Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.

Yöntem makalesi

Makine Öğrenimi Tabanlı Öksürük Tonu Sınıflandırması: Kronik Obstrüktif Akciğer Hastalığı ve Solunum Yolu Enfeksiyonlarının Tanısal Araştırması

1.1K görüntülenme

⸱

DOI:

10.3791/68222

⸱

19 Eylül 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

* These authors contributed equally

Bu makalede

Özet

Bu çalışma, konuşma sinyali işleme teknikleri ve makine öğrenimi algoritmalarının bir entegrasyonunu kullanarak, kronik obstrüktif akciğer hastalığı (KOAH) ve solunum yolu enfeksiyonları (RTI) teşhisi konan hastalardan öksürük sesi verileri elde ederek iki farklı kategorinin otomatik sınıflandırmasını etkili bir şekilde gerçekleştirdi.

Özet

Bu çalışmanın amacı, ses sinyali analizi ve makine öğrenimi kullanarak kronik obstrüktif akciğer hastalığı (KOAH) olan hastaları solunum yolu enfeksiyonu (RTI) olanlardan ayırt etmek için invazif olmayan bir yöntem geliştirmek ve değerlendirmekti. 25 KOAH hastasından ve 25 RTI hastasından (kontrol/karşılaştırma grubu olarak görev yapan) sabit model ses sinyalleri toplandı. İki grubu önemli ölçüde farklılaştıran özellikleri belirlemek için çok boyutlu ses özelliği analizi yapıldı. İstatistiksel olarak anlamlı özellikler seçildi ve boyut azaltımına tabi tutuldu. Lojistik Regresyon (LR) ve Rastgele Orman (RF) modelleri daha sonra eğitildi ve KOAH'ı RTI'den ayırt etmede sınıflandırma performansı açısından değerlendirildi. Başlangıçta 400'den fazla ses özelliği analiz edildi. On sekiz özellik, KOAH ve RTI hastaları arasında oldukça anlamlı farklılıklar gösterdi (P <; 0.05). KOAH hastalarını RTI hastalarından ayırma görevinde, LR modeli, RF modelinden önemli ölçüde daha iyi performans göstererek (AUC = 0.76) 0.95 AUC eğrisinin altında bir test seti alanı elde etti. Bu çalışma, KOAH'ı RTI'den ayırt etmek için umut verici bir non-invaziv araç olarak ses analizi ve makine öğreniminin, özellikle LR modelinin kullanılmasının fizibilitesini göstermektedir. Solunum rahatsızlıklarının ayırıcı tanısını gerektiren klinik ortamlarda bu ses tabanlı yaklaşımın pratik uygulaması ve daha fazla optimizasyonu için bir temel sağlar.

Giriş

Kronik obstrüktif akciğer hastalığı (KOAH) ve solunum yolu enfeksiyonları, küresel ölçekte mortalite ve morbiditeye önemli katkıda bulunmaktadır. KOAH, ağırlıklı olarak sigaranın neden olduğu, hava yollarını ve akciğer parankimini etkileyen kronik inflamatuar bir durum olarak tanımlanır. İnatçı öksürük, nefes darlığı ve balgam üretiminde artış gibi semptomlarla karakterizedir1. Dünya Sağlık Örgütü, 2030 yılına kadar KOAH'ın dünya çapında üçüncü önde gelen ölüm nedeni olacağını ve önemli bir ekonomik yük getireceğini tahmin ediyor 2,3. Buna karşılık, solunum yolu enfeksiyonları (RTI), küresel hastalık yükünün yaklaşık %6'sını oluşturur ve iskemik kalp hastalığı, HIV enfeksiyonu, kanser, sıtma ve ishalli hastalıklarla ilişkili yükü aşar4.

