真实环境下用于结核病筛查的咳嗽声音自动分类
声音
2022-05-12 v2 机器学习
音频与语音处理
摘要
目的：自动区分结核病（TB）患者与其他肺部疾病患者所产生的咳嗽声。方法：我们基于一个在发展中国家诊所采集的强制咳嗽录音数据集开展实验，该数据集包含16名确诊活动性肺结核患者和35名有结核病提示性呼吸道症状但经确认结核阴性的患者共1358段录音。使用嵌套交叉验证，我们训练并评估了五种机器学习分类器：逻辑回归（LR）、支持向量机（SVM）、k近邻（KNN）、多层感知机（MLP）和卷积神经网络（CNN）。主要结果：尽管在所有情况下均可实现分类，但使用LR可获得最佳性能。结合顺序前向选择（SFS）的特征选择，我们最佳的LR系统在从一组78个高分辨率梅尔频率倒谱系数（MFCCs）中选出的23个特征上达到了0.94的ROC曲线下面积（AUC）。该系统在95%特异度下达到93%灵敏度，从而超过了世界卫生组织（WHO）所认为的基于社区的结核病分诊检测最低要求（70%特异度下90%灵敏度）。意义：将咳嗽音频的自动分类应用于需进行结核病检查的疑似患者时，可满足WHO关于识别应接受昂贵分子下游检测患者的分诊规范。这使其成为一种有前景且可行的低成本、易部署的结核病一线筛查手段，尤其可使结核病负担沉重的发展中国家受益。
引用
@article{arxiv.2103.13300,
title = {Automatic Cough Classification for Tuberculosis Screening in a Real-World Environment},
author = {Madhurananda Pahar and Marisa Klopper and Byron Reeve and Grant Theron and Rob Warren and Thomas Niesler},
journal= {arXiv preprint arXiv:2103.13300},
year = {2022}
}
备注
This paper has been accepted in Physiological Measurement (2021)