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

Bu araştırma, ses sinyal analizi ve makine öğrenimi kullanılarak kronik obstrüktif akciğer hastalıkları ve solunum yolu enfeksiyonlarının invaziv olmayan erken sınıflandırılması için ayırt edici ses özelliklerini çıkararak akustik tanı üzerine odaklanmaktadır. Bu alandaki son gelişmeler arasında yapay zeka odaklı ses analizi, konvolüsyon sinir ağları ve destek vektör makineleri gibi makine öğrenimi teknikleri, MFCC gibi sinyal işleme araçları ve ses sinyallerindeki hastalıkla ilgili desenleri tespit etmek için değişken akustik sensörler yer almaktadır. Ses tabanlı tanı uygulamasının klinik çevirisindeki başlıca zorluklardan biri veri kıtlığıdır.

Diğer zorluklar arasında sınırlı model genellemesi, gizlilik etîk, çatışmalar ve yorumlanabilirlik engelleri yer alır. Vokal özellik göstergesi veritabanını oluşturduktan sonra SPSS'i açın ve uygun veri dosyasını yükleyin. Menü çubuğundan Analiz Et, ardından Parametrik Olmayan Testler'i, ardından Miras Diyalogları'nı seçin ve 2 Bağımsız Örnek'e tıklayın.

Açılır açılır diyalog kutusunda, Test Değişken Listesi bölümünde karşılaştırılacak gözlemlenen değişkenleri seçin. Sonra, Gruplama Değişkeni altında, gruplama için kullanılacak değişkeni seçin. Grupları Tanımla' butonuna tıklayın ve açılır pencerede iki grubun tanımlayıcılarını girin.

Test Tipi altında Mann-Whitney U testini seçin. Testi çalıştırmak için Ok'a tıklayın ve SPSS'nin çıktıyı otomatik olarak üretmesine izin verin. Ana bileşen analizi için, verilerin derlendiğinden, Excel veya CSV formatında kaydedildiğinden ve SPSS sürüm 20.0'a aktarıldığından emin olun.

Dosyayı açmak için Dosya'yı, ardından Aç'ı, ardından Veri'yi seçin ve uygun dosyayı seçin. Ana bileşen analizini başlatmak için Analyze'a tıklayın, ardından Boyut Azaltma'yı seçin ve Faktör'ü seçin. Diyalog kutusunda, ana bileşen analizinde kullanılan tüm sürekli değişkenleri Değişkenler alanına ekleyin.

Ekstraksiyon butonuna tıklayın ve çıkarma tekniği olarak Ana bileşenler yöntemini seçin. Ana bileşenlerin korunması için kriter olarak 1'den büyük özdeğerleri seçin. Döndürme yöntemini seçin ve Varimax veya Promax seçmek için Rotation'a tıklayın.

Seçenekler bölümünde, elde tutulan varyantları değerlendirmek için çıktıda çakıl diyagramı ve katsayılar matrisini içeren hem Scree grafiki hem de katsayıcılık matrisini kontrol edin. Tüm ayarları tamamladıktan sonra, analizi yürütmek için Ok'a tıklayın ve SPSS'in çıktıyı üretmesine izin verin. Ana bileşen yükleme matrisini yorumlayarak ana bileşenler ile orijinal değişkenler arasındaki ilişkiyi değerlendirin.

Daha yüksek yükleme değerlerine sahip değişkenleri belirleyin, çünkü bunlar bileşen değişikliklerine daha önemli katkı sağlar. Her ana bileşenin ne kadar varyansı hesaba kattığını değerlendirmek için Toplam Varyans Açıklaması tablosunu kullanın. Büyük varyans oranlarına sahip ana bileşenleri belirleyin, çünkü genellikle veri varyasyonunun çoğunu kaplarlar.

Hangi bileşenlerin tutulacağını belirlemek için scree grafiğine bakın. Dönüş noktasını bulun ve tüm bileşenleri bu noktanın solunda tutun. Ana bileşen puanları gerekiyorsa, analizi çalıştırmadan önce Değişken olarak kaydet'i işaretleyin.

SPSS, veri setine her örneklem için puanları yeni değişkenler olarak ekler. Ana bileşen analizi, toplam varyansın %76,8'ini oluşturan altı ana bileşeni tespit etti. Lojistik regresyon modeli, üç doğrulama katında istikrarlı performans gösterdi; AUC değerleri 0.71, 0.74 ve 0.88 olarak ortalama 0.77 oldu.

Buna karşılık, rastgele orman modeli daha fazla değişkenlik gösterdi; katlama AUC puanları 0,69, 0,52 ve 0,83 ve ortalama AUC 0,68 olarak daha düşüktü. Lojistik regresyon modeli, KOAH için %100 doğru tahminler ve solunum yolu enfeksiyonları için yedi tahmin elde etti; bu da yüksek sınıflandırma doğruluğunu göstermektedir. Rastgele orman modeli, bir KOAH ve iki solunum yolu enfeksiyonu vakasını yanlış sınıflandırmış, bu da lojistik regresyon modeline kıyasla daha düşük sınıflandırma doğruluğuna yol açmıştır.

Test veri setinde, lojistik regresyon modeli mükemmel sınıflandırma performansı sağladı ve 0.95 AUC değeri elde etti. Rastgele orman modeli, 0,76 AUC değeriyle daha düşük test performansı gösterdi.