İki hastalığın klinik belirtilerindeki, özellikle yaygın bir semptom olan öksürük semptomatolojisindeki önemli benzerlikler nedeniyle, bu hastalıklar arasında erken ve kesin ayrım etkili tedavi için esastır 5,6. Geleneksel tanı yaklaşımları ağırlıklı olarak klinik semptom değerlendirmesine, akciğer fonksiyon testlerine ve laboratuvar analizlerine dayanır7. KOAH için geleneksel tanı yöntemleri, durumu tanımlamada ve değerlendirmede etkili olsa da, klinik uygulamada çeşitli sınırlamalar sergilerler. Bu sınırlamalar arasında yetersiz tanısal doğruluk, erken tanı için sınırlı kapasite, hastalık heterojenliğinin yetersiz anlaşılması ve dinamik izleme eksikliğiyer alır 8,9,10,11. KOAH için geleneksel tanı yöntemlerinin aksine, yeni ortaya çıkan bir yardımcı araç olan sesli tanı teknolojisi, özellikle erken teşhis, non-invaziv tanı ve dinamik izleme konularında çok sayıda avantaj sunmaktadır.

Konuşma analizindeki gelişmelerle, özellikle de öksürük seslerinin otomatik analiziyle birlikte, hızlı teşhis uygulamaları için ortaya çıkan bir potansiyel vardır. Araştırmalar, öksürük seslerinin akciğer hastalıklarıyla ilgili kapsamlı bilgileri kapsadığını ve akustik özelliklerinin hava yolu sağlık durumundaki değişiklikleri yansıttığınıgöstermektedir 12. Son zamanlarda, KOAH ve diğer durumların teşhisinde konuşma özelliği analizi için makine öğrenimine dayalı teknikler kullanılmış ve dikkate değer sonuçlar elde edilmiştir 13,14,15. Bu metodolojiler, öksürük seslerinden frekans, süre ve genlik gibi ses özelliklerini çıkararak ve bunları örüntü tanıma için makine öğrenimi algoritmalarıyla entegre ederek hastalıkların etkili bir şekilde sınıflandırılmasını kolaylaştırır.

Hastalık tanısında öksürük sesi analizinin potansiyelini araştıran bazı çalışmalara rağmen, KOAH hastaları ile RTI'li hastalar arasında ayrım yapmada önemli zorluklar devam etmektedir. Bu zorluk, her iki grubun öksürük seslerindeki örtüşen özellikler nedeniyle ortaya çıkar ve bireysel değişkenlik ile birleşir. Sonuç olarak, öksürük seslerinden daha kesin ve ayırt edilebilir özellikler elde etmek için yöntemlerin geliştirilmesi bu alanda kritik bir konu olmaya devam etmektedir.

Bu çalışma, KOAH tanısı alan 25 hastadan ve RTI'li 25 hastadan alınan sesleri kaydederek öksürük sesleri için otomatik bir sınıflandırma yöntemini araştırmayı amaçlamaktadır. Konuşma özelliği analizini makine öğrenimi algoritmalarıyla entegre ederek, hastalık farklılaşmasının doğruluğunu artırmayı, böylece KOAH ve RTI için erken teşhis yeteneklerini geliştirmeyi amaçlıyoruz.

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

Protokol

Pekin Çin Tıbbı Üniversitesi Etik Kurulu ve Üçüncü Bağlı Hastanesi bu araştırma çalışmasını onayladı. Tüm katılımcılar katılım için yazılı bilgilendirilmiş onaylarını verdiler. Temmuz ve Ağustos 2024 arasında, Pekin Çin Tıbbı Üniversitesi Üçüncü Bağlı Hastanesi Solunum Tıbbı Bölümü'nden 25 KOAH hastasından oluşan bir kohort işe alındı. Eş zamanlı olarak, tipik üst RTI'li 25 hastadan oluşan bir kontrol grubu da toplandı.

