Таҳқиқот ҷараёни кории ду-платформагии коркарди сигналҳои биотиббиро тавсиф мекунад, ки ҳадафаш табдил додани садоҳои нафаскашӣ ба тасвирҳои вақт–басомад ва ҷудо кардани онҳо ба се синф тавассути модели CNN–BiLSTM мебошад. MATLAB яке аз ду платформаи асосии ҳисоббарорӣ аст, ки барои бознамунасозӣ, филтркунӣ, нормализатсия, истихроҷи хусусиятҳои бар асоси спектрограмма/MFCC/DWT ва санҷиши натиҷаҳои садои хоми нафаскашӣ истифода шудааст. Платформаи дуюм Python мебошад.

Манбаъ се тамғаи ҳадафро ҳамчун Healthy, Asthma ва Lung Cancer муайян мекунад. Аммо ин таснифи сесинфа, махсусан синфи “Lung Cancer”, бинобар мушкили дар боло зикршудаи санҷиши манбаи додаҳо набояд ҳамчун муваффақияти ташхиси клиникӣ шарҳ дода шавад. Ин мақолаи Verianla таҳқиқотро пеш аз ҳама аз ҷиҳати коркарди садои нафаскашӣ дар MATLAB ва меъмории CNN–LSTM баррасӣ мекунад.

Хулосаи Кӯтоҳ

Таҳқиқоти манбаъ таснифгари гибридии CNN–BiLSTM-ро пешниҳод мекунад, ки дар 895 давраи нафаскашӣ, ки гуфта мешавад аз ICBHI 2017 Respiratory Sound Database интихоб шудаанд, спектрограмма, Mel-Frequency Cepstral Coefficients (MFCC), Discrete Wavelet Transform (DWT) ва хусусиятҳои соҳаи вақтро истифода мебарад. Садоҳо аввал ба 16 kHz бознамунасозӣ мешаванд, pre-emphasis татбиқ мегардад, нормализатсияи z-score ва коҳиши садои spectral-subtraction иҷро мешавад ва сипас давраҳои нафаскашӣ бо остонаҳои energy-envelope ва zero-crossing-rate ба сегментҳо ҷудо мешаванд. Шохаи CNN аз спектрограммаҳои хокистарии 128×128 хусусиятҳои фазоиро ҷудо мекунад, дар ҳоле ки шохаи BiLSTM пайдарпаии вақтиеро, ки ба MFCC асос ёфтааст, коркард мекунад. Тибқи манбаъ, модели муттаҳидшуда дар маҷмӯи test %94,2 accuracy, %93,9 precision, %93,5 recall, %93,6 F1-score ва 0,971 AUC-ROC додааст. Дар натиҷаи ablation, хориҷ кардани спектрограмма accuracy-ро 8,5 банди фоизӣ паст карда, бузургтарин талафотро ба вуҷуд овардааст. Вақти inference-и гузоришшудаи модел дар сатҳи 15,2 ms/model input аст. Аммо азбаски тамғаҳои саратони шуш дар таҳқиқот бо сохтори ташхисии санҷишшавандаи ICBHI 2017 мувофиқат намекунанд, ин нишондиҳандаҳо набояд ҳамчун меъёрҳои тасдиқшудаи клиникии ташхиси саратони шуш қабул карда шаванд.

Таснифи беморӣ аз садои нафаскашӣ чӣ гуна ба масъалаи MATLAB табдил меёбад?

Вақте сабти садои шуш ба компютер ворид мешавад, модел ҳанӯз “астма” ё ягон маънои дигари клиникиро намебинад. Аз нуқтаи назари MATLAB, нуқтаи оғоз танҳо намунаҳои ададии амплитуда мебошанд, ки бо вақт тағйир меёбанд. Аз ин рӯ, занҷири ҳисоббарории таҳқиқот аввал садои хомро ба сохтори стандартии намунасозӣ меорад, баъдан садоро коҳиш медиҳад ва хусусиятҳои вақт–басомадро ҷудо мекунад. Модели омӯзиши амиқ танҳо баъд аз ин марҳилаҳо ба кор медарояд.

