Yöntem makalesi

Ses Sinyali İşleme ve Makine Öğrenmesine Dayalı Astım Tespit Araştırması

DOI:

10.3791/67742

⸱

22 Temmuz 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

Bu makalede

Özet

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

Bu çalışma, astımın non-invaziv erken tespiti için ayırt edici ses özelliklerini çıkarmak için MATLAB'ı kullanarak ses sinyali analizi ve makine öğrenimi yöntemlerini kullanmıştır. Destek Vektör Makinesi (SVM) ve Rastgele Orman (RF) algoritmaları, genel sınıflandırma doğruluğu açısından karşılaştırılabilir performans göstermiştir, ancak SVM duyarlılık ve özgüllük arasında daha iyi bir denge sağlayabilir.

Özet

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

Ses sinyali analizi ve makine öğrenimi tekniklerini kullanarak ses sinyallerini analiz etmek ve astım hastalarını belirlemek için, bir analiz veritabanı oluşturmak için 50 astım hastasından ve 50 sağlıklı kontrolden net, düşük gürültülü sabit modelli ses sinyalleri topladık. Araştırma, MATLAB'a dayalı çok boyutlu ses sinyali analizi ve astım hastaları ile sağlıklı kontroller arasında önemli farklılıklar gösteren seçilmiş ses özelliği göstergeleri gerçekleştirdi. Diferansiyel fonetik özellikler üzerinde boyutsallık azaltma analizinden sonra, işlenen özellikler sonraki SVM ve RF modelleme ve sınıflandırma araştırmalarına dahil edildi.

Çalışma, tanı ile ilgili 400'den fazla ses özelliği göstergesi oluşturdu ve bunların 20'si astım hastaları ile sağlıklı kontroller arasında anlamlı farklılıklar gösterdi (P < 0.01). Sınıflandırma çalışmasında, hem SVM hem de RF modelleri, SVM için 0,95 ve RF için 0,93 AUC değerleri ile test setinde %87'lik aynı doğruluk oranlarına ulaştı. Bu, genel sınıflandırma doğruluğu açısından karşılaştırılabilir performanslarını gösterirken, AUC değerlerindeki eşitsizlik, SVM modelinin duyarlılık ve özgüllük arasında daha iyi bir denge sağlayabileceğini düşündürmektedir. Bu nedenle, bu makale sadece astımın non-invaziv erken tespiti için yeni bir yöntem sağlamakla kalmaz, aynı zamanda bu yöntemin gerçek dünya ortamlarında daha fazla uygulanması ve optimizasyonu için temel oluşturur.

Giriş

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

Çin Pulmoner Sağlık (CPH) çalışmasından elde edilen verilere göre, Çinli yetişkinler arasında astım prevalansı %4,2'dir, doktorlar astım hastalarının yalnızca %28,8'ini teşhis etmekte ve sadece %5,6'sı inhale kortikosteroid tedavisi almaktadır1. Bu rakamlar, Çin'de astım teşhisi ve tedavisi oranının düşük olduğunu göstererek, halk ve sağlık çalışanları arasında astıma yönelik farkındalığı artırmaya ve dikkat çekmeye yönelik acil ihtiyacı vurgulamaktadır. Astım için mevcut tanı yöntemleri, klinik öykü ve fizik muayene, solunum fonksiyon testi ve Fraksiyonel ekshale Nitrik Oksit (FeNO) ölçümü dahil olmak üzere çeşitlidir, ancak her birinin değişen derecelerde sınırlamaları vardır 2,3,4. Ayrıca, astımın düzenli olarak izlenmesi hastalık yönetimi için çok önemlidir; Semptomların ve akciğer fonksiyonunun sistematik olarak izlenmesi, astım alevlenmelerini etkili bir şekilde önleyebilir, hastanın yaşam kalitesini iyileştirebilir ve acil ziyaretleri ve hastaneye yatışları azaltabilir 5,6. Bununla birlikte, pratikte, bu geleneksel tanı yöntemleri, maliyetleri ve karmaşıklıkları nedeniyle rutin bakım için genellikle pratik değildir.

