии по показателям голосовых характеристик, чтобы определить подходящие методы статистического анализа. Если все группы показателей удовлетворяли как нормальности, так и однородности дисперсионных предположений, использовался t-критерий независимых выборок. В противном случае мы применили U-тест Манна-Уитни.
    1. Откройте статистическую программу, нажмите Файл | Открыть | Данные и выберите файл данных. Убедитесь, что переменные правильно классифицированы и отображаются в представлении данных.
    2. Перейти к Анализу | Описательная статистика | Исследуйте.
    3. В диалоговом окне переместите переменные, которые необходимо проверить, в поле Зависимый список .
    4. Нажмите кнопку Графики в правом верхнем углу окна. В диалоговом окне выберите Графики нормальности с тестами и нажмите кнопку Продолжить.
    5. Вернитесь в главное окно и нажмите OK , чтобы выполнить тест на нормальность.
    6. В окне вывода найдите таблицу «Тесты нормальности». Сосредоточьтесь на значениях значимости (Sig.) критерия Колмогорова-Смирнова (критерий K-S) и Шапиро-Вилка (критерий S-W). Если Sig. > 0,05, данные имеют нормальное распределение; если Sig. ≤ 0,05, то данные не следуют нормальному распределению.
    7. Перейти к Анализу | Сравнение средних значений | Односторонняя ANOVA.
    8. В диалоговом окне переместите зависимую переменную в поле Список зависимых , а группирующую переменную (категориальную переменную) — в поле Фактор .
    9. Нажмите кнопку «Параметры » в правой части диалогового окна. Выберите Тест на однородность дисперсии и нажмите Продолжить.
    10. Вернитесь в главное окно и нажмите OK , чтобы выполнить тест на однородность дисперсии.
    11. В окне вывода найдите таблицу «Тест однородности отклонений». Сосредоточьтесь на значении значимости (Sig.) статистики Левина. Если Sig. > 0,05, то выполняется предположение об однородности дисперсии; если Sig. ≤ 0,05, то однородность дисперсионного предположения нарушается.
  2. U-тест Манна-Уитни
    Примечание: Поскольку показатели в этом исследовании не соответствовали одновременно предположениям о нормальности и однородности дисперсии, мы применили U-тест Манна-Уитни для сравнения различий в показателях характеристик голосового сигнала между группой астмы и здоровой контрольной группой.
    1. Перейти к Анализу | Непараметрические испытания | Устаревшие диалоговые окна | 2 Независимые выборки.
    2. В диалоговом окне переместите непрерывную переменную (зависимую переменную) в поле Список тестовых переменных , а группирующую переменную (категориальную переменную) — в поле Группирующая переменная .
    3. Нажмите кнопку Определить группы, введите две категории группирующей переменной (например, "1" и "2") и нажмите кнопку Продолжить.
    4. В главном окне выберите Mann-Whitney U. Убедитесь, что флажок «Точный » снят (выберите этот параметр для небольших размеров выборки для повышения точности). Нажмите кнопку Параметры, выберите Описательный, а затем нажмите кнопку Продолжить.
    5. Вернитесь в главное окно и нажмите OK, чтобы выполнить U-тест Манна-Уитни.
    6. В окне вывода найдите таблицу «Статистика тестирования»: значение Манна-Уитни U представляет статистику теста. Значение Asymp. Sig. (2-tailed) представляет p-значение. Если p > 0,05, то существенной разницы между группами не существует; Если p ≤ 0,05, то между группами существует существенная разница.
    7. Чтобы определить, какая группа имеет более высокие значения измерений, проверьте таблицу Ранги, в которой отображаются средние ранги и размеры выборки для каждой группы.
  3. Анализ главных компонент (PCA)
    ПРИМЕЧАНИЕ: После определения дифференциальных показателей мы провели PCA для дальнейшего анализа данных. PCA — это метод уменьшения размерности, который преобразует исходные данные в несколько основных компонентов для извлечения важных особенностей и упрощения анализа. До появления PCA статистическое программное обеспечение автоматически стандартизировало данные, чтобы исключить размерные эффекты.
    1. Перейти к Анализу | Уменьшение размеров | Фактор.
    2. В диалоговом окне переместите все анализируемые переменные в поле Переменные .
    3. Нажмите кнопку Описательные и выберите KMO и тест сферичности Бартлетта , чтобы проверить, подходят ли данные для PCA. Нажмите «Продолжить».
    4. На вкладке Извлечение задайте для параметра Метод значение Главные компоненты, выберите График осыпи , чтобы определить количество главных компонентов, и установите для параметра Извлечь значение Собственные значения больше 1. Нажмите «Продолжить».
    5. На вкладке Поворот выберите Нет. Нажмите «Продолжить».
    6. На вкладке Оценки выберите Сохранить как переменные , чтобы сохранить оценки основного компонента в наборе данных.
    7. Вернитесь в главное окно и нажмите OK , чтобы выполнить PCA.
    8. KMO и тест Бартлетта: значение KMO ≥ 0,6 указывает на то, что данные подходят для PCA. Критерий Бартлетта на уровень сферичности < 0,05 указывает на значительные корреляции между переменными, что делает данные пригодными для PCA.
    9. Объяснение общей дисперсии: Просмотрите собственные значения и дисперсию, объясняемые каждым главным компонентом. Идеальным является коэффициент объяснения совокупной дисперсии в 70%-85%.
    10. Используйте диаграмму осыпи для определения числа главных компонентов, обычно выбирая компоненты до точки перегиба.
    11. Component Matrix или Rotated Component Matrix: Проверьте коэффициенты нагрузки переменных на каждом главном компоненте. Существенным вкладом считаются коэффициенты > 0,5.