Шакли 1 дар саҳифаи 2-и манбаъ ин занҷирро бо панҷ блоки асосӣ нишон медиҳад: Raw Audio Input → Signal Preprocessing → Feature Extraction → CNN-LSTM Model → Classification Output. Афзоиши додаҳо танҳо ҳамчун марҳилаи ихтиёрӣ, ки ҳангоми training истифода мешавад, нишон дода шудааст.

Маҷмӯи додаҳо тибқи манбаъ чӣ гуна тақсим шудааст?

Манбаъ хабар медиҳад, ки аз 920 сабти ICBHI 2017 пас аз филтри сифат 895 давраи нафаскашӣ истифода шудааст. Ҷадвали пешниҳодкардаи манбаъ чунин аст:

Ин ҷадвал тарҳи таҷрибавии худи мақолаи манбаъро дуруст инъикос мекунад. Аммо махсусан шарҳ дода нашудааст, ки 235 давраи Lung Cancer аз маҷмӯи додаҳои ICBHI чӣ гуна ба даст омадаанд ва ин бо санҷиши берунии маҷмӯи додаҳо мувофиқат намекунад. Аз ин рӯ, ҳамаи ҷадвалҳои минбаъдаи нишондиҳандаҳо бояд ҳамчун “таснифе, ки манбаъ гузориш кардааст” хонда шаванд.

Се спектрограммаи саҳифаи 3 чиро нишон медиҳанд?

Манбаъ дар Шакли 2 се намунаеро нишон медиҳад, ки дар як формати намоиши STFT ҳамчун Healthy, Asthma ва Lung Cancer тамғагузорӣ шудаанд. Намунаи Healthy энергияи пасттар ва якхелатар дорад, намунаи Asthma махсусан дар 500–2500 Hz бандҳои уфуқӣ/пайвастаи энергияи баланд дорад ва намунае, ки Lung Cancer номгузорӣ шудааст, ҳамчун таркишҳои кӯтоҳи номунтазами энергияи басомади баланд шарҳ дода мешавад.

Ин тасвирҳо мефаҳмонанд, ки чаро истифодаи шохаи CNN пешбинӣ шудааст: CNN танҳо ба энергияи умумӣ нигоҳ намекунад; он мекӯшад шакл, банд, канор ва бофтаҳои маҳаллии вақт–басомад-ро дар спектрограмма омӯзад. Аммо то ҳал нашудани мушкили тамғагузории додаҳо, наметавон иддао кард, ки ин намунаҳои визуалӣ биомаркери клиникии махсуси саратони шуш мебошанд.

Занҷири preprocessing дар MATLAB

Манбаъ preprocessing-ро ба панҷ марҳилаи пайдарпай ҷудо мекунад. Марҳилаи аввал овардани ҳамаи сабтҳо ба суръати намунасозии 16 kHz аст. Ҳамин тавр, сабтҳое, ки sampling rate-и аслии гуногун доранд, метавонанд дар як меҳвари вақт коркард шаванд. Дар марҳилаи дуюм first-order pre-emphasis бо коэффисиенти \(\alpha=0.97\) татбиқ мешавад. Дар марҳилаи сеюм z-score amplitude normalisation, дар марҳилаи чорум spectral-subtraction noise reduction ва дар марҳилаи охир respiratory-cycle segmentation бар асоси energy-envelope ва zero-crossing-rate thresholding иҷро мешавад.

Манбаъ мегӯяд, ки ин амалҳо дар MATLAB R2023a бо Audio Toolbox ва Signal Processing Toolbox ва барои санҷиши параллелӣ дар Python низ иҷро шудаанд. Мушкилоти муҳими якпорчагии манбаъ ин аст, ки ба муодилаҳои preprocessing ҳамчун Eq. 1, Eq. 9 ва Eq. 10 истинод шудааст, аммо ин муодилаҳо дар PDF-и боршуда намоён нестанд. Аз ин рӯ, Verianla формулаҳои гумшударо аз донишҳои умумӣ пурра намекунад.

Чаро спектрограмма ба 128×128 пиксел табдил дода мешавад?

Манбаъ вуруди CNN-ро ҳамчун 128×128×1 grayscale spectrogram муайян мекунад. Ду рақами аввал андозаи тасвирро дар ҳамвории вақт–басомад ва рақами охир як канали хокистариро нишон медиҳад.