Yukarıdaki koşullar göz önüne alındığında, astımın kendi kendine izlenmesi hastalık kontrolünde önemli bir rol oynayabilir. Bu tür bir izlemenin basit, kullanışlı ve doğru olması gerekir. Bu bakımdan ses belirgin avantajlar sunar. Astım hastaları genellikle sağlıklı bireylere kıyasla maksimum fonasyon süresinin azalması, ses bozuklukları (ses kısıklığı, pürüzlülük ve ses yorgunluğu gibi) ve temel frekans ve perdede önemli farklılıklar dahil olmak üzere ses özelliklerinde kayda değer farklılıklar sergiler 7,8,9. Bu farklılıklar astımın tanımlanması ve izlenmesi için potansiyel bir yöntem olarak hizmet edebilir.

Makine öğrenimi, ses verilerini kullanarak astımı tespit etmede önemli bir potansiyel göstermiştir. Çalışmalar, hastaların öksürük seslerini, nefes seslerini ve diğer ilgili akustik özelliklerini analiz ederek astım semptomlarının etkili bir şekilde tespit edilebileceğini göstermiştir. Derin öğrenme, sinir ağları ve diğer makine öğrenimi modellerini içeren bu teknikler, astım hastalarında karakteristik ses kalıplarını ve solunum sesi değişikliklerini tanıyabilir 10,11,12,13,14,15.

Öksürük ve nefes sesleriyle karşılaştırıldığında, sabit kalıplı ses (1-9 arasındaki sayıların telaffuzu gibi) daha standart ve kontrol edilebilir olabilir. Ayrıca özellik çıkarmayı kolaylaştırır, ses kalitesini kontrol eder ve büyük ölçekli veri toplama için daha kolaydır. Destek Vektör Makinesi (SVM), yüksek boyutlu verileri ve gürültülü örnekleri işlerken güçlü sınıflandırma yeteneği gösterirken, Random Forest (RF), mükemmel sağlamlığı, doğrusal olmayan ilişkileri işleme yeteneği ve özellik önemi değerlendirmesi ile karmaşık ses özelliği verilerini etkin bir şekilde yönetir 16,17,18,19,20.

Bu çalışmada, astımla ilişkili ses özelliklerini çıkarmak için normal ve sabit bir hızda konuşulan "123456789" rakamlarının kayıtlarını kullandık. Bu özelliklerden yola çıkarak, astım tespiti için RF ve SVM modelleri oluşturduk. Gelecekte, bu modeller astımın tanımlanmasını ve hastalığın ilerlemesinin izlenmesini sağlamak için potansiyel olarak mobil uygulamalara entegre edilebilir ve böylece astım alevlenmelerinin önlenmesine yardımcı olabilir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

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

Pekin Çin Tıbbı Üniversitesi Etik Kurulu ve Üçüncü Bağlı Hastanesi bu çalışmayı onayladı. Tüm katılımcılar katılmadan önce yazılı bilgilendirilmiş onam imzaladılar. Temmuz-Ağustos 2024 tarihleri arasında Pekin Çin Tıbbı Üniversitesi Üçüncü Bağlı Hastanesi Solunum Tıbbı Bölümünden 50 hastayı işe aldık. Aynı zamanda 50 sağlıklı bireyi kontrol grubu olarak dahil ettik.