5. Построение моделей СВМ и РЧ

ПРИМЕЧАНИЕ: Конкретная методологическая основа для построения SVM и RF моделей подробно описана в таблице 3. Мы загрузили SVM и RF модели для выявления астмы, построенные в этом исследовании, на GitHub (https://github.com/Liteng811/Asthma-Detection). Ниже в первую очередь описывается, как скачать и запустить код с GitHub.

  1. Клонируйте репозиторий GitHub.
    1. Откройте средство командной строки и используйте следующую команду для клонирования репозитория на локальный компьютер:
      git clone https://github.com/Liteng811/Asthma-Detection.git
      ПРИМЕЧАНИЕ: Эта команда загрузит содержимое репозитория GitHub в текущий рабочий каталог и создаст папку с именем Asthma-Detection.
  2. Установите библиотеки Python, PyCharm и Required Python.
    1. Установите Python на машину с официального сайта Python (https://www.python.org/).
    2. После установки Python установите необходимые библиотеки Python с помощью следующей команды: pip install -r requirements.txt.
    3. Если файла requirements.txt нет, установите библиотеки, используемые в этом исследовании, с помощью следующей команды:
      pip install numpy pandas scikit-learn matplotlib
    4. Обязательно установите PyCharm с официального сайта PyCharm (https://www.jetbrains.com/pycharm/).
  3. Просмотр файлов в репозитории.
    1. В репозитории найдите основные файлы скриптов (SVM.py, RF.py).
    2. Используйте текстовый редактор или PyCharm, чтобы открыть эти файлы Python и просмотреть их содержимое и структуру.
  4. Настройте набор данных.
    1. Для кода в репозитории требуются файлы данных. Убедитесь, что файлы данных подготовлены, и что их формат соответствует требованиям кода (.xlsx).
    2. В коде есть жестко заданные пути к файлам. Измените пути в зависимости от фактического расположения файлов, то есть замените пути в коде ( например, C:\Users\1\Desktop\pca-result.xlsx) фактическими путями к файлам в системе.
  5. Запустите код.
    1. Найдя основной скрипт, используйте следующую команду в командной строке для запуска кода (на примере SVM.py ). Если основной скрипт RF.py, запустите соответствующий скрипт.
      Python SVM.py.
    2. При выполнении кода переключитесь на правильную рабочую директорию, либо укажите скрипт, используя его полный путь в командной строке. Например, если вы запускаете python SVM.py в командной строке, либо переключитесь на директорию, содержащую SVM.py, либо используйте абсолютный путь:
      python C:/путь/к/вашему/репозиторию/SVM.py.
    3. Во время выполнения код будет загружать данные, обучать модели машинного обучения (SVM или RF) и выводить результаты, такие как точность, матрица неточностей и кривая ROC.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

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

Завершение построения базы данных индекса голосовых характеристик

В этом исследовании было успешно извлечено 467 показателей голосовых характеристик с помощью многоуровневого анализа голосовых сигналов. В приведенном выше URL-адресе GitHub приведены индикаторы голосовых функций 467. Используемые аналитические методы включают анализ во временной области, анализ в частотной области, экстракцию MFCC и преобразование признаков на основе диагностических стандартов традиционной кита...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

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

В этом исследовании изучаются неинвазивные методы обнаружения астмы с использованием анализа голосового сигнала и методов машинного обучения. Собрав голосовые данные от 50 пациентов с астмой и 50 здоровых людей из контрольной группы, в этом исследовании были построены модели с использованием SVM и радиочастотных алгоритмов 16,17,18,19,20.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

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

У авторов нет конфликта интересов, о котором можно было бы заявить.

Благодарности

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

Данное исследование было поддержано проектом Фонда молодежной науки Национального фонда естественных наук Китая (номер утверждения проекта: 82104739) и Программой научных исследований Управления традиционной китайской медицины провинции Хэбэй (номер проекта: B2025032). Авторы выражают благодарность всем преподавателям и студентам, оказавшим помощь в проведении эксперимента.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
DeviceSupplierModel/VersionBrandDigital
RecorderZOOM Audio StoreH6ZOOM
GitHub Официальный сайт2.47.1.2Git
Matlabhttps://www.mathworks.com/R2024bMathWorks
Официальный сайтPycharm2024.1Официальный сайт JetBrains
Python3.12Python

Ссылки

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

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

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

Похожие статьи