Ses Sinyali İşleme ve Makine Öğrenmesine Dayalı Astım Tespit Araştırması
22 Temmuz 2025
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.
- Daha sonra bu alandaki en son gelişmeleri ve mevcut deneysel zorlukları tartışacağım. Mevcut teknolojiler, ses sinyallerindeki hastalıkla ilgili kalıpları tespit etmek için yapay zeka güdümlü ses analizi, SVM gibi hareket teknikleri, MFCC gibi sinyal işleme araçları ve değişken akustik sensörler kullanır. Ses tabanlı tanıların klinik çevirisindeki mevcut zorluklar arasında kıt veri, sınırlı model genellemesi, gizlilik etiği, çatışmalar ve birlikte çalışabilirlik engelleri yer almaktadır.
[Öğretim Görevlisi] Başlamak için komut satırı aracını açın ve GitHub deposunu yerel makineye kopyalayın. Python'u makineye yüklemek için resmi Python web sitesine gidin. Python'u kurduktan sonra requirements.txt dosyasını kullanarak gerekli Python kütüphanelerini kurunuz. Alternatif olarak, metin dosyası mevcut değilse, verilen komutu kullanarak gerekli kitaplıkları manuel olarak kurun. Ardından PyCharm'ı resmi web sitesinden yükleyin. Şimdi, klonlanmış depodaki ana komut dosyalarını bulun. Python dosyalarını açmak ve içeriklerini ve yapılarını gözden geçirmek için PyCharm veya bir metin düzenleyici kullanın. Veri kümesini yapılandırmak için, kodun gerektirdiği veri dosyalarının kullanılabilir olduğunu ve Excel biçiminde kaydedildiğini doğrulayın. Komut dosyalarındaki dosya yollarını, sistemdeki gerçek dosya konumlarıyla eşleşecek şekilde güncelleştirin. Ana komut dosyasını tanımladıktan sonra, o komut dosyası için uygun komutu kullanarak kodu çalıştırın. Yürütme sırasında kod verileri yükler, makine öğrenimi modellerini eğitir ve doğruluk, karışıklık matrisi ve alıcı çalışma karakteristiği veya ROC eğrisi gibi sonuçları görüntüler. Bu şekil, astım ve sağlıklı kontrol denekleri için sınıflandırma sonuçlarını gösteren, destek vektör makinesi veya SVM modeli ve rastgele orman veya RF modeli için karışıklık matrislerini sunmaktadır. SVM modeli, karışıklık matrisindeki 30 örnekten 14 astım deneğini ve 12 sağlıklı kontrolü doğru bir şekilde sınıflandırdı. RF modeli ayrıca 14 astım vakasını ve 12 sağlıklı kontrolü doğru bir şekilde tahmin etti ve karşılaştırılabilir sınıflandırma sonuçları gösterdi. SVM modeli, ROC analizinde 0,95 eğri değeri altında daha yüksek bir alan elde etti ve bu da üstün sınıflandırma performansını yansıttı. Hem SVM hem de RF modelleri, test veri kümesinde %87'lik aynı genel sınıflandırma doğruluğunu elde etti. Sınıf bazında performansta, SVM modeli astım grubunda 0.93'te daha yüksek hatırlama gösterdi, ancak sağlıklı kontrol grubunda 0.80'de daha düşük hatırlama gösterdi, bu da SVM'nin astımı tanımlamada etkili olmasına rağmen, bazı sağlıklı bireyleri yanlış sınıflandırabileceğini düşündürdü. RF modeli, astım için 0.93 ve sağlıklı kontroller için 0.80 olan aynı hatırlama değerlerini elde etti, bu da her iki modelin de benzer duyarlılığa sahip olduğunu ve pozitif vakaları eşit derecede tanımlayabildiğini gösteriyor.
Tam transkripti görüntüleyin ve binlerce bilimsel videoya erişin
Genel Bakış
Bu çalışma, astımın non-invaziv erken teşhisi için yapay zeka destekli ses analizi ve makine öğrenimi tekniklerinin kullanımını araştırmaktadır. Destek Vektör Makinesi (SVM) ve Random Forest (RF) algoritmaları kullanan araştırma, astım vakalarının tanımlanmasında benzer sınıflandırma doğrulukları sergilemektedir.
Temel Çalışma Bileşenleri
Bilim Alanı
- Nörobilim
- Makine Öğrenmesi
- Ses Sinyali Analizi
Arka Plan
- Güncel teknolojiler, hastalığa bağlı kalıpları tespit etmek için yapay zeka destekli ses analizinden yararlanmaktadır.
- Klinik uygulamaya geçişteki zorluklar arasında veri kıtlığı ve gizlilik etiği yer almaktadır.
- Sınıflandırma görevleri için SVM ve RF gibi makine öğrenimi modelleri kullanılmaktadır.
- Sese dayalı teşhis yöntemleri, non-invaziv doğaları nedeniyle dikkat çekmektedir.
Çalışmanın Amacı
- Astım tespitinde ses sinyali analizinin etkinliğini araştırmak.
- SVM ve RF algoritmalarının performanslarını karşılaştırmak.
- Klinik ortamlarda ses tabanlı tanı uygulamalarının önündeki zorlukları ele almak.
Kullanılan Yöntemler
- MATLAB kullanılarak ses sinyali analizi.
- Makine öğrenmesi algoritmaları: Destek Vektör Makinesi (SVM) ve Rastgele Orman (RF).
- Sınıflandırma doğruluğunun ve performans metriklerinin değerlendirilmesi.
- Model karşılaştırması için konfüzyon matrisi ve ROC eğrisi analizi.
Temel Sonuçlar
- Hem SVM hem de RF, %87'lik bir genel sınıflandırma doğruluğuna ulaşmıştır.
- SVM, ROC analizinde 0,95 ile daha yüksek bir eğri altında kalan alan değeri göstermiştir.
- SVM, sağlıklı kontrollere (0,80) kıyasla astım grubunda daha yüksek geri çağırma (recall) değerine (0,93) sahip olmuştur.
- RF, her iki grup için benzer geri çağırma değerleri sergileyerek karşılaştırılabilir bir hassasiyet göstermiştir.
Sonuçlar
- Makine öğrenmesi ile birleştirilen ses analizi, astımı etkili bir şekilde tespit edebilir.
- SVM, duyarlılık ve özgünlük arasında daha iyi bir denge sağlayabilir.
- Klinik uygulama zorluklarını gidermek için daha fazla araştırmaya ihtiyaç vardır.
Sıkça Sorulan Sorular
Yönetici Sektör Uygunluğu
Makine öğrenimi ile birleştirilen ses sinyali işleme, solunum yolu hastalığı araştırmalarında objektif ve tekrarlanabilir tanı yöntemlerine duyulan kritik ihtiyacı karşılayarak, erken astım tespiti için ölçeklenebilir ve non-invaziv bir yaklaşım sunar. Nicel ses özellikleri ve güçlü sınıflandırma modellerinden yararlanan bu iş akışı, hedef doğrulama ve analiz geliştirme aşamalarında öngörü güvenilirliğini artırır. Bu metodoloji, biyobelirteç keşfi ve translasyonel araştırmalarda standartlaştırılmış, veri odaklı karar verme süreçlerini mümkün kılarak portföy genelinde risk azaltımını destekler.
Biyofarma Ar-Ge'sinde Stratejik Uygulamalar
Erken Keşif ve Hedef Doğrulama
- Solunum yolu hedef doğrulaması için hastalıkla ilgili ses biyobelirteçlerinin sorgulanmasını sağlar.
- Hasta ve kontrol grupları arasındaki farklı fonetik özellikleri nicelleştirerek mekanistik risk azaltımını destekler.
- Erken aşama biyobelirteç seçimi ve triyajında öngörücü güveni kolaylaştırır.
Tarama ve Analiz Geliştirme
- Aşağı akışlı makine öğrenimi model entegrasyonu için valide edilmiş ses tabanlı analizler hazırlar.
- Tekrarlanabilir nicel çıktılar için özellik çıkarımını ve boyut indirgemeyi standartlaştırır.
- SVM ve RF sınıflandırma modellerini kullanarak aday biyobelirteçlerin ölçeklenebilir taramasını sağlar.
Translasyonel ve Preklinik Araştırmalar
- İnvaziv olmayan ses biyobelirteçlerini, solunum yolu hastalığı modelleri için translasyonel son noktalarla hizalar.
- Objektif ve kantitatif okumalar sağlayarak, keşif aşamasından preklinik doğrulamaya kadar olan sürekliliği destekler.
- Aday biyobelirteçlerin daha ileri aşamadaki çalışmalara taşınmasındaki biyolojik riski azaltır.
Boru Hattı ve İş Akışı Entegrasyonu
Bu iş akışı, sağlam biyobelirteç geliştirme için ses sinyali analitiği ve makine öğreniminden yararlanarak, erken keşif aşamasından öncü bileşik tanımlama ve preklinik doğrulamaya kadar olan süreçleri entegre eder.
- Keşif Biyolojisi: Kantitatif ses özelliği analizi, solunum yolu hastalıklarında hipotez testlerini ve yolak netleştirmeyi destekler.
- Tarama: Makine öğrenimi modelleri, aday biyobelirteç değerlendirmesi için tekrarlanabilir ve kantitatif sınıflandırma çıktıları sağlar.
- Analitik: Çıktılar, model performansını karşılaştırmak ve devam/durdur kararlarını bilgilendirmek için doğruluk oranı, konfüzyon matrisleri ve ROC eğrilerini içerir.
- Translasyonel Araştırma: Non-invaziv ses biyobelirteçleri, klinik son noktalar ve preklinik model sistemleriyle uyum sağlanmasını kolaylaştırır.
- Kurumsal Yeniden Kullanım: Standardize edilmiş iş akışı ve özellik seti, solunum yolu hastalıkları ve potansiyel olarak diğer hastalık alanlarında yeniden kullanıma olanak tanır.
Operasyonel ve Kurumsal Etki
- Bilimsel Değer: Solunum biyobelirteçlerinin keşfinde öngörü güvenini artırır ve mekanistik belirsizliği azaltır.
- Operasyonel Değer: Makine öğrenmesi entegrasyonu için standartlaştırılmış, tekrarlanabilir ve ölçeklenebilir ses tabanlı analizler sunar.
- Stratejik Değer: Objektif ve kantitatif çıktılar sağlayarak karar verme kalitesini ve sermaye verimliliğini artırır.
- Portföy Etkisi: Ar-Ge hattındaki aday biyobelirteçlerin riskle uyumlu şekilde önceliklendirilmesine ve geliştirilmesine olanak tanır.
Uygulama Hususları
- Sinyal işleme, makine öğrenimi ve solunum yolu hastalıkları biyolojisi konularında uzmanlık gerektirir.
- Yüksek kaliteli ses kayıt altyapısına ve hesaplamalı analiz platformlarına erişim gereklidir.
- Veri toplama, özellik çıkarımı ve model değerlendirme protokollerinin ekipler arası standardizasyonunu gerektirir.
- Farklı hasta popülasyonlarına ve hastalık modellerine adaptasyon, ek doğrulama gerektirebilir.
- Veri kıtlığı ve model genelleştirmesi, daha geniş kapsamlı klinik uygulamalar için pratik sınırlamalar olmaya devam etmektedir.
