Исследования в области выявления астмы на основе обработки голосовых сигналов и машинного обучения
22 июля 2025 г.
В этом исследовании использовались методы анализа голосового сигнала и машинного обучения с использованием MATLAB для выделения отличительных черт голоса для неинвазивного раннего выявления астмы. Алгоритмы Support Vector Machine (SVM) и Random Forest (RF) продемонстрировали сопоставимую производительность с точки зрения общей точности классификации, хотя SVM может достичь лучшего баланса между чувствительностью и специфичностью.
- Далее я расскажу о самых последних разработках и текущих экспериментальных проблемах в этой области. Современные технологии используют анализ голоса на основе искусственного интеллекта, методы измерения движения, такие как SVM, инструменты обработки сигналов, такие как MFCC, и переменные акустические датчики для обнаружения связанных с заболеваниями паттернов в звуковых сигналах. Текущие проблемы клинического перевода голосовой диагностики включают в себя дефицит данных, ограниченное обобщение моделей, этику конфиденциальности, конфликты и барьеры совместимости.
[Инструктор] Для начала откройте инструмент командной строки и клонируйте репозиторий GitHub на локальный компьютер. Перейдите на официальный сайт Python, чтобы установить Python на машину. После установки Python установите необходимые библиотеки Python с помощью requirements.txt файла. В качестве альтернативы, если текстовый файл недоступен, установите необходимые библиотеки вручную с помощью данной команды. Затем установите PyCharm с официального сайта. Теперь найдите основные файлы скриптов в клонированном репозитории. Используйте PyCharm или текстовый редактор, чтобы открыть файлы Python и просмотреть их содержимое и структуру. Чтобы настроить набор данных, убедитесь, что файлы данных, необходимые для кода, доступны и сохранены в формате Excel. Обновите пути к файлам в скриптах, чтобы они соответствовали фактическому расположению файлов в системе. После определения основного скрипта запустите код с помощью соответствующей команды для этого скрипта. Во время выполнения код будет загружать данные, обучать модели машинного обучения и отображать такие результаты, как точность, матрица несоответствий и рабочая характеристика приемника или кривая ROC. На этом рисунке представлены матрицы неточностей для метода опорных векторов или модели SVM и модели случайного леса или радиочастотной модели, показывающие результаты их классификации для пациентов с астмой и здоровых контрольных субъектов. Модель SVM точно классифицировала 14 пациентов с астмой и 12 здоровых людей из контрольной группы из 30 образцов в матрице путаницы. Радиочастотная модель также правильно предсказала 14 случаев астмы и 12 здоровых людей из контрольной группы, показав сопоставимые результаты классификации. Модель SVM достигла более высокой площади под значением кривой 0,95 в ROC-анализе, что отражает превосходную классификацию. Обе модели SVM и RF достигли одинаковой общей точности классификации в 87% на тестовом наборе данных. В разбивке по классам модель SVM показала более высокую запоминаемость в группе с астмой (0,93), но более низкую память в здоровой контрольной группе (0,80), что позволяет предположить, что, хотя SVM эффективна в выявлении астмы, она может ошибочно классифицировать некоторых здоровых людей. Радиочастотная модель достигла одинаковых значений полноты 0,93 для астмы и 0,80 для здоровых контрольных групп, что указывает на то, что обе модели имеют схожую чувствительность и одинаково способны выявлять положительные случаи.
Просмотрите полный транскрипт и получите доступ к тысячам научных видео
Обзор
В данном исследовании изучается применение голосового анализа на базе ИИ и методов машинного обучения для неинвазивной ранней диагностики астмы. С помощью алгоритмов метода опорных векторов (SVM) и случайного леса (RF) в работе продемонстрирована сопоставимая точность классификации при выявлении случаев астмы.
Основные компоненты исследования
Область науки
- Нейронаука
- Машинное обучение
- Анализ голосового сигнала
Теоретическое введение
- Современные технологии используют анализ голоса на основе ИИ для выявления закономерностей, связанных с заболеваниями.
- Трудности при внедрении в клиническую практику включают дефицит данных и вопросы этики конфиденциальности.
- Для задач классификации применяются модели машинного обучения, такие как SVM и RF.
- Голосовая диагностика привлекает внимание благодаря своему неинвазивному характеру.
Цель исследования
- Изучить эффективность анализа голосового сигнала при диагностике астмы.
- Сравнить производительность алгоритмов SVM и RF.
- Рассмотреть проблемы внедрения диагностики на основе анализа голоса в клиническую практику.
Используемые методы
- Анализ голосового сигнала с помощью MATLAB.
- Алгоритмы машинного обучения: метод опорных векторов (SVM) и случайный лес (RF).
- Оценка точности классификации и показателей эффективности.