1. Katılımcı seçimi

  1. Aşağıdaki dahil etme kriterlerini ayarlayın.
    1. Hoparlörlerin "123456789" rakamlarını normal ve sabit bir hızda telaffuz ettiği ses örnekleri arasından, düşük arka plan gürültüsü ve net artikülasyona sahip olanları seçin.
    2. Astım grubunun, bir solunum uzmanı tarafından belirlenen klinik kriterlere dayalı olarak doğrulanmış bir astım tanısına sahip olduğundan ve kontrol grubunun, solunum yolu hastalıkları veya ses kalitesini etkileyebilecek diğer rahatsızlıkları olmayan sağlıklı bireylerden oluştuğundan emin olun.
    3. 18-75 yaşları arasındaki katılımcıları seçin, cinsiyet oranı gruplar arasında tutarlı tutuldu.
    4. Çalışma için tüm katılımcılardan yazılı bilgilendirilmiş onay alın.
  2. Aşağıdaki dışlama ölçütlerini ayarlayın.
    1. Kronik obstrüktif akciğer hastalığı (KOAH) veya interstisyel akciğer hastalığı gibi kronik solunum yolu hastalıkları olan katılımcıları hariç tutun.
    2. Son 6 hafta içinde akut solunum yolu enfeksiyonları veya hastalık alevlenmeleri yaşayan katılımcıları hariç tutun.
    3. Ses teli sorunları veya larenjit gibi ses bozuklukları öyküsü olan kişileri dışlayın.
    4. Ses veya bilişsel işlevleri bozabilecek nörolojik bozuklukları olan katılımcıları hariç tutun.
    5. Önemli işitme bozukluğu olan bireyleri hariç tutun.
    6. Çalışma protokolüne uymayan veya yeterli ses örneği sağlamayan katılımcıları hariç tutun.
    7. Bilgilendirilmiş onay veremeyen veya vermek istemeyen kişileri hariç tutun.

2. Çalışma tasarımı

  1. Katılımcıları izole, sessiz bir danışma odasında (ortam gürültüsü < 30 dB) doğal, rahat bir oturma pozisyonunda, rahat bir durumda ( Şekil 1'de gösterildiği gibi) kaydedin.
  2. Katılımcıları kaydeden personelin (numune alma personeli) kaydedilen katılımcıların temel bilgilerini (boy, kilo, yaş vb.) almasını sağlayın ve katılımcının saf astım teşhisi olup olmadığını doktorla birlikte doğrulayın.
  3. Temel bilgileri topladıktan sonra, numune alma personelinden kayıt cihazının mikrofonunu dudaklardan yaklaşık 20-30 cm uzakta uygun bir yüksekliğe ayarlamasını isteyin.
  4. Ses kayıtlarını, örnekleme hızı eşit şekilde 44,1 kHz'e ayarlanmış bir dijital kayıt cihazı kullanarak toplayın. Günlük kayıt oturumlarından önce cihazı kalibre edin ve ≤±1 dB içinde bir hata payı sağlayın.
  5. Katılımcıları 1'den 9'a kadar olan sayıları sırayla yüksek sesle okumaları için yönlendirin, kayıt boyunca doğal ses hızını ve net artikülasyonu koruyun.
  6. Tamamlandığında, sesi .wav biçiminde kaydedin.
  7. Manuel doğrulama ile birlikte ses etkinliği algılama (VAD) yoluyla anormal ses segmentlerini kaldırın. >20 dB'lik sinyal-gürültü oranı (SNR) kriterini karşılayan kayıtları çalışmaya dahil edin.

3. Bir ses özelliği kütüphanesinin oluşturulması

NOT: Konuşma özelliği göstergesi veritabanı, astım hastaları ve sağlıklı bireyler arasındaki konuşma farklılıklarını analiz etmek için kullanılan, astımın erken taramasını ve tespitini destekleyen çeşitli konuşma özelliklerinin bir koleksiyonudur. Konuşma özelliği ölçümleri deposunu oluşturmak için özel metodolojik çerçeve Tablo 1'de ayrıntılı olarak açıklanmıştır. Bu arada, bu çalışma için ses özellik indeksi veri tabanının oluşturulma süreci GitHub'a (https://github.com/Liteng811/speech-feature-index-database-construction) yüklenmiştir. Aşağıdaki adımlar öncelikle kodun GitHub'dan nasıl indirileceğini ve çalıştırılacağını açıklayacaktır.