Барои CNN андозаи собити вуруд муҳим аст. Ҳатто агар давомнокии давраҳои нафаскашии гуногун фарқ кунад, ба қабатҳои convolution-и модел бояд додаҳои дорои андозаи геометрии якхела дода шаванд. Манбаъ усули муфассали resize-ро барои ин стандартизатсия шарҳ намедиҳад; танҳо андозаи ниҳоии спектрограммаро медиҳад.

MFCC чист ва дар манбаъ чанд коэффисиент истифода шудааст?

Манбаъ дар тасвири feature-extraction нишон медиҳад, ки барои ҳар намунаи нафаскашӣ 13 MFCC coefficient гирифта шудааст. MFCC барои пешниҳоди фишурдатарини лифофаи спектралии садо истифода мешавад.

Аз нуқтаи назари меъмории таҳқиқот, спектрограмма ва MFCC як маълумотро ба як шакл пешниҳод намекунанд. Спектрограмма ба CNN тасвири дученака медиҳад, дар ҳоле ки пайдарпаии MFCC ба шохаи BiLSTM ҳамчун пайдарпаии вақт дода мешавад. Ҳамин тавр, яке сохтори фазоии вақт–басомад ва дигаре динамикаи пайдарпайи акустикиро омӯхтан мехоҳад.

Чаро DWT алоҳида истифода шудааст?

Манбаъ мегӯяд, ки барои DWT аз Daubechies-4 (db4) wavelet ва 5 level decomposition истифода шудааст. Таҳлили wavelet имкон медиҳад, ки рӯйдодҳои кӯтоҳмуддати гузаранда дар миқёсҳои гуногун пешниҳод шаванд. Таҳқиқот махсусан тахмин мекунад, ки маълумоти кӯтоҳмуддати гузаранда ба монанди crackle метавонад аз ҷониби wavelet ба таври иловагӣ гирифта шавад.

Натиҷаҳои ablation нишон медиҳанд, ки хориҷ кардани ин гурӯҳи хусусиятҳо accuracy-ро аз %94,2 ба %91,8 паст кардааст, яъне дар таҷрибаи манбаъ бо саҳми 2,4 банди фоизӣ алоқаманд аст.

Таркиби хусусиятҳо дар саҳифаи 4

Диаграммаи даврашакли Шакли 6-и манбаъ таркиби хусусиятҳоро ба таври визуалӣ тақрибан ба чор гурӯҳ ҷудо мекунад: спектрограмма, MFCC, DWT statistics ва хусусиятҳои time-domain. Ҳамин шакл дар тарафи рост 36-dimensional numerical feature vector-ро нишон медиҳад.

Аммо матни меъмории ҳамон саҳифа мегӯяд, ки BiLSTM “MFCC sequence”-ро коркард мекунад. Рӯшан нишон дода нашудааст, ки тағйирёбандаҳои DWT ва time-domain тавассути вектори 36-ченака ба BiLSTM дода мешаванд, ба қабати алоҳидаи dense ворид мешаванд ё чӣ гуна ба MFCC sequence илова мегарданд. Ин норасоӣ барои касе, ки мехоҳад таҳқиқотро дар муҳити MATLAB айнан бозтавлид кунад, муҳим аст.

Шохаи CNN чӣ гуна сохта шудааст?

Шохаи CNN се convolutional block дорад. Манбаъ шумораи филтрҳоро мутаносибан 32, 64 ва 128 медиҳад. Дар ҳар блок batch normalisation, 2×2 max-pooling ва \(p=0.25\) dropout истифода мешавад.

Дар охири ин шоха:

\[ f_{\mathrm{CNN}}\in\mathbb{R}^{128} \]

пешниҳоди ин андоза ба даст меояд ва гуфта мешавад, ки шохаи CNN тақрибан 1,2 миллион параметр дорад.

Филтрҳои convolution ба ҷои азёд кардани тамоми спектрограмма дар як вақт бо филтрҳое кор мекунанд, ки дар минтақаҳои хурд такроран истифода мешаванд. Бо гузаштан ба қабатҳои амиқтар ҳадаф сохтани пешниҳод аз намунаҳои оддии маҳаллии энергия ба намунаҳои мураккабтари вақт–басомад аст.

Шохаи BiLSTM чӣ гуна кор мекунад?

