Гаранин Андрей Александрович - канд. мед. наук, доцент, директор Научно-практического центра дистанционной медицины, СамГМУ Минздрава России.
443099, Самара, ул. Чапаевская, 89
Andrey A. Garanin - Cand. Sci. (Med.), Associate Professor, Director of the Scientific and Practical Center for Remote Medicine, SSMU.
89, Chapaevskaya Str., Samara, 443099
Конюхов Вадим Николаевич - канд. техн. наук, доцент, доцент кафедры лазерных и биотехнических систем, Самарский университет им. Королева; инженер-электроник, Технопарк, СамГМУ Минздрава России.
443099, Самара, ул. Чапаевская, 89; 443086, Самара, Московское шоссе, 34
Vadim N. Konyukhov - Cand. Sci. (Tech.), Associate Professor, Associate Professor of the Department of Laser and Biotechnical Systems, Samara University; Electronics Engineer, Samara State Medical University Technopark.
89, Chapaevskaya Str., Samara, 443099; 34, Moskovskoe shosse, Samara, 443086
Колсанов Александр Владимирович - д-р мед. наук, профессор, чл.-корр. РАН, ректор СамГМУ Минздрава России.
443099, Самара, ул. Чапаевская, 89
Alexander V. Kolsanov - Dr. Sci. (Med.), Professor, Corresponding Member of the Russian Academy of Sciences, Rector, SSMU.
89, Chapaevskaya Str., Samara, 443099
Виктор Наталья Николаевна - главный врач ГБУЗ СО «Городская больница № 4».
443056, Самара, ул. Мичурина, 125
Natalia N. Victor - Chief Physician, City Hospital No. 4.
125, Michurina Str., Samara, 443056
Введение. Бронхиальная астма (БА) является одной из основных проблем здравоохранения. Поэтому поиск объективных, не требующих усилий от пациента и специального оборудования способов контроля БА остается актуальной задачей. Стандартный подход контроля над симптомами БА носит эпизодический и ретроспективный характер, не позволяя своевременно выявлять признаки ухудшения состояния пациентов. В данной статье мы демонстрируем возможности анализа голосовых биомаркеров для дистанционного скрининга БА.
Цель работы: определить акустические параметры речи, статистически значимо различающиеся у пациентов с БА и у практически здоровых лиц.
Материал и методы. Данными для анализа послужили записи голоса 38 мужчин (группа 1.1) и 60 женщин (группа 1.2) с БА, а также записи голоса практически здоровых 57 мужчин (группа 2.1) и 106 женщин (группа 2.2). Для акустического анализа использовалась программа Praat v 6.4.35, с помощью которой вычислялись спектральные и временные признаки, и язык программирования Python v 3.11.4, с помощью которого рассчитывались параметры частоты основного тона. Классификация и тестирование проводились на всех входных признаках для пяти классификаторов (Logistic Regression, RandomForest, SVM_RBF, MLP, XGBoost).
Результаты. Наиболее информативными признаками для бинарной классификации БА–здоровые являются mfcc_01_mean, mfcc_10_mean, shimmer local для мужчин и mfcc_01_mean, pitch_mean, approxEntropy для женщин. Принадлежность ведущих признаков к трем разным группам параметров подтверждает многомерный характер изменений голоса при БА. Параметры речи имеют половую специфичность при БА, что обусловливает необходимость построения отдельных классификаторов для мужчин и женщин. Более строгая валидация с использованием схемы LOPO и алгоритма классификации RandomForest подтвердила высокую обобщающую способность моделей. Для мужчин F1 = 0,84 [0,75; 0,91] и для женщин F1 = 0,94 [0,90; 0,98] при AUC ROC 0,92 и 0,96 соответственно. При использовании только трех наиболее информативных признаков модель RandomForest в схеме LOPO достигла F1-меры 0,89 [0,82; 0,94] у женщин и 0,77 [0,68; 0,85] у мужчин. Shuffle-тест показал, что результаты классификации не являются случайными как у мужчин, так и у женщин. Разница по F1-мере между исходной моделью и после случайного перемешивания меток классов составил 0,24 у мужчин и 0,47 у женщин.
Выводы. Параметры речи пациентов с БА и здоровых лиц статистически значимо отличаются по временным, спектральным и нелинейным признакам. Степень и характер различий имеют половую специфичность, что требует раздельного анализа для мужчин и женщин. Полученные результаты подтверждают применимость анализа речевого сигнала как инструмента для дистанционного скрининга БА.
Introduction. Bronchial asthma (BA) remains one of the main health problems. Therefore, the search for objective, effortless methods of ASTHMA control from the patient and special equipment remains an urgent task. The standard approach to controlling asthma symptoms is episodic and retrospective, preventing timely detection of signs of deterioration in patients. In this article, we identify the possibilities of analyzing voice biomarkers for remote screening of asthma.
Aim: To identify acoustic parameters of speech those differ statistically significantly in patients with bronchial asthma and practically healthy individuals.
Material and Methods. The data for the analysis were voice recordings of 38 men (group 1.1) and 60 women (group 1.2) with bronchial asthma, as well as voice recordings of control groups of 57 healthy men (group 2.1) and 106 women (group 2.2). The acoustic analysis was performed using the Praat v 6.4.35 program, which was used to calculate spectral and temporal features, and Python v.3.11.4, which was used to calculate the parameters of the randomness and complexity of the pitch frequency. Acoustic and prosodic parameters of speech were calculated. Classification and testing were performed on all input attributes for five classifiers (LogisticRegression, randomForest, SVM_RBF, MLP, XGBoost).
Results. The most informative features for the binary classification of healthy individuals are mfcc_01_mean, mfcc_10_mean, shimmer local for men and mfcc_01_mean, pitch_mean, approximantropy for women. The affiliation of the leading features to three different groups of parameters confirms the multidimensional nature of voice changes in asthma.Speech parameters have gender specificity in bronchial asthma, which necessitates the construction of separate classifiers for men and women. More rigorous validation using the LOPO scheme and the randomForest classification algorithm confirmed the high generalizing ability of the models. For men, F1 = 0.84 [0.75; 0.91] and for women, F1 = 0.94 [0.90; 0.98] with an AUC ROC of 0.92 and 0.96, respectively. Using only the three most informative features, the randomForest model in the LOPO scheme achieved an F1 measure of 0.89 [0.82; 0.94] for women and 0.77 [0.68; 0.85] for men. The shuffle test showed that the classification results are not random for both men and women. The difference in the F1 measure between the initial model and after random mixing of class labels was 0.24 for men and 0.47 for women.
Conclusions. The speech parameters of patients with bronchial asthma significantly differ from healthy individuals in temporal, spectral, and nonlinear features. The degree and nature of the differences are sex-specific, which requires separate analysis for men and women. In women, the changes cover a wider range of parameters, which is consistent with the greater severity of asthma caused by anatomical, hormonal and immunological factors. The results obtained confirm the applicability of voice analysis of free speech as a tool for passive monitoring of bronchial asthma.
The authors declare that there are no conflicts of interest present.