1. Katılımcı seçimi

  1. Dahil edilme kriterleri
    1. Düşük arka plan gürültüsüne ve net artikülasyona sahip ses örneklerini seçin.
    2. KOAH grubu için KOAH tanısının akciğer uzmanları tarafından belirlenen klinik kılavuzlar tarafından zorunlu kılındığından emin olun.
      1. GOLD2024 kriterlerine göre bronkodilatör sonrası spirometri (FEV 1/FVC < 0,70) ile tanıyı doğrulayın.
      2. Klinik stabiliteyi doğrulayın (4 hafta ≥ alevlenme yok)
    3. Karşılaştırma grubunun tipik üst RTI'den muzdarip kişilerden oluştuğundan emin olun.
      1. Solunum Yolu Enfeksiyonu Hastalıkları için Tanı ve Tedavi Kılavuzlarının tanı kriterlerini kullanarak teşhis koyun.
      2. Semptom başlangıç süresinin 72 saat ≤ olduğundan emin olun.
      3. Kronik solunum yolu hastalığı öyküsünü hariç tutun.
    4. Yaşı 18-85 ile sınırlayın.
    5. Tüm katılımcılardan çalışmaya katılmak için yazılı bilgilendirilmiş onam vermelerini isteyin.
  2. Dışlama kriterleri
    1. Ses teli bozuklukları veya larenjit gibi konuşma güçlüğü yaşayan katılımcıları hariç tutun.
    2. Konuşma veya bilişsel işlevleri bozabilecek nörolojik rahatsızlıkları olan katılımcıları hariç tutun.
    3. Önemli işitme bozukluğu olan katılımcıları hariç tutun.
    4. Çalışma protokollerine uymayan veya yeterli sayıda ses örneği sağlayamayan katılımcıları hariç tutun.
    5. Bilgilendirilmiş onam veremeyen katılımcıları hariç tutun.

2. Çalışma tasarımı

  1. Katılımcıları, dış gürültü seviyeleri 30 dB'nin altında tutulan sessiz, izole edilmiş standart bir klinik konsültasyon odasına (4 m × 5 m boyutlarında) taşıyın. Doğal, rahat bir duruşta oturmalarını ve rahat bir durumda kalmalarını sağlayın.
  2. Katılımcının boyu, kilosu, yaşı ve diğer ilgili bilgiler dahil olmak üzere temel ayrıntılarını titizlikle belgeleyin ve mevcut sağlık durumunu bir doktorla teyit edin.
  3. İlk veri kaydının tamamlanmasının ardından, mikrofon ile katılımcının dudakları arasında yaklaşık 20-30 cm'lik bir mesafe bırakarak mikrofonun yüksekliğini uygun konuma ayarlayın.
  4. Ses kayıtlarını, örnekleme hızı eşit olarak 44,1 kHz'e ayarlanmış profesyonel bir taşınabilir el tipi çok kanallı kayıt cihazı kullanarak toplayın.
    1. Günlük kayıt oturumlarından önce cihaz kalibrasyonunu gerçekleştirin. Ekranda CAL ve mevcut seviye değeri görüntülenene kadar hedef kanalın GAIN düğmesini 2 saniye basılı tutun.
    2. Ekranda gösterilen giriş seviyesi test tonunun nominal değeriyle tam olarak eşleşene kadar GAIN düğmesini yavaşça çevirerek kazancı hedef değere ayarlayın. ≤±1 dB dahilinde hata payı sağlamak.
  5. Örnekleme ekibinin rehberliğinde, katılımcının durumuna göre doğal olarak öksürmesine izin verin. Kayıt cihazlarını kullanarak öksürük seslerini yakalayın.
  6. Sesi ' olarak kaydedin. WAV' dosya biçimi.
  7. Anormal ses segmentleri, manuel doğrulama ile tamamlanan ses etkinliği algılama (VAD) kullanılarak kaldırıldı. >20 dB'lik sinyal-gürültü oranı (SNR) eşiğini karşılayan kayıtlar çalışmaya dahil edildi.
    NOT: Metodolojinin tamamı GitHub depomuzda (https://github.com/Liteng811/speech-feature-index-database-construction) mevcuttur.

3. Vokal Özellik Deposunun Geliştirilmesi

NOT: Ses özelliği göstergesi veritabanı, KOAH ve RTI'deki ses modellerinin karşılaştırmalı analizi için akustik özelliklerin bir koleksiyonudur. Metodolojik mimari Tablo 1'de detaylandırılmıştır. Yapımı için açık kaynaklı bir kod tabanı uygulandı ve GitHub'dan (https://github.com/Liteng811/speech-feature-index-database-construction) erişilebilir. Aşağıdaki adımlar, kodun indirilmesini ve yürütülmesini detaylandırır.

  1. MATLAB'ı MathWorks resmi web sitesinden (https://www.mathworks.com/) bilgisayara yükleyin. İşletim sistemi için uygun sürümün seçildiğinden emin olun. MATLAB'ın doğru şekilde kurulduğunu doğrulamak için MATLAB yazılımını başlatın ve komut penceresine ver yazın. Düzgün bir şekilde kurulursa, MATLAB'ın sürüm bilgileri görünmelidir.
  2. Git'i resmi Git web sitesinden yükleyin (https://git-scm.com/). Başarılı kurulumu onaylamak için komut satırına aşağıdaki komutu girin (Windows için Komut İstemi, Mac/Linux için Terminal): git --version. Git başarıyla yüklendiyse, sürüm bilgileri görüntülenecektir.
  3. Kod Deposunu Al
    1. Bir komut satırı arabirimi kullanarak, proje dosyalarını yerel makinenize indirmek için git clone komutunu yürütün:
      git klon https://github.com/Liteng811/voice-feature-index-database-construction.git
      NOT: Bu işlem, mevcut çalışma dizininizde tüm proje dosyalarını içeren "voice-feature-index-database-construction" adlı yeni bir dizin oluşturur.
    2. Aşağıdakileri çalıştırarak içeriğini yönetmek için indirilen klasöre erişin:
      cd ses-özellik-dizin-veritabanı-inşaatı.
  4. MATLAB Ortam Kurulumu.
    1. MATLAB uygulamasını başlatın.
    2. Proje klasörünü MATLAB arama yoluna entegre edin. Giriş sekmesine gidin, Yolu Ayarla'yı ve ardından Klasör Ekle'yi tıklayın. Klonlanmış ses-özellik-dizini-veritabanı-inşaat dizinini seçin ve değişiklikleri kaydedin. Bu, MATLAB'ın gerekli tüm komut dosyalarına erişmesini sağlar.
    3. MATLAB'daki Geçerli Klasör panelinden, üzerine çift tıklayarak ana işleme komut dosyasını (voiceH6_batch_3_stage_WAV_tt.m) açın.
  5. Veri Hazırlama.
    1. Analiz, .wav veya .pcm biçiminde giriş ses dosyaları gerektirir.
    2. Bu ses dosyalarının yolları komut dosyaları içinde sabit kodlanmıştır. Bu yol değişkenlerini yerel sistemdeki doğru konumlara işaret edecek şekilde güncelleştirin.
  6. Komut Dosyası Yürütme.
    1. Ana komut dosyası (voiceH6_batch_3_stage_WAV_tt.m) açıkken, Çalıştır düğmesine tıklayarak veya komut dosyası adını doğrudan MATLAB Komut Penceresine yazarak işlemeyi başlatın: voiceH6_batch_3_stage_WAV_tt.
    2. Komut dosyası, kullanıcı etkileşimini gerektirir. MATLAB, kullanıcıdan uygun ses dosyasını veya klasörünü seçmesini isteyen bir grafik arayüz görüntüleyecektir. İşleme için seçilen ses dosyasının veya klasörün istemle eşleştiğinden emin olun.
    3. Komut dosyasını MATLAB'da çalıştırırken grafik arayüzün donması veya görüntülenmemesiyle ilgili sorunlarla karşılaşılırsa, MATLAB sürümüyle olası uyumluluk sorunlarını doğrulayın veya işletim sisteminin grafik sürücülerinin düzgün çalıştığından emin olun.
  7. Sonuçların çıktısını alın. Tamamlandığında, komut dosyasının özellik çıkarma sonuçlarını yazacağı bir .txt çıktı dosyası arayın. Çıktı dosyası, ses özelliği tanıma sonuçları gibi bilgileri içerecektir.