Тибқи манбаъ, дар шохаи BiLSTM ду bidirectional LSTM layer мавҷуд аст. Якум 128 unit ва дуюм 64 unit дорад.

Дар охири шоха:

\[ f_{\mathrm{LSTM}}\in\mathbb{R}^{128} \]

пешниҳоди ин андоза ҳосил мешавад ва гузориш дода мешавад, ки ин шоха тақрибан 0,8 миллион параметр дорад.

Аҳамияти ибораи “Bidirectional” дар он аст, ки қадами вақти MFCC на танҳо бо намунаҳои пеш аз худ, балки ҳангоми training бо контексти қисми баъдии пайдарпаӣ низ пешниҳод шуда метавонад. Ҳамин тавр, рушди давраи нафаскашӣ дар вақт ба канали дуюми иттилоотӣ табдил меёбад, ки намунаҳои спектрограммаи CNN-ро пурра мекунад.

Ду модел чӣ гуна муттаҳид мешаванд?

Амали fusion, ки манбаъ рӯшан медиҳад:

\[ f_{\mathrm{fused}} ================== [f_{\mathrm{CNN}};f_{\mathrm{LSTM}}] \in\mathbb{R}^{256} \]

ба ҳамин шакл аст.

Баромади 128-ченакаи CNN ва 128-ченакаи BiLSTM паҳлуи ҳам гузошта шуда, вектори 256-ченакаи feature-fusion ҳосил мешавад. Сипас манбаъ занҷири:

Dense(128) → Dropout(0.5) → Dense(3) → Softmax

-ро муайян мекунад.

Се баромади қабати охирини Dense(3) се синферо ифода мекунад, ки манбаъ онҳоро Healthy, Asthma ва Lung Cancer номидааст.

Чаро модел тақрибан 2,1 миллион параметр дорад?

Манбаъ дар ҷадвали ҳисоббарорӣ тамоми системаи CNN–LSTM-ро бо тақрибан 2,1 миллион trainable parameter гузориш медиҳад. Азбаски шохаи CNN тақрибан 1,2 миллион ва шохаи BiLSTM тақрибан 0,8 миллион параметр дорад, параметрҳои боқимонда қисми dense-и таснифро пас аз fusion низ дар бар мегиранд.

Class imbalance чӣ гуна ба назар гирифта шудааст?

Азбаски шумораи намунаҳо байни синфҳо баробар нест, манбаъ дар дохили multi-class cross-entropy loss аз class weights истифода мекунад:

\[ w_c= \frac{N}{C,N_c} \]

Дар ин ҷо \(N\) шумораи умумии намунаҳо, \(C\) шумораи синфҳо ва \(N_c\) шумораи намунаҳои синфи дахлдорро ифода мекунад. Ҳадаф ин аст, ки вазни хатогиҳо дар синфҳои камнамуна дар функсияи loss зиёд карда шавад.

Параметрҳои training

Data augmentation танҳо дар қисми training татбиқ мешавад. Ин фарқ муҳим аст: татбиқи augmentation ба додаҳои test метавонист маънои ченкунии нишондиҳандаро тағйир диҳад.

Чаро Early stopping лозим аст?

Гарчанде ки training-и максималӣ дар манбаъ 100 epoch муқаррар шудааст, validation loss тақрибан дар 45-ум epoch ба ҳадди ақал расида ва беҳтарин модел дар ҳамин нуқта checkpoint шудааст. Early stopping тақрибан дар 60-ум epoch фаъол шудааст.

Training loss-и гузоришшудаи манбаъ дар оғоз 1,098 буд ва то 0,142 поён рафт; validation loss-и ҳадди ақал бошад 0,186 буд. Муаллифон фарқи хурди байни каҷҳои train ва validation-ро ҳамчун набудани overfitting-и ҷиддӣ шарҳ медиҳанд.

Муқоисаи панҷ модели гуногун

Дар таҷрибаҳои худи манбаъ модели гибридӣ нисбат ба ҳамаи моделҳои baseline-и якшоха натиҷаи баландтар медиҳад. Муттаҳидшавии CNN ва BiLSTM дар манбаъ бо нишондиҳандаи баландтар нисбат ба истифодаи танҳо спектрограмма ё танҳо MFCC алоқаманд карда мешавад.

Чаро Accuracy танҳо кофӣ нест?

Accuracy таносуби ҳамаи қарорҳои дуруст аст, аммо вақте синфҳо номутавозинанд, он танҳо метавонад гумроҳкунанда бошад. Аз ин рӯ манбаъ инчунин precision, recall, F1-score, specificity, ROC-AUC ва confusion matrix-ро гузориш медиҳад.

Ин равиш аз нуқтаи назари MATLAB ва омӯзиши зеҳни сунъӣ хеле арзишманд аст. Махсусан дар таснифоти саломатӣ на танҳо он муҳим аст, ки модел “чанд намунаро дуруст ёфт”, балки инчунин он ки чӣ фоизи ҳолатҳои воқеии синфи муайянро гирифта тавонист.

Натиҷаҳои синфии манбаъ

Манбаъ мегӯяд, ки пасттарин қимати recall %89,2 дар тамғаи Lung Cancer аст ва инро ба номутавозунии синфҳо ва акустикаи монанди wheeze байни Asthma ва минтақаи 500–2500 Hz нисбат медиҳад. Ин тавзеҳ шарҳи муаллифони манбаъ аст; азбаски пайдоиши клиникии тамғаҳои додаҳо тасдиқ нашудааст, набояд ҳамчун хулосаи мустақили клиникӣ қабул карда шавад.

Рақамҳои воқеии confusion matrix

Шакли 5 дар саҳифаи 6 рақамҳои хомро барои маҷмӯи test бо 134 намуна равшан медиҳад:

Дар шарҳи худи манбаъ бузургтарин хатои ягонаи off-diagonal ин аст, ки чор намунаи Lung Cancer ҳамчун Asthma тасниф шудаанд.

Таҳлили ROC

Манбаъ мегӯяд, ки ҳамаи каҷҳои ROC аз хати 0,5 AUC-и таснифгари тасодуфӣ болотаранд. Барои cross-validation-и панҷқабата сояҳои %95 confidence interval дар Шакли 7 нишон дода шудаанд.

Ablation study чист?

Дар таҳқиқоти ablation як ҷузъи модел ё гурӯҳи хусусиятҳо навбат ба навбат хориҷ карда мешавад ва мушоҳида мегардад, ки нишондиҳанда чӣ қадар поён меравад. Бо ин роҳ кӯшиш мешавад фаҳмида шавад, ки модел бештар ба кадом канали иттилоотӣ вобаста аст.

Ин равшантарин натиҷаи моделсозии манбаъ аст: ҳангоми хориҷ кардани спектрограмма нишондиҳанда аз ҳама бештар паст мешавад. Бо вуҷуди ин, модели танҳо спектрограмма дар %91,1 мемонад, дар ҳоле ки муттаҳид кардани ҳамаи хусусиятҳо ба %94,2 мерасад. Муаллифон инро чунин шарҳ медиҳанд, ки модалиятҳои гуногуни хусусиятҳо иттилооти иловакунанда доранд.

Саҳми BiLSTM чӣ гуна чен шудааст?

Манбаъ accuracy-и %88,6-и CNN-only baseline-ро бо натиҷаи %94,2-и системаи гибридӣ муқоиса мекунад; инчунин дар бахши frequency-sensitivity мегӯяд, ки BiLSTM temporal component нисбат ба сохтори CNN-only 3,1 банди фоизӣ саҳм гузоштааст. Ин ду баён фарқи арифметикии якхела нестанд; онҳо дар манбаъ дар контекстҳои гуногун гузориш шудаанд ва дар ин ҷо ба ҳам табдил дода намешаванд.

Кадом минтақаи басомад фарқкунанда аст?

Манбаъ дар таҳлили frequency-band sensitivity гузориш медиҳад, ки иттилооти фарқкунанда чунин тақсим шудааст:

Аммо дар мақола ба таври муфассал муайян нашудааст, ки ин қиматҳои %23/%45/%32 аз кадом ҳисоби математикӣ барои sensitivity ба даст омадаанд.

Нишондиҳандаҳои ҳисоббарорӣ

Ин ҷадвал як ҳақиқати муҳими омӯзиши мошиниро нишон медиҳад: моделе, ки дар манбаъ баландтарин accuracy-ро медиҳад, ҳамзамон дарозтарин вақти training ва баландтарин истифодаