基于语音信号处理与机器学习的哮喘检测研究
2025年7月22日
本研究采用语音信号分析和机器学习方法，利用 MATLAB 提取具有区分性的语音特征，以实现哮喘的无创早期检测。支持向量机（SVM）和随机森林（RF）算法在整体分类准确率方面表现出相似的性能，尽管 SVM 在敏感性和特异性之间的平衡可能更优。
— 接下来，我将讨论该领域最新的研究进展以及当前的实验挑战。目前的技术采用人工智能驱动的语音分析、基于SVM的运动分析技术、MFCC等信号处理工具，以及可变声学传感器，以检测声音信号中与疾病相关的模式。基于语音的诊断技术在临床转化中面临的主要挑战包括数据稀缺、模型泛化能力有限、隐私伦理问题、利益冲突以及互操作性障碍。
[讲师] 首先，打开命令行工具，并将 GitHub 仓库克隆到本地计算机。前往 Python 官方网站，在计算机上安装 Python。安装 Python 后，使用 requirements.txt 文件安装所需的 Python 库。或者，如果该文本文件不可用，则使用给定的命令手动安装必要的库。然后从其官方网站安装 PyCharm。现在，在克隆的仓库中找到主脚本文件。使用 PyCharm 或文本编辑器打开 Python 文件，并查看其内容和结构。为配置数据集，请确认代码所需的文件已存在并以 Excel 格式保存。更新脚本中的文件路径，使其与系统中实际的文件位置一致。在确定主脚本后，使用相应的命令运行该脚本。执行过程中，代码将加载数据、训练机器学习模型，并显示结果，如准确率、混淆矩阵以及受试者工作特征（ROC）曲线。该图展示了支持向量机（SVM）模型和随机森林（RF）模型的混淆矩阵，显示了它们对哮喘患者和健康对照受试者的分类结果。在混淆矩阵中，SVM 模型在 30 个样本中准确分类了 14 名哮喘受试者和 12 名健康对照者。RF 模型也正确预测了 14 例哮喘病例和 12 名健康对照者，显示出相当的分类效果。在 ROC 分析中，SVM 模型的曲线下面积（AUC）值更高，达到 0.95，反映出更优的分类性能。SVM 和 RF 模型在测试数据集上的总体分类准确率均为 87%。在按类别评估的性能中，SVM 模型在哮喘组中表现出更高的召回率（0.93），但在健康对照组中的召回率较低（0.80），表明虽然 SVM 在识别哮喘方面有效，但可能将部分健康个体误分类。RF 模型在哮喘组和健康对照组的召回率分别为 0.93 和 0.80，与 SVM 模型相同，表明两个模型具有相似的敏感性，识别阳性病例的能力相当。
查看完整文字稿并访问数千部科学视频
概述
本研究探讨了利用人工智能语音分析和机器学习技术进行哮喘无创早期检测的方法。通过采用支持向量机（SVM）和随机森林（RF）算法，研究证明了在识别哮喘病例方面具有相当的分类准确率。
关键研究组成部分
科学领域
- 神经科学
- 机器学习
- 语音信号分析
背景
- 当前的技术利用人工智能驱动的语音分析来检测与疾病相关的模式。
- 临床转化中的挑战包括数据稀缺性和隐私伦理问题。
- 支持向量机（SVM）和随机森林（RF）等机器学习模型被用于分类任务。
- 基于语音的诊断因其无创性而日益受到关注。
研究目的
- 探讨语音信号分析在检测哮喘中的有效性。
- 比较支持向量机（SVM）和随机森林（RF）算法的性能。
- 解决在临床环境中实施基于语音诊断所面临的挑战。
使用的方法
- 使用 MATLAB 进行语音信号分析。
- 机器学习算法：支持向量机（SVM）和随机森林（RF）。
- 分类准确率与性能指标的评估。
- 混淆矩阵与 ROC 曲线分析用于模型比较。
主要结果
- 支持向量机（SVM）和随机森林（RF）的总体分类准确率均达到87%。
- 在ROC分析中，SVM的曲线下面积值较高，为0.95。
- SVM在哮喘组中的召回率为0.93，高于健康对照组的0.80。
- RF在两组中的召回率相近，表明其敏感性相当。
结论
- 结合机器学习的语音分析可有效检测哮喘。
- 支持向量机（SVM）可能在敏感性和特异性之间提供更优的平衡。
- 仍需进一步研究以应对临床转化中的挑战。
常见问题
行业高层相关性
结合机器学习的语音信号处理为哮喘的早期检测提供了一种可扩展且无创的方法，满足了呼吸系统疾病研究中对客观、可重复诊断技术的迫切需求。通过利用定量的语音特征和稳健的分类模型，该工作流程在靶点验证和检测开发阶段提高了预测的可信度。该方法通过在生物标志物发现和转化研究中实现标准化、数据驱动的决策，支持整个研究组合的风险降低。
生物制药研发中的战略应用
早期发现与靶点验证
- 可检测与疾病相关的语音生物标志物，用于呼吸系统靶点验证。
- 通过量化患者组与对照组之间的语音特征差异，支持机制性风险评估。
- 有助于在早期阶段对生物标志物的筛选和分拣提供预测信心。
筛选与检测方法开发
- 为下游机器学习模型整合准备经过验证的基于语音的检测方法。
- 标准化特征提取和降维过程，以获得可重复的定量结果。
- 利用支持向量机（SVM）和随机森林（RF）分类模型实现候选生物标志物的可扩展筛选。
转化与临床前研究
- 将无创语音生物标志物与呼吸系统疾病模型的转化终点相匹配。
- 通过提供客观、定量的读数，支持从发现到临床前验证的连续性研究。
- 降低将候选生物标志物推进至后期研究中的生物学风险。
流程与工作流整合
该工作流程整合了从早期发现到先导物识别及临床前验证的全过程，利用语音信号分析和机器学习技术，推动稳健的生物标志物开发。
- Discovery Biology: 呼吸系统疾病中的定量语音特征分析可支持假设检验与通路阐明。
- Screening: 机器学习模型可为候选生物标志物评估提供可重复、定量的分类结果。
- Analytics: 输出结果包括准确率、混淆矩阵和ROC曲线，用于比较模型性能并支持决策判断。
- Translational Research: 无创语音生物标志物有助于与临床终点及临床前模型系统相衔接。
- Enterprise Reuse: 标准化的工作流程和特征集可在呼吸系统疾病领域及潜在的其他疾病领域中实现重复利用。
运营与企业影响
- 科学价值：提高呼吸生物标志物发现的预测可信度，并减少机制上的模糊性。
- 操作价值：提供标准化、可重复且可扩展的基于语音的检测方法，便于与机器学习整合。
- 战略价值：通过提供客观、定量的输出结果，提升决策（推进/终止）的质量与资本使用效率。
- 项目组合影响：支持在整个研发管线中对候选生物标志物进行基于风险调整的优先排序与推进。
实施注意事项
- 需要具备信号处理、机器学习和呼吸系统疾病生物学方面的专业知识。
- 需要具备高质量语音录制基础设施和计算分析平台的使用权限。
- 要求跨团队在数据采集、特征提取和模型评估协议方面实现标准化。
- 在不同患者群体和疾病模型间的适用性可能需要额外的验证。
- 数据稀缺性和模型泛化能力仍是更广泛临床转化的实际限制因素。