4. Veri analizi

NOT: Vokal özellik göstergesi veri tabanının oluşturulmasının ardından istatistiksel analizler yapılmıştır. Analitik yaklaşım Tablo 2'de özetlenmiştir. KOAH ve RTI grupları arasındaki ses sinyali özelliklerindeki farklılıkları değerlendirmek için Mann-Whitney U testi kullanıldı.

  1. Mann-Whitney U için test edin.
    NOT: Konuşma özelliği indeksi kütüphanesi elde edildikten sonra SPSS 20.0 kullanılarak veriler üzerinde Mann-Whitney U testi yapıldı. Operasyon süreci aşağıdaki gibidir:
    1. SPSS'i açın ve veri dosyasını yükleyin.
    2. Menü çubuğundan Parametrik >Olmayan Testleri > Eski İletişim Kutularını > 2 Bağımsız Örneği Analiz Et'i seçin.
    3. Açılan iletişim kutusunda:
      1. Test Değişkeni Listesi: Karşılaştırılacak değişkenleri seçin (gözlemlenen değişkenler).
      2. Gruplama Değişkeni: Gruplama değişkenini (gruplama için kullanılacak değişken) seçin.
      3. Açılır pencerede iki grubun tanımlayıcılarını girmek için Grupları Tanımla düğmesini tıklatın (örneğin, "Grup 1" ve "Grup 2" olarak gruplanmışsa 1 ve 2 girin).
    4. Test Türü'nde, kısmen Mann-Whitney U testini seçin.
    5. Tamam'ı tıklattığınızda SPSS çıktıyı otomatik olarak oluşturur.
  2. Temel Bileşen Analizi (PCA)
    NOT: İstatistiksel olarak anlamlı özelliklerin belirlenmesinin ardından, gelişmiş veri araştırması için Temel Bileşen Analizi (PCA) kullanıldı. Bu teknik, orijinal değişkenleri kritik bilgileri koruyan ve veri kümesinin yorumlanabilirliğini basitleştiren daha küçük bir bileşik bileşen kümesine yoğunlaştırarak boyutluluğu azaltır. PCA gerçekleştirilmeden önce, ölçekle ilgili önyargıları azaltmak için veriler istatistiksel yazılım tarafından otomatik olarak standartlaştırıldı. Prosedür şu şekilde yürütüldü:
    1. Verilerin harmanlandığından, Excel ya da CSV biçiminde kaydedildiğinden ve SPSS 20.0'a aktarıldığından emin olun.
    2. Dosya > > Veri'yi Aç'ı seçin, ardından açılacak dosyayı seçin.
    3. Verilerdeki eksik değerlerin ve aykırı değerlerin işlendiğinden ve değişkenlerin standartlaştırıldığından emin olun.
    4. SPSS' de PCA analizi için, Analyze > Dimension Reduction > Factor (Boyut Azaltma Faktörü) seçeneğini tıklatın.
    5. İletişim kutusunda, PCA'da kullanılan tüm değişkenleri Değişkenler alanına ekleyin. Bu değişkenler genellikle sürekli verilerdir.
    6. Çıkarma yöntemini ayarlayın.
      1. İletişim kutusunda, Çıkarma düğmesini tıklatın ve Temel Bileşenler yöntemini seçin. Varsayılan olarak, SPSS verilerdeki varyansı açıklamak için yeterli sayıda temel bileşeni çıkarır.
      2. Tutma kriteri olarak 1'den büyük Özdeğerler'i seçin, yani yalnızca özdeğerleri 1'den büyük olan temel bileşenler korunur, bu da genellikle varyansın çoğunu açıklar.
    7. Döndürme yöntemini seçin ve Döndürme'yi tıklatarak Varimax (ortogonal döndürme) veya Promax'ı (eğik döndürme) seçin. Çoğu uygulama için Varimax yaygın olarak kullanılan bir döndürme yöntemidir.
    8. Seçeneklerde, Kayşat grafiğini ve Katsayı matrisini kontrol edin, böylece temel bileşenlerin çakıl diyagramı ve her bir temel bileşenin katsayı matrisi, tutulan varyansı yargılamaya yardımcı olmak için çıkarılabilir.
    9. Tüm seçenekleri ayarladıktan sonra, OK düğmesine basın ve SPSS çıktıyı oluşturacaktır.
    10. Sonuçların yorumlanması.
      1. Temel bileşenler ve orijinal değişkenler arasındaki ilişkileri belirlemek için temel bileşen yükleme matrisini yorumlayın. Daha yüksek yük değerlerine sahip değişkenlerin değişikliklere daha fazla katkı gerektirdiğini unutmayın.
      2. "Toplam Varyans Açıklaması" tablosunu kullanarak varyansı açıklayın. Her bir temel bileşen için özdeğerleri ve varyans oranlarını gözlemleyin. Genellikle çoğu veri varyasyonunu açıkladıkları için büyük varyans oranlarına sahip temel bileşenleri seçin.
      3. Tutulan temel bileşenleri belirlemek için kayşat grafiğini kullanın. Çizimdeki net bükülme noktasını belirleyin. Ana bileşenleri bükülme noktasının solunda tutun.
      4. Temel bileşen puanları: Temel bileşendeki her bir örnek için puan alınması gerekiyorsa değişken olarak kaydet seçeneğini işaretleyin ve SPSS, temel bileşen puanlarını veri kümesine yeni değişkenler olarak ekleyecektir.