  1. İşletim sistemi için uygun sürümü seçerek MATLAB'ı MathWorks resmi web sitesinden bilgisayara yükleyin. MATLAB yazılımını başlatarak ve komut penceresine ver yazarak MATLAB'ın doğru şekilde kurulup kurulmadığını kontrol edin. Doğru kurulursa, MATLAB'ın sürüm bilgisi görünür.
  2. Git'i resmi Git web sitesinden (https://git-scm.com/) yükleyin. Komut satırına aşağıdaki komutu girerek kurulumun başarılı olduğunu onaylayın (Windows için Komut İstemi, Mac/Linux için Terminal): git --version. Başarılı bir şekilde yüklenirse, Git için sürüm bilgileri görüntülenir.
  3. GitHub deposunu kopyalayın.
    1. Komut satırı aracını açın ve depoyu yerel makineye kopyalamak için aşağıdaki komutu kullanın:
      git klon https://github.com/Liteng811/voice-feature-index-database-construction.git
      NOT: Bu komut, GitHub deposunun içeriğini mevcut çalışma dizinine indirecek ve voice-feature-index-database-construction adlı bir klasör oluşturacaktır.
    2. İndirilen kodu ve dosyaları görüntülemek ve yönetmek üzere bu klasöre gitmek için şu komutu kullanın:
      cd ses-özellik-indeks-veritabanı-yapımı.
  4. MATLAB ortamını yapılandırın.
    1. MATLAB yazılımını başlatın.
    2. MATLAB'de, Giriş sekmesi altındaki Yolu Ayarla düğmesine tıklayın ve Klasör Ekle'yi seçin. Yeni klonlanmış olan voice-feature-index-database-construction klasörünü seçin ve Kaydet'e tıklayın. Bu, MATLAB'ın o klasördeki tüm komut dosyalarını tanımasına ve yürütmesine izin verecektir.
    3. MATLAB Geçerli Klasör penceresinde, voice-feature-index-database-construction klasörünü bulun ve açmak için voiceH6_batch_3_stage_WAV_tt.m dosyasına çift tıklayın. Bu dosya, ana işleme komut dosyasıdır.
  5. Verileri yapılandırın ve hazırlayın.
    1. Depodaki kod, giriş olarak ses dosyaları gerektirir. Ses dosyalarının .wav veya .pcm biçiminde olduğundan emin olun.
    2. Ses dosyaları için dosya yolları, depo kodunda sabit kodlanmıştır (yani, doğrudan koda yazılırlar). Yolları yerel dosyaların konumuna göre değiştirin.
  6. Kodu çalıştırın.
    1. voiceH6_batch_3_stage_WAV_tt.m dosyasını açtıktan sonra, Çalıştır düğmesine tıklayın veya komut dosyasını çalıştırmak için komut penceresine dosya adını yazın:
      voiceH6_batch_3_stage_WAV_tt.
    2. Komut dosyası kullanıcı etkileşimi gerektirir. MATLAB, kullanıcıdan ilgili ses dosyasını veya klasörünü seçmesini istemek için bir grafik arayüz açacaktır. İstendiği gibi işlenecek ses dosyasını veya klasörü doğru seçtiğinizden emin olun.
    3. Komut dosyasını MATLAB'da çalıştırırken grafik arayüzün donması veya görüntülenmemesi ile ilgili herhangi bir sorun olması durumunda, olası MATLAB sürüm uyumluluk sorunlarını kontrol edin veya işletim sisteminin grafik sürücülerinin doğru çalıştığından emin olun.
  7. Sonuçların çıktısını alın. Çalıştırdıktan sonra, betiğin özellik ayıklama sonuçlarını yazacağı .txt bir çıktı dosyası arayın. Çıktı dosyası, ses özelliği tanıma sonuçları gibi bilgileri kaydedecektir.

4. Veri analizi

NOT: Ses özelliği göstergeleri veritabanını elde ettikten sonra, veriler üzerinde istatistiksel analizler yapın. Veri analizi için özel metodolojik çerçeve Tablo 2'de detaylandırılmıştır. Özel operasyonel prosedürler aşağıda detaylandırılmıştır.

  1. Varyansın normalliği ve homojenliği için testler
    NOT: Uygun istatistiksel analiz yöntemlerini belirlemek için ses özelliği göstergeleri üzerinde Varyansın Normalliği ve Homojenliği testleri yapılmıştır. Tüm gösterge gruplarının varyans varsayımlarının hem normalliğini hem de homojenliğini karşılaması durumunda, bağımsız örneklem t-testi kullanılmıştır. Aksi takdirde Mann-Whitney U testini uyguladık.
    1. İstatistik yazılımını açın, Dosya | Açık | Veri'yi seçin ve veri dosyasını seçin. Değişkenlerin uygun şekilde kategorize edildiğinden ve veri görünümünde görüntülendiğinden emin olun.
    2. Analize gidin | Tanımlayıcı İstatistikler | Keşfedin.
    3. İletişim kutusunda, test edilecek değişkenleri Bağımlı Liste alanına taşıyın.
    4. Pencerenin sağ üst köşesindeki Çizimler düğmesini tıklayın. İletişim kutusunda, Testlerle normallik grafikleri'ni seçin ve Devam'ı tıklatın.
    5. Ana pencereye dönün ve normallik testini gerçekleştirmek için Tamam'a tıklayın.
    6. Çıkış penceresinde Normallik Testleri tablosunu bulun. Kolmogorov-Smirnov (K-S testi) ve Shapiro-Wilk'in (S-W testi) anlamlılık değerlerine (Sig.) odaklanın. Eğer Sig. > 0.05, veriler normal bir dağılım izler; Sig. ≤ 0.05 ise, veriler normal bir dağılım izlemez.
    7. Analize gidin | Araçları Karşılaştır | Tek Yönlü ANOVA.
    8. İletişim kutusunda, bağımlı değişkeni Bağımlı Liste alanına ve gruplandırma değişkenini (kategorik değişken) Faktör alanına taşıyın.
    9. İletişim kutusunun sağ tarafındaki Seçenekler düğmesini tıklatın. Varyans testinin homojenliği'ni seçin ve Devam'a tıklayın.
    10. Ana pencereye dönün ve varyans homojenliği testini gerçekleştirmek için Tamam'a tıklayın.
    11. Çıkış penceresinde Varyansların Homojenlik Testi tablosunu bulun. Levene İstatistiğinin anlamlılık değerine (Sig.) odaklanın. Sig. > 0.05 ise, varyans homojenliği varsayımı karşılanır; Sig. ≤ 0.05 ise, varyans varsayımının homojenliği ihlal edilir.
  2. Mann-Whitney U testi
    NOT: Bu çalışmadaki göstergeler normallik ve varyans homojenliği varsayımlarını aynı anda karşılamadığından, astım grubu ile sağlıklı kontrol grubu arasındaki ses sinyali özellik göstergelerindeki farklılıkları karşılaştırmak için Mann-Whitney U testi uyguladık.
    1. Analize gidin | Parametrik Olmayan Testler | Eski İletişim Kutuları | 2 bağımsız örnek.
    2. İletişim kutusunda, sürekli değişkeni (bağımlı değişken) Test Değişkeni Listesi alanına ve gruplandırma değişkenini (kategorik değişken) Gruplandırma Değişkeni alanına taşıyın.
    3. Grupları Tanımla'ya tıklayın, gruplandırma değişkeninin iki kategorisini (örneğin, "1" ve "2") girin ve Devam'a tıklayın.
    4. Ana pencerede Mann-Whitney U'yu seçin. Tam'ın işaretli olmadığından emin olun (doğruluğu artırmak için küçük örnek boyutları için bu seçeneği belirleyin). Seçenekler'i tıklatın, Açıklayıcı'yı seçin ve ardından Devam'ı tıklatın.
    5. Ana pencereye dönün ve Mann-Whitney U testini gerçekleştirmek için Tamam'a tıklayın.
    6. Çıkış penceresinde Test İstatistikleri tablosunu bulun: Mann-Whitney U değeri test istatistiğini temsil eder. Asymp. Sig. (2 kuyruklu) değeri p değerini temsil eder. p > 0.05 ise, gruplar arasında anlamlı bir fark yoktur; P ≤ 0.05 ise, gruplar arasında anlamlı bir fark vardır.
    7. Hangi grubun daha yüksek ölçüm değerlerine sahip olduğunu belirlemek için, her grup için ortalama sıralamaları ve örnek boyutlarını gösteren Sıralar tablosunu kontrol edin.
  3. Temel bileşen analizi (PCA)
    NOT: Diferansiyel göstergeleri belirledikten sonra, verileri daha fazla analiz etmek için PCA gerçekleştirdik. PCA, önemli özellikleri çıkarmak ve analizi basitleştirmek için orijinal verileri birkaç ana bileşene dönüştüren bir boyutsallık azaltma tekniğidir. PCA'dan önce, istatistiksel yazılım, boyutsal etkileri ortadan kaldırmak için verileri otomatik olarak standartlaştırdı.
    1. Analize gidin | Boyut Küçültme | Faktör.
    2. İletişim kutusunda, analiz edilecek tüm değişkenleri Değişkenler alanına taşıyın.
    3. Tanımlayıcılar düğmesine tıklayın ve verilerin PCA için uygun olup olmadığını doğrulamak için KMO ve Bartlett'in küresellik testini seçin. Devam'ı tıklayın.
    4. Ayıklama sekmesinde, Yöntem'i Temel Bileşenler olarak ayarlayın, temel bileşenlerin sayısını belirlemek için Ekran Grafiği'ni seçin ve Ayıkla'yı 1'den büyük Özdeğerler olarak ayarlayın. Devam'ı tıklayın.
    5. Döndürme sekmesinde Yok'u seçin. Devam'ı tıklayın.
    6. Puanlar sekmesinde, temel bileşen puanlarını veri kümesine kaydetmek için Değişken olarak kaydet'i seçin.
    7. Ana pencereye dönün ve PCA gerçekleştirmek için Tamam'a tıklayın.
    8. KMO ve Bartlett Testi: KMO değerinin 0.6 ≥ olması, verilerin PCA için uygun olduğunu gösterir. Bartlett'in Küresellik Testi Sig. değerinin 0.05 <, değişkenler arasında anlamlı korelasyonları gösterir ve bu da verileri PCA için uygun hale getirir.
    9. Açıklanan Toplam Varyans: Her bir temel bileşen tarafından açıklanan özdeğerleri ve varyansı gözden geçirin. %70-%85 arasında bir kümülatif varyans açıklama oranı idealdir.
    10. Ana bileşenlerin sayısını belirlemek için kayşat grafiğini kullanın, tipik olarak bükülme noktasından önce bileşenleri seçin.
    11. Bileşen Matrisi veya Döndürülmüş Bileşen Matrisi: Her bir temel bileşendeki değişkenlerin yükleme katsayılarını kontrol edin. 0,5'> katsayılar önemli katkılar olarak kabul edilir.

5. SVM ve RF modellerinin yapımı

NOT: SVM ve RF modellerinin oluşturulması için özel metodolojik çerçeve Tablo 3'te ayrıntılı olarak açıklanmıştır. Bu çalışmada oluşturulan astım tespiti için SVM ve RF modellerini GitHub'a (https://github.com/Liteng811/Asthma-Detection) yükledik. Aşağıda öncelikle kodun GitHub'dan nasıl indirileceği ve çalıştırılacağı açıklanacaktır.

  1. GitHub deposunu kopyalayın.
    1. Komut satırı aracını açın ve depoyu yerel makineye kopyalamak için aşağıdaki komutu kullanın:
      git klon https://github.com/Liteng811/Asthma-Detection.git
      NOT: Bu komut, GitHub deposunun içeriğini mevcut çalışma dizinine indirecek ve Asthma-Detection adlı bir klasör oluşturacaktır.
  2. Python, PyCharm ve Gerekli Python kitaplıklarını yükleyin.
    1. Python'u resmi Python web sitesinden (https://www.python.org/) makineye yükleyin.
    2. Python'u kurduktan sonra aşağıdaki komutu kullanarak gerekli Python kütüphanelerini kurunuz: pip install -r requirements.txt.
    3. Eğer requirements.txt dosyası yoksa, aşağıdaki komut ile bu çalışmada kullanılan kütüphaneleri kurunuz:
      pip install numpy pandas scikit-learn matplotlib
    4. PyCharm'ı resmi PyCharm web sitesinden (https://www.jetbrains.com/pycharm/) yüklediğinizden emin olun.
  3. Depodaki dosyaları görüntüleyin.
    1. Depoda ana komut dosyalarını (SVM.py, RF.py) bulun.
    2. Bu Python dosyalarını açmak ve içeriklerini ve yapılarını gözden geçirmek için bir metin düzenleyici veya PyCharm kullanın.
  4. Veri kümesini yapılandırın.
    1. Depodaki kod, veri dosyaları gerektirir. Veri dosyalarının hazırlanıp hazırlanmadığını ve biçimlerinin kodun gereksinimlerine uygun olup olmadığını kontrol edin (.xlsx) kullanın.
    2. Kodda sabit kodlanmış dosya yolları vardır. Yolları, dosyaların gerçek konumuna göre değiştirin, başka bir deyişle, koddaki yolları (örneğin, C:\Users\1\Desktop\pca-result.xlsx) sistemdeki gerçek dosya yollarıyla değiştirin.
  5. Kodu çalıştırın.
    1. Ana komut dosyasını bulduktan sonra, kodu çalıştırmak için komut satırında aşağıdaki komutu kullanın (örnek olarak SVM.py kullanarak). Ana komut dosyası RF.py ise, bunun yerine ilgili komut dosyasını çalıştırın.
      python SVM.py.
    2. Kodu çalıştırırken, doğru çalışma dizinine geçin veya komut satırında tam yolunu kullanarak komut dosyasını belirtin. Örneğin, komut satırında python SVM.py çalıştırıyorsanız, SVM.py içeren dizine geçin veya mutlak yolu kullanın:
      python C:/path/to/your/repository/SVM.py.
    3. Yürütme sırasında kod verileri yükler, makine öğrenimi modellerini (SVM veya RF) eğitir ve doğruluk, karışıklık matrisi ve ROC eğrisi gibi sonuçları çıkarır.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

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

Ses özelliği indeks veri tabanı yapımının tamamlanması

Bu çalışma, ses sinyallerinin çok seviyeli bir analizi yoluyla 467 ses özelliği metriğini başarıyla çıkardı. 467 ses özelliği göstergesi için yukarıdaki GitHub URL'sine bakın. Kullanılan analitik yöntemler arasında zaman alanı analizi, frekans alanı analizi, MFCC ekstraksiyonu ve Geleneksel Çin Tıbbı teşhis standartlarına dayalı özelliklerin dönüşümü yer alır. Spesifik olarak, zaman alanı analizi, sinyalin temel dalga biçi...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

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

Bu çalışma, ses sinyali analizi ve makine öğrenimi tekniklerini kullanarak non-invaziv astım tespit yöntemlerini araştırmaktadır. Bu çalışma, 50 astım hastasından ve 50 sağlıklı kontrolden ses verileri toplayarak, SVM ve RF algoritmalarını kullanarak modeller oluşturdu 16,17,18,19,20. Her iki model de genel olarak doğru sınıfl...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

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

Yazarların beyan edebilecekleri herhangi bir çıkar çatışması yoktur.

Teşekkürler

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

Bu çalışma, Çin Ulusal Doğa Bilimleri Vakfı Gençlik Bilim Fonu Projesi (Proje Onay No: 82104739) ve Hebei İl Geleneksel Çin Tıbbı İdaresi Bilimsel Araştırma Programı (Proje No: B2025032) tarafından desteklenmiştir. Yazarlar, deney sırasında yardım sağlayan tüm öğretmenlere ve öğrencilere teşekkür eder.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
DeviceTedarikçiModel/SürümBrand
Dijital KaydediciZOOM Audio StoreH6ZOOM
GitHubResmi Web Sitesi2.47.1.2Git
Matlabhttps://www.mathworks.com/R2024bMatematik Çalışmaları
PycharmResmi Web Sitesi2024.1JetBrains
PythonResmi Web Sitesi3.12Python

Kaynaklar

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

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

İlgili makaleler