Исследования в области выявления астмы на основе обработки голосовых сигналов и машинного обучения
22 июля 2025 г.
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.
- Далее я расскажу о самых последних разработках и текущих экспериментальных проблемах в этой области. Современные технологии используют анализ голоса на основе искусственного интеллекта, методы измерения движения, такие как SVM, инструменты обработки сигналов, такие как MFCC, и переменные акустические датчики для обнаружения связанных с заболеваниями паттернов в звуковых сигналах. Текущие проблемы клинического перевода голосовой диагностики включают в себя дефицит данных, ограниченное обобщение моделей, этику конфиденциальности, конфликты и барьеры совместимости.
[Инструктор] Для начала откройте инструмент командной строки и клонируйте репозиторий GitHub на локальный компьютер. Перейдите на официальный сайт Python, чтобы установить Python на машину. После установки Python установите необходимые библиотеки Python с помощью requirements.txt файла. В качестве альтернативы, если текстовый файл недоступен, установите необходимые библиотеки вручную с помощью данной команды. Затем установите PyCharm с официального сайта. Теперь найдите основные файлы скриптов в клонированном репозитории. Используйте PyCharm или текстовый редактор, чтобы открыть файлы Python и просмотреть их содержимое и структуру. Чтобы настроить набор данных, убедитесь, что файлы данных, необходимые для кода, доступны и сохранены в формате Excel. Обновите пути к файлам в скриптах, чтобы они соответствовали фактическому расположению файлов в системе. После определения основного скрипта запустите код с помощью соответствующей команды для этого скрипта. Во время выполнения код будет загружать данные, обучать модели машинного обучения и отображать такие результаты, как точность, матрица несоответствий и рабочая характеристика приемника или кривая ROC. На этом рисунке представлены матрицы неточностей для метода опорных векторов или модели SVM и модели случайного леса или радиочастотной модели, показывающие результаты их классификации для пациентов с астмой и здоровых контрольных субъектов. Модель SVM точно классифицировала 14 пациентов с астмой и 12 здоровых людей из контрольной группы из 30 образцов в матрице путаницы. Радиочастотная модель также правильно предсказала 14 случаев астмы и 12 здоровых людей из контрольной группы, показав сопоставимые результаты классификации. Модель SVM достигла более высокой площади под значением кривой 0,95 в ROC-анализе, что отражает превосходную классификацию. Обе модели SVM и RF достигли одинаковой общей точности классификации в 87% на тестовом наборе данных. В разбивке по классам модель SVM показала более высокую запоминаемость в группе с астмой (0,93), но более низкую память в здоровой контрольной группе (0,80), что позволяет предположить, что, хотя SVM эффективна в выявлении астмы, она может ошибочно классифицировать некоторых здоровых людей. Радиочастотная модель достигла одинаковых значений полноты 0,93 для астмы и 0,80 для здоровых контрольных групп, что указывает на то, что обе модели имеют схожую чувствительность и одинаково способны выявлять положительные случаи.
Просмотрите полный транскрипт и получите доступ к тысячам научных видео
Обзор
Это исследование исследует использование анализа голоса с использованием ИИ и методов машинного обучения для неинвазивного раннего выявления астмы. Применение алгоритмов опорных векторов (SVM) и рандомизированных лесов (RF) в исследовании демонстрирует сопоставимую точность классификации при выявлении случаев астмы.
Ключевые компоненты исследования
Область науки
- Нейробиология
- Машинное обучение
- Анализ голосовых сигналов
Бакграунд
- Современные технологии используют анализ голоса с использованием ИИ для выявления паттернов, связанных с заболеваниями.
- Проблемы в клинической трансляции включают недостаток данных и вопросы этики и конфиденциальности.
- Модели машинного обучения, такие как SVM и RF, применяются для задач классификации.
- Диагностика на основе голоса привлекает внимание благодаря своему неинвазивному характеру.
Цель исследования
- Исследовать эффективность анализа голосовых сигналов в выявлении астмы.
- Сравнить производительность алгоритмов SVM и RF.
- Решить проблемы внедрения голосовой диагностики в клинических условиях.
Использованные методы
- Анализ голосовых сигналов с использованием MATLAB.
- Алгоритмы машинного обучения: опорные векторы (SVM) и рандомизированные леса (RF).
- Оценка точности классификации и метрик производительности.
- Анализ матрицы ошибок и кривой ROC для сравнения моделей.
Основные результаты
- Как SVM, так и RF достигли общей точности классификации 87%.
- SVM показал более высокое значение площади под кривой ROC 0.95.
- SVM имел более высокую точность в группе астматики (0.93) по сравнению со здоровыми контрольными (0.80).
- RF продемонстрировал аналогичные значения точности для обеих групп, что указывает на сопоставимую чувствительность.
Выводы
- Анализ голоса в сочетании с машинным обучением может эффективно выявлять астму.
- SVM может обеспечивать лучший баланс между чувствительностью и специфичностью.
- Необходимо провести дальнейшее исследование для решения проблем клинической трансляции.
Часто задаваемые вопросы
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.
