基于语音的呼吸道诊断:通过机器学习对COVID-19检测的研究

科学领域:

• 医疗信息学 医疗信息学
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 呼吸声分析为诊断COVID-19等呼吸系统疾病提供了一种非侵入性方法.
• 声母发音 (/a/, /e/, /o/) 包含与呼吸系统健康相关的声学标记.
• 科斯瓦拉数据集提供了用于呼吸系统疾病研究的语音样本.

研究的目的:

• 通过使用特定的母音声来评估OpenSMILE音频功能在COVID-19检测中的有效性.
• 为了比较各种机器学习分类器和特征选择技术的性能.
• 确定特征和分类器的最佳组合,以准确检测COVID-19.

主要方法:

• 使用OpenSMILE从母音 /a/, /e/, /o/中提取音频和功能功能.
• 使用随机森林 (RF),支持矢量机,决策树和人工神经网络模型进行分类.
• 应用五种特征选择方法 (ANOVA,chi-square,信息获取,ReliefF,基尼指数) 来增强分类.
• 使用弗里德曼测试进行统计验证,以评估模型和特征选择性能.

主要成果:

• 基于ANOVA的特征选择在分类器和母音之间表现一致.
• 随机森林分类器与ANOVA选择的特征相结合,实现了最高的精度 (76.47%的 /a/,75.54%的 /a/+/o/).
• 弗里德曼测试证实了随机森林和ANOVA组合的稳定性.

结论:

• 随机森林带有ANOVA选择的特征是通过母音声音分析检测COVID-19的重要和强大的方法.
• 该方法有助于开发可访问,可扩展和非侵入性呼吸道疾病诊断工具.
• 这些发现支持将这些技术整合到远程医疗中,用于早期发现疾病和远程医疗保健.