Method Article

Классификация тонов кашля на основе машинного обучения: диагностическое исследование хронической обструктивной болезни легких и инфекций дыхательных путей

DOI:

10.3791/68222

⸱

September 19th, 2025

 ,  ,  ,  ,  ,  ,  ,  ,  , 
1Beijing University of Chinese Medicine, 2Institute of Information on Traditional Chinese Medicine, Chinese Academy of Traditional Chinese Medicine, 3Beijing University of Chinese Medicine Third Affiliated Hospital

In This Article

Summary

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

Это исследование эффективно завершило автоматическую классификацию двух различных категорий путем получения данных о звуках кашля у пациентов с диагнозом хронической обструктивной болезни легких (ХОБЛ) и инфекциями дыхательных путей (РТИ), используя интеграцию методов обработки речевых сигналов и алгоритмов машинного обучения.

Abstract

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

Целью данного исследования была разработка и оценка неинвазивного метода дифференциации пациентов с хронической обструктивной болезнью легких (ХОБЛ) от пациентов с инфекциями дыхательных путей (РТИ) с использованием анализа голосового сигнала и машинного обучения. Голосовые сигналы с фиксированной картиной были собраны у 25 пациентов с ХОБЛ и 25 пациентов с ИРТ (в качестве контрольной/сравнительной группы). Был проведен многомерный анализ голосовых характеристик для выявления особенностей, значительно отличающих две группы. Были отобраны статистически значимые признаки, которые были подвергнуты уменьшению размерности. Затем были обучены модели логистической регрессии (LR) и случайного леса (RF), которые были оценены на предмет эффективности классификации для отличия ХОБЛ от RTI. Первоначально было проанализировано более 400 голосовых функций. Восемнадцать признаков показали весьма значимые различия между пациентами с ХОБЛ и ИРТ (P <; 0,05). В задаче отличия пациентов с ХОБЛ от пациентов с ИРТ модель LR достигла площади тестового набора под кривой AUC 0,95, значительно превосходя RF-модель (AUC = 0,76). Это исследование демонстрирует возможность использования анализа голоса и машинного обучения, в частности модели LR, в качестве многообещающего неинвазивного инструмента для дифференциации ХОБЛ от ДТП. Это обеспечивает основу для практического применения и дальнейшей оптимизации этого голосового подхода в клинических условиях, требующих дифференциальной диагностики респираторных заболеваний.

Introduction

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

Хроническая обструктивная болезнь легких (ХОБЛ) и инфекции дыхательных путей вносят значительный вклад в смертность и заболеваемость в глобальном масштабе. ХОБЛ определяется как хроническое воспалительное заболевание, поражающее дыхательные пути и паренхиму легких, преимущественно вызванное курением. Он характеризуется такими симптомами, как постоянный кашель, одышка и повышенная выработка мокроты1. Всемирная организация здравоохранения прогнозирует, что к 2030 году ХОБЛ станет третьей по значимости причиной смерти во всем мире, что создаст существенное экономическое бремя 2,3. Напротив, на инфекции дыхательных путей (ИРТ) приходится примерно 6% глобального бремени болезней, превосходя бремя, связанное с ишемической болезнью сердца, ВИЧ-инфекцией, раком, малярией и диарейными заболеваниями4.

Из-за существенного сходства клинических проявлений этих двух заболеваний, особенно в симптоматике кашля, который является распространенным симптомом, ранняя и точная дифференциация этих заболеваний имеет важное значение для эффективного лечения 5,6. Традиционные диагностические подходы преимущественно зависят от оценки клинических симптомов, тестирования функции легких и лабораторных анализов7. В то время как традиционные методы диагностики ХОБЛ эффективны в выявлении и оценке состояния, они имеют ряд ограничений в клинической практике. Эти ограничения включают недостаточную диагностическую точность, ограниченные возможности ранней диагностики, недостаточное понимание гетерогенности заболевания и отсутствие динамического мониторинга 8,9,10,11. В отличие от традиционных методов диагностики ХОБЛ, технология голосовой диагностики, как новый вспомогательный инструмент, имеет множество преимуществ, особенно в области раннего выявления, неинвазивной диагностики и динамического мониторинга.