5. Lojistik Regresyon (LR) ve Rastgele Orman (RF) modelinin oluşturulması

NOT: LR ve RF modellerinin oluşturulması için özel metodolojik çerçeve Tablo 3'te detaylandırılmıştır. Bu arada, bu çalışmadaki LR ve RF modelleri GitHub'a (https://github.com/Liteng811/The-distinction-between-COPD-and-respiratory-infections) yüklenmiştir. Aşağıda öncelikle kodun GitHub'dan nasıl indirileceği ve çalıştırılacağı açıklanacaktır. RF modeli, birincil programlama dili olarak Python 3.12.3 kullanılarak oluşturulmuştur.

  1. Proje kod tabanını edinin.
    1. Bir terminal veya komut istemi başlatın ve depoyu yerel olarak indirmek için git clone komutunu çalıştırın:
      git klonu KOAH ve solunum enfeksiyonları arasındaki ayrım.git KOAH ve solunum enfeksiyonları arasındaki ayrım.git
      Bu komutun, tüm depo içeriğini geçerli çalışma dizininize aldığını ve KOAH ve solunum enfeksiyonları arasındaki ayrım başlıklı yeni bir klasör oluşturduğunu unutmayın.
  2. Programlama ortamını ayarlayın.
    1. Python'u resmi dağıtım sitesinden (https://www.python.org/) indirip yükleyin.
    2. Gereksinimler dosyasında listelenen tüm Python bağımlılıklarını yüklemek için aşağıdaki komutu kullanın: pip install -r requirements.txt.
    3. requirements.txt dosyası kullanılamıyorsa, aşağıdakileri çalıştırarak temel kitaplıkları manuel olarak yükleyin:
      pip numpy pandas scikit-learn matplotlib'i yükleyin
    4. PyCharm entegre geliştirme ortamını resmi JetBrains web sitesinden (https://www.jetbrains.com/pycharm/) yükleyin.
  3. Depo İçeriğini Keşfedin.
    1. Depoda ana betik dosyalarını (LR.py, RF.py) bulun.
    2. Uygulamalarını ve yapısal ayrıntılarını gözden geçirmek için bu dosyaları bir kod düzenleyici veya PyCharm kullanarak açın.
  4. Giriş verilerini hazırlayın.
    1. Gerekli veri kümesinin, kodun beklediği gibi .xlsx biçimde mevcut olduğundan ve yürütmeden önce uygun şekilde organize edildiğinden emin olun.
    2. Kod, sabit kodlanmış dosya yolları içerir. Bu yolları, dosyaların gerçek konumlarını yansıtacak şekilde güncelleyin ve koddaki mevcut yolları (örneğin, C:\Users\1\Desktop\pca-result.xlsx) sistemdeki gerçek dosya yollarıyla etkili bir şekilde değiştirin.
  5. Kodu çalıştırın.
    1. Ana komut dosyası bulunduktan sonra, komut satırı aracılığıyla çalıştırın. Örneğin, LR.py çalıştırmak için şunu kullanın: python LR.py
      Hedef komut dosyası RF.py ise dosya adını buna göre değiştirin.
    2. Yürütmeden önce terminalin doğru çalışma dizininde olduğundan emin olun veya betiğin tam yolunu belirtin. Mesela:
      python C:/path/to/your/repository/LR.py.
    3. Çalışma sırasında komut dosyası veri kümesini yükleyecek, ilgili makine öğrenimi modelini (LR veya RF) eğitecek ve doğruluk, karışıklık matrisi ve ROC eğrisi dahil olmak üzere performans ölçümleri oluşturacaktır.

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

Sonuçlar

Veri analizi sonuçları

Araştırma, zaman alanı analizi, frekans alanı analizi, Mel-frekans Cepstral Katsayısının (MFCC) çıkarılması ve TCM tanısına göre özellik göstergelerinin değiştirilmesi gibi yöntemleri kullanarak 400'den fazla konuşma özelliği indeksini başarıyla izole etti. Zaman alanını analiz etmek, diğerlerinin yanı sıra enerji, sıfır üstü hız, doğrusal eğilimler ve zarflar, otokorelasyon çalışmaları ve...

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

Tartışma

Bu çalışma, ses sinyali analizi ve makine öğrenimi teknikleri yoluyla KOAH'ı tespit etmek için invaziv olmayan yöntemleri araştırmaktadır. 25 KOAH hastasından ve 25 RTI hastasından ses verilerinin toplanmasını içeriyordu. Modeller LR ve RF algoritmaları kullanılarak oluşturulmuştur. Her iki model de numuneleri genel olarak doğru şekilde sınıflandırmada benzer doğruluk gösterdi, ancak AUC değerlerindeki fark, LR modelinin duyarlılık ve özgüllük arasında üstün bir denge sunabileceğini göst...

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

Açıklamalar

Yazarlar bu çalışmanın yayınlanmasıyla ilgili herhangi bir çıkar çatışması beyan etmemektedir. Bu araştırmanın sonuçlarını veya yorumunu etkileyebilecek herhangi bir ticari kuruluştan mali veya mali olmayan hiçbir destek alınmamıştır. Tasarım, veri toplama, analiz ve makale hazırlama dahil olmak üzere çalışmanın tüm yönleri herhangi bir dış etkiden bağımsız olarak yürütülmüştür.

Teşekkürler

Bu çalışma, Çin Ulusal Doğa Bilimleri Vakfı Gençlik Bilim Fonu Projesi (Proje Onay Numarası: 82104739) ve Hebei Geleneksel Çin Tıbbı İl İdaresi Bilimsel Araştırma Programı (Proje Numarası: B2025032) tarafından desteklenmiştir. Yazarlar, deney sırasında yardım sağlayan tüm öğretmen 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
Dijital KaydediciYAKINLAŞTIRMAKH6ZOOM Ses Mağazası
GitHubAptal2.47.1.2Resmi Web Sitesi
MatlabMathWorksR2024bResmi Web Sitesi
PycharmJetBrains2024.1Resmi Web Sitesi
PitonPiton3.12Resmi Web Sitesi

Kaynaklar

  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).

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

Yeniden basım ve izinler

Etiketler

Makine Öğrenmesi TanılarıSes Sinyali AnaliziLojistik Regresyon ModeliRastgele Orman ModeliTemel Bileşen AnaliziSes Özelliği Çıkarımıİnvaziv Olmayan Tanı
Makine Öğrenimi Tabanlı Öksürük Tonu Sınıflandırması: Kronik Obstrüktif Akciğer Hastalığı ve Solunum Yolu Enfeksiyonlarının Tanısal Araştırması
Bize Ulaşın
Kütüphaneye Öner

Gizlilik

Kullanım Koşulları

Politikalar

Telif Hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.