- Анализ матрицы ошибок и ROC-кривой для сравнения моделей.
Основные результаты
- Как SVM, так и RF достигли общей точности классификации 87%.
- SVM показал более высокое значение площади под кривой (0,95) при ROC-анализе.
- SVM продемонстрировал более высокую полноту в группе с астмой (0,93) по сравнению со здоровым контролем (0,80).
- RF показал схожие значения полноты для обеих групп, что указывает на сопоставимую чувствительность.
Выводы
- Анализ голоса в сочетании с машинным обучением позволяет эффективно диагностировать астму.
- Метод SVM может обеспечить лучший баланс между чувствительностью и специфичностью.
- Необходимы дальнейшие исследования для решения проблем клинического внедрения.
Часто задаваемые вопросы
Практическая значимость для промышленности
Обработка голосовых сигналов в сочетании с машинным обучением представляет собой масштабируемый неинвазивный подход для раннего выявления астмы, что отвечает критической потребности в объективной и воспроизводимой диагностике в исследованиях респираторных заболеваний. Благодаря использованию количественных характеристик голоса и надежных моделей классификации, данный рабочий процесс повышает достоверность прогнозов на этапах валидации мишеней и разработки анализа. Эта методология способствует снижению рисков в масштабах всего портфеля за счет обеспечения стандартизированного принятия решений на основе данных при поиске биомаркеров и в трансляционных исследованиях.
Стратегическое применение в биофармацевтических исследованиях и разработках
Ранние этапы поиска и валидация мишени
- Позволяет исследовать значимые для заболевания голосовые биомаркеры для валидации респираторных мишеней.
- Способствует снижению механистических рисков путем количественного анализа различий в фонетических характеристиках между группами пациентов и контроля.
- Обеспечивает прогностическую уверенность при отборе и сортировке биомаркеров на ранних стадиях.
Скрининг и разработка анализа
- Подготовка валидированных голосовых анализов для последующей интеграции в модели машинного обучения.
- Стандартизация извлечения признаков и снижения размерности для получения воспроизводимых количественных результатов.
- Обеспечение масштабируемого скрининга потенциальных биомаркеров с использованием моделей классификации SVM и RF.
Трансляционные и доклинические исследования
- Сопоставляет неинвазивные голосовые биомаркеры с трансляционными конечными точками для моделей респираторных заболеваний.
- Обеспечивает непрерывность процесса от этапа поиска до доклинической валидации, предоставляя объективные количественные данные.
- Снижает биологические риски при переходе к более поздним стадиям исследований кандидатных биомаркеров.
Интеграция конвейера и рабочих процессов
Данный рабочий процесс объединяет этапы от раннего поиска до идентификации ведущих соединений и доклинической валидации, используя аналитику голосовых сигналов и машинное обучение для надежной разработки биомаркеров.
- Фундаментальная биология: Количественный анализ характеристик голоса обеспечивает проверку гипотез и уточнение путей развития респираторных заболеваний.
- Скрининг: Модели машинного обучения обеспечивают воспроизводимые количественные результаты классификации для оценки потенциальных биомаркеров.
- Аналитика: Выходные данные включают показатели точности, матрицы ошибок и ROC-кривые для сравнения эффективности моделей и принятия решений о целесообразности дальнейшего исследования.
- Трансляционные исследования: Неинвазивные голосовые биомаркеры облегчают согласование с клиническими конечными точками и доклиническими модельными системами.
- Корпоративное повторное использование: Стандартизированный рабочий процесс и набор характеристик позволяют использовать данный подход при изучении респираторных и, потенциально, других заболеваний.
Операционное и корпоративное воздействие
- Научная ценность: повышает прогностическую достоверность и снижает механистическую неопределенность при поиске респираторных биомаркеров.
- Операционная ценность: обеспечивает стандартизированные, воспроизводимые и масштабируемые голосовые тесты для интеграции с машинным обучением.
- Стратегическая ценность: повышает качество принятия решений о продолжении или прекращении разработки (go/no-go) и эффективность использования капитала за счет предоставления объективных количественных данных.
- Влияние на портфель: позволяет осуществлять приоритезацию и продвижение потенциальных биомаркеров по всему циклу НИОКР с учетом рисков.
Особенности реализации
- Требуется экспертный уровень знаний в области обработки сигналов, машинного обучения и биологии респираторных заболеваний.
- Необходим доступ к высококачественной инфраструктуре записи голоса и платформам для вычислительного анализа.
- Требуется межкомандная стандартизация протоколов сбора данных, извлечения признаков и оценки моделей.
- Адаптация для различных групп пациентов и моделей заболеваний может потребовать дополнительной валидации.
- Дефицит данных и обобщающая способность моделей остаются практическими ограничениями для более широкого внедрения в клиническую практику.