С развитием анализа речи, в частности, автоматизированного анализа звуков кашля, появляется потенциал для применения быстрой диагностики. Исследования показывают, что звуки кашля заключают в себе обширную информацию о легочных заболеваниях, а их акустические особенности отражаютизменения в состоянии дыхательных путей. В последнее время методы анализа речевых особенностей на основе машинного обучения были использованы для диагностики ХОБЛ и других состояний, что дало заметные результаты 13,14,15. Эти методологии способствуют эффективной классификации заболеваний за счет извлечения звуковых особенностей из звуков кашля, таких как частота, продолжительность и амплитуда, и их интеграции с алгоритмами машинного обучения для распознавания образов.

Несмотря на некоторые исследования, изучающие потенциал анализа кашля в диагностике заболеваний, сохраняются значительные проблемы в дифференциации между пациентами с ХОБЛ и пациентами с ИРТ. Эта трудность возникает из-за наложения характеристик в звуках кашля обеих групп, усугубляемых индивидуальной вариабельностью. Следовательно, разработка методов извлечения более точных и различимых признаков из звуков кашля остается критически важным вопросом в этой области.

Данное исследование направлено на изучение автоматизированного метода классификации звуков кашля путем записи аудиозаписей 25 пациентов с диагнозом ХОБЛ и 25 пациентов с РТИ. Интегрируя анализ речевых признаков с алгоритмами машинного обучения, мы стремимся повысить точность дифференциации заболеваний, тем самым улучшая возможности ранней диагностики ХОБЛ и РТИ.

Access restricted. Please log in or start a trial to view this content.

Protocol

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

Комитет по этике Пекинского университета китайской медицины и его Третья аффилированная больница одобрили это исследование. Все участники предоставили письменное информированное согласие на участие. В период с июля по август 2024 года когорта из 25 пациентов с ХОБЛ была набрана из отделения респираторной медицины Третьей аффилированной больницы Пекинского университета китайской медицины. Одновременно была собрана контрольная группа, состоящая из 25 пациентов с типичными верхними ИРТ.

1. Отбор участников

  1. Критерии включения
    1. Выберите аудиосэмплы с низким уровнем фонового шума и четкой артикуляцией.
    2. Убедитесь, что диагноз ХОБЛ для группы ХОБЛ является обязательным в соответствии с клиническими рекомендациями, установленными экспертами по легким.
      1. Подтвердите диагноз с помощью постбронходилататорной спирометрии (ОФВ1/ФЖЕЛ < 0,70) в соответствии с критериями GOLD 2024.
      2. Проверка клинической стабильности (отсутствие обострений ≥ 4 недели)
    3. Убедитесь, что в группу сравнения включены люди, страдающие типичным верхним ДНИ.
      1. Постановка диагноза проводится с использованием диагностических критериев Руководства по диагностике и лечению респираторных инфекций.
      2. Обеспечьте время появления симптомов ≤ 72 ч.
      3. Исключите хронические респираторные заболевания в анамнезе.
    4. Ограничьте возраст до 18-85 лет.
    5. Потребуйте от всех участников предоставить письменное информированное согласие на участие в исследовании.
  2. Критерии исключения
    1. Исключите участников, испытывающих трудности с речью, такие как расстройства голосовых связок или ларингит.
    2. Исключите участников с неврологическими заболеваниями, которые могут ухудшить речевые или когнитивные функции.
    3. Исключите участников со значительными нарушениями слуха.
    4. Исключите участников, которые не придерживались протоколов исследования или не смогли предоставить достаточное количество аудиообразцов.
    5. Исключите участников, которые не могут дать информированное согласие.

2. Дизайн исследования

  1. Переместите участников в тихий, изолированный стандартный кабинет клинической консультации (размером 4 м × 5 м) с уровнем внешнего шума ниже 30 дБ. Пусть они сядут в естественную, удобную позу и останутся в расслабленном состоянии.
  2. Тщательно задокументируйте основные данные участника, включая рост, вес, возраст и другую соответствующую информацию, и подтвердите его текущее состояние здоровья у врача.
  3. По завершении первичной записи данных отрегулируйте высоту микрофона в нужное положение, обеспечив расстояние примерно 20-30 см между микрофоном и губами участника.
  4. Соберите аудиозаписи с помощью профессионального портативного портативного многодорожечного рекордера с равномерной частотой дискретизации 44,1 кГц.
    1. Выполняйте калибровку устройства перед ежедневными сеансами записи. Нажмите и удерживайте ручку GAIN целевого канала в течение 2 с, пока на экране не отобразится CAL и текущее значение уровня.
    2. Отрегулируйте усиление до целевого значения, медленно вращая ручку GAIN до тех пор, пока уровень входа, отображаемый на экране, точно не совпадет с номинальным значением тестового тона. Обеспечение погрешности в пределах ≤±1 дБ.
  5. Под руководством команды по отбору проб дайте участнику естественно покашлять в соответствии с его состоянием. Записывайте звуки кашля с помощью записывающих устройств.
  6. Запишите аудио как '. WAV».
  7. Аномальные звуковые сегменты были удалены с помощью обнаружения голосовой активности (VAD), дополненного ручной проверкой. В исследование были включены записи, которые соответствовали пороговому значению отношения сигнал/шум (SNR) в >20 дБ.
    ПРИМЕЧАНИЕ: Полная методология доступна в нашем репозитории GitHub (https://github.com/Liteng811/speech-feature-index-database-construction).

3. Разработка репозитория функций вокала

ПРИМЕЧАНИЕ: База данных индикаторов голосовых характеристик представляет собой коллекцию акустических характеристик для сравнительного анализа вокальных паттернов при ХОБЛ и РТИ. Методологическая архитектура подробно изложена в таблице 1. Для его создания реализована и доступна на GitHub (https://github.com/Liteng811/speech-feature-index-database-construction) кодовая база с открытым исходным кодом. Ниже приведены инструкции по загрузке и выполнению кода.

  1. Установите MATLAB на компьютер с официального сайта MathWorks (https://www.mathworks.com/). Убедитесь, что выбрана подходящая версия для операционной системы. Чтобы убедиться, что MATLAB установлен правильно, запустите программное обеспечение MATLAB и введите ver в командном окне. При правильной установке должна появиться информация о версии MATLAB.
  2. Установите Git с официального сайта Git (https://git-scm.com/). Чтобы подтвердить успешную установку, введите в командную строку следующую команду (Командная строка для Windows, Терминал для Mac/Linux): git --version. Если Git был успешно установлен, отобразится информация о версии.
  3. Получение репозитория кода
    1. Используя интерфейс командной строки, выполните команду git clone, чтобы загрузить файлы проекта на локальный компьютер:
      git clone https://github.com/Liteng811/voice-feature-index-database-construction.git
      ПРИМЕЧАНИЕ: Эта операция создает новый каталог с именем "voice-feature-index-database-construction" в вашем текущем рабочем каталоге, содержащий все файлы проекта.
    2. Чтобы получить доступ к загруженной папке для управления ее содержимым, выполните следующие действия:
      cd voice-feature-index-database-construction.
  4. Настройка среды MATLAB.
    1. Запустите приложение MATLAB.
    2. Интегрируйте папку проекта в путь поиска MATLAB. Перейдите на вкладку « Главная », нажмите «Задать путь», затем «Добавить папку». Выберите клонированный каталог voice-feature-index-database-construction и сохраните изменения. Это позволяет MATLAB получить доступ ко всем необходимым скриптам.
    3. На панели «Текущая папка » в MATLAB откройте основной скрипт обработки (voiceH6_batch_3_stage_WAV_tt.m), дважды кликнув по нему.
  5. Подготовка данных.
    1. Для анализа требуются входные аудиофайлы в формате .wav или .pcm .
    2. Пути к этим аудиофайлам жестко закодированы в скриптах. Обновите эти переменные пути, чтобы они указывали на правильные местоположения в локальной системе.
  6. Выполнение скрипта.
    1. Открыв основной сценарий (voiceH6_batch_3_stage_WAV_tt.m), запустите обработку, нажав кнопку «Выполнить » или введя имя сценария непосредственно в командное окно MATLAB: voiceH6_batch_3_stage_WAV_tt.
    2. Скрипт требует взаимодействия с пользователем. MATLAB отобразит графический интерфейс, предлагающий пользователю выбрать подходящий аудиофайл или папку. Убедитесь, что выбранный для обработки аудиофайл или папка соответствуют запросу.
    3. Если возникли проблемы с зависанием или неотображением графического интерфейса при запуске скрипта в MATLAB, проверьте потенциальные проблемы совместимости с версией MATLAB или убедитесь, что графические драйверы операционной системы работают правильно.
  7. Выведите результаты. По завершении найдите .txt выходной файл, в который скрипт запишет результаты извлечения признаков. Выходной файл будет содержать такую информацию, как результаты распознавания звуковых функций.

4. Анализ данных

ПРИМЕЧАНИЕ: После создания базы данных индикаторов голосовых характеристик был проведен статистический анализ. Аналитический подход изложен в таблице 2. U-критерий Манна-Уитни был использован для оценки различий в характеристиках голосового сигнала между группами ХОБЛ и РТИ.

  1. Тест для Mann-Whitney U.
    ПРИМЕЧАНИЕ: После получения библиотеки индекса речевых признаков для данных был проведен U-тест Манна-Уитни с использованием SPSS 20.0. Процесс работы выглядит следующим образом:
    1. Откройте SPSS и загрузите файл данных.
    2. Выберите Анализировать > непараметрических тестов > устаревших диалоговых окнах > 2 независимых выборки в строке меню.
    3. Во всплывающем диалоговом окне:
      1. Список тестовых переменных: Выберите переменные для сравнения (наблюдаемые переменные).
      2. Группирующая переменная: Выберите группирующую переменную (переменную, которая будет использоваться для группировки).
      3. Нажмите кнопку «Определить группы », чтобы ввести идентификаторы двух групп во всплывающем окне (например, если они сгруппированы как «Группа 1» и «Группа 2», введите 1 и 2).
    4. В поле Тип теста выберите U-тест Манна-Уитни частично.
    5. Нажмите OK, и SPSS автоматически сгенерирует выходные данные.
  2. Анализ главных компонент (PCA)
    ПРИМЕЧАНИЕ: После выявления статистически значимых особенностей для углубленного исследования данных был использован анализ главных компонент (PCA). Этот метод уменьшает размерность за счет сжатия исходных переменных в меньший набор составных компонентов, которые сохраняют критически важную информацию и упрощают интерпретируемость набора данных. Перед выполнением PCA данные были автоматически стандартизированы статистическим программным обеспечением для смягчения погрешний, связанных с масштабом. Процедура была выполнена следующим образом:
    1. Убедитесь, что данные были сопоставлены, сохранены в формате Excel или CSV и импортированы в SPSS 20.0.
    2. Выберите «Файл» > «Открыть > данные», затем выберите файл, который нужно открыть.
    3. Убедитесь, что отсутствующие значения и выбросы в данных обработаны, а переменные стандартизированы.
    4. Для анализа PCA в SPSS нажмите кнопку Analyze > Dimension Reduction > Factor.
    5. В диалоговом окне добавьте все переменные, используемые в PCA, в поле Переменные . Эти переменные обычно представляют собой непрерывные данные.
    6. Настройте метод извлечения.
      1. В диалоговом окне нажмите кнопку Извлечение и выберите метод Главные компоненты . По умолчанию SPSS извлекает достаточное количество главных компонентов, чтобы объяснить дисперсию данных.
      2. Выберите Собственные значения больше 1 в качестве критерия хранения, что означает, что сохраняются только главные компоненты с собственными значениями больше 1, что обычно объясняет большую часть дисперсии.
    7. Выберите метод вращения и нажмите кнопку Вращение , чтобы выбрать Varimax (ортогональное вращение) или Promax (косое вращение). Для большинства применений Varimax является широко используемым методом вращения.
    8. В опциях проверьте Диаграмму осыпи и Матрицу коэффициентов , чтобы можно было вывести гравийную диаграмму главных компонентов и матрицу коэффициентов каждого главного компонента, чтобы помочь оценить сохраненную дисперсию.
    9. После установки всех параметров нажмите кнопку OK , и SPSS сгенерирует вывод.
    10. Интерпретация результатов.
      1. Интерпретируйте матрицу загрузки главных компонентов для определения взаимосвязей между главными компонентами и исходными переменными. Обратите внимание, что переменные с более высокими значениями нагрузки требуют большего вклада в изменения.
      2. Объясните отклонение с помощью таблицы «Объяснение общей дисперсии». Наблюдайте за собственными значениями и пропорциями дисперсии для каждого главного компонента. Выбирайте главные компоненты с большими пропорциями дисперсии, так как они обычно объясняют большую часть вариаций данных.
      3. Используйте график осыпи для определения сохраненных главных компонентов. Определите четкую точку перегиба на графике. Сохраняйте главные компоненты слева от точки перегиба.
      4. Оценки главного компонента: установите флажок «Сохранить как переменные », если необходимо получить оценку для каждой выборки по основному компоненту, и SPSS добавит оценки главного компонента в набор данных в качестве новых переменных.

5. Построение модели логистической регрессии (LR) и случайного леса (RF)

ПРИМЕЧАНИЕ: Конкретная методологическая основа для построения LR и RF моделей подробно изложена в таблице 3. Между тем, модели LR и RF в этом исследовании были загружены на GitHub (https://github.com/Liteng811/The-distinction-between-COPD-and-respiratory-infections). Ниже в первую очередь описывается, как скачать и запустить код с GitHub. Радиочастотная модель была построена с использованием Python 3.12.3 в качестве основного языка программирования.

  1. Получите кодовую базу проекта.
    1. Запустите терминал или командную строку и выполните команду git clone, чтобы загрузить репозиторий локально:
      git clone Различие-между-ХОБЛ и-респираторными-инфекциями.git Различие между ХОБЛ и респираторными инфекциями.git
      Обратите внимание, что эта команда извлекает все содержимое репозитория в ваш текущий рабочий каталог, создавая новую папку под названием The-distinction-between-COPD-and-respiratory-infections.
  2. Настройте среду программирования.
    1. Скачайте и установите Python с официального сайта распространения (https://www.python.org/).
    2. Используйте команду ниже для установки всех зависимостей Python, перечисленных в файле требований: pip install -r requirements.txt.
    3. Если файл requirements.txt недоступен, установите необходимые библиотеки вручную, выполнив:
      pip install numpy pandas scikit-learn matplotlib
    4. Установите интегрированную среду разработки PyCharm с официального сайта JetBrains (https://www.jetbrains.com/pycharm/).
  3. Изучите содержимое репозитория.
    1. В репозитории найдите основные файлы скриптов (LR.py, RF.py).
    2. Откройте эти файлы с помощью редактора кода или PyCharm, чтобы ознакомиться с их реализацией и структурными деталями.
  4. Подготовьте входные данные.
    1. Убедитесь, что требуемый набор данных доступен в .xlsx формате, как ожидается кодом, и правильно организован перед выполнением.
    2. Код содержит жестко заданные пути к файлам. Обновите эти пути в соответствии с фактическим расположением файлов, фактически заменив существующие пути в коде (например, C:\Users\1\Desktop\pca-result.xlsx) фактическими путями к файлам в системе.
  5. Запустите код.
    1. Как только основной скрипт будет найден, выполните его через командную строку. Например, чтобы запустить LR.py, используйте: python LR.py
      Если целевой сценарий RF.py, подставьте имя файла соответствующим образом.
    2. Перед выполнением убедитесь, что терминал находится в правильном рабочем каталоге, или укажите полный путь к скрипту. Например:
      python C:/путь/к/вашему/репозиторию/LR.py.
    3. Во время работы скрипт загружает набор данных, обучает соответствующую модель машинного обучения (LR или RF) и генерирует метрики производительности, включая точность, матрицу неточностей и кривую ROC.

Access restricted. Please log in or start a trial to view this content.

Results

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

Результаты анализа данных

В ходе исследования было успешно выделено более 400 индексов речевых признаков с использованием таких методов, как анализ во временной области, анализ в частотной области, извлечение мелчастотного коэффициента Сепстраль (MFCC) и изменение показателей признаков в соответствии с диагнозом ТКМ. Анализ временной области является важнейшим элементом обработки речевых сигналов, при этом основ...

Access restricted. Please log in or start a trial to view this content.

Discussion

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

В этом исследовании изучаются неинвазивные методы выявления ХОБЛ с помощью анализа голосового сигнала и методов машинного обучения. В ходе исследования были собраны голосовые данные от 25 пациентов с ХОБЛ и 25 пациентов с ИРТ. Модели были построены с использованием LR и RF алгоритмов. Обе модели показали одинаковую точность в правильной классификации образцов в целом, однако разница в значениях AUC указывает на то, что модель LR может предложить превосходный баланс между чувствительность...

Access restricted. Please log in or start a trial to view this content.

Disclosures

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

Авторы заявляют об отсутствии конфликта интересов в связи с публикацией данного исследования. Не было получено никакой финансовой или нефинансовой поддержки от какой-либо коммерческой организации, которая могла бы повлиять на результаты или интерпретацию данного исследования. Все аспекты исследования, включая дизайн, сбор данных, анализ и подготовку рукописи, проводились независимо от какого-либо внешнего воздействия.

Acknowledgements

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

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.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Цифровой рекордерУВЕЛИЧИТЬH6ZOOM Audio Store
GitHubИди2.47.1.2Официальный сайт
MatlabMathWorksR2024bОфициальный сайт
ПичармJetBrains2024.1Официальный сайт
ПитонПитон3.12Официальный сайт

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Roth, M. Pathogenesis of COPD. Part III. Inflammation in COPD. Int J Tuberc Lung Dis. 12 (4), 375-380 (2008).
  2. Alsayari, A., Muhsinah, A. B., Almaghaslah, D., Annadurai, S., Wahab, S. Pharmacological efficacy of ginseng against respiratory tract infections. Molecules. 26 (13), 4095(2021).
  3. Iheanacho, I., Zhang, S., King, D., Rizzo, M., Ismaila, A. S. Economic burden of chronic obstructive pulmonary disease (COPD): A systematic literature review. Int J Chron Obstruct Pulmon Dis. 15, 439-460 (2020).
  4. Al Rajeh, A. M., et al. Acute upper respiratory tract infections admissions in England and Wales. Medicine (Baltimore). 102 (21), e33616(2023).
  5. Lieberman, D., et al. Pneumonic vs nonpneumonic acute exacerbations of COPD. Chest. 122 (4), 1264-1270 (2002).
  6. Hassan Naqvi, S. Z., Choudhry, M. A. Embedded system design for classification of COPD and pneumonia patients by lung sound analysis. Biomed Tech (Berl). 67 (3), 201-218 (2022).
  7. Rennard, S., et al. Introducing the COPD Foundation Guide for Diagnosis and Management of COPD, recommendations of the COPD Foundation. COPD. 10 (3), 378-389 (2013).
  8. Spyratos, D., et al. false diagnosis and treatment of COPD in a selected population in Northern Greece. Eur J Gen Pract. 27 (1), 97-102 (2021).
  9. Azleen, A., Wilkinson, T. Early COPD: current evidence for diagnosis and management. Ther Adv Respir Dis. 14, 1753466620942128(2020).
  10. Kostikas, K., et al. Clinical impact and healthcare resource utilization associated with early versus late COPD diagnosis in patients from UK CPRD database. Int J Chron Obstruct Pulmon Dis. 15, 1729-1738 (2020).
  11. Cosio, B. G., et al. Defining the asthma-COPD overlap syndrome in a COPD cohort. Chest. 149 (1), 45-52 (2016).
  12. Kilic, M., et al. GCLP: An automated asthma detection model based on global chaotic logistic pattern using cough sounds. Eng Appl Artif Intell. 127, 107184(2024).
  13. Idrisoglu, A., et al. COPDVD: Automated classification of chronic obstructive pulmonary disease on a new collected and evaluated voice dataset. Artif Intell Med. 156, 102953(2024).
  14. Karaarslan, O., Ergen, O., Belcastro, K. D. Respiratory sound-base disease classification and characterization with deep/machine learning techniques. Biomed Signal Process Control. 87, 105570(2024).
  15. Farrús, M., et al. Speech-based support system to supervise chronic obstructive pulmonary disease patient status. Appl Sci. 11 (17), 7999(2021).
  16. Akamatsu, N. Segmentation of speech utilizing the time-domain properties of speech signals. J Acoust Soc Am. 64, S179(1978).
  17. Joy, S., Upadhya, S. Speech analysis in time and frequency domain. Int J Eng Res Technol. 3 (1), 1-4 (2018).
  18. Do, H. D. Exploiting signal linear trend in the time domain to enhance speech feature. IEEE Access. 10, 117886-117899 (2022).
  19. Schroeder, R. M. New approach to time domain analysis and synthesis of speech. J Acoust Soc Am. 31 (6), 852-853 (1959).
  20. Garreth, P., Johnson, S. R., Green, G. G. R. Extracting amplitude modulations from speech in the time domain. Speech Commun. 53 (6), 903-913 (2011).
  21. Thomas, S., Ganapathy, S., Hermansky, H. Recognition of reverberant speech using frequency domain linear prediction. IEEE Signal Processing Letters. 15, 681-684 (2008).
  22. Malah, D. Efficient implementation of a frequency-domain technique for frequency scaling of speech signals. J Acoust Soc Am. 68 (S1), (1980).
  23. Képesi, M., Weruaga, L. Adaptive chirp-based time-frequency analysis of speech signals. Speech Commun. 48 (5), 474-492 (2006).
  24. 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).
  25. Wang, Q., et al. Towards reliable respiratory disease diagnosis based on cough sounds and vision transformers. ArXiv. , (2024).
  26. Can machine learning be used to recognize and diagnose coughs. Bales, C., et al. 2020 International Conference on e-Health and Bioengineering (EHB), , (2020).
  27. Melek, N. Responding to challenge call of machine learning model development in diagnosing respiratory disease sounds. ArXiv. , (2021).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Cough Tone ClassificationMachine Learning DiagnosticsVoice Signal AnalysisChronic Obstructive PulmonaryRespiratory Tract InfectionsLogistic Regression ModelRandom Forest ModelPrincipal Component AnalysisVoice Feature ExtractionNon Invasive Diagnosis

Related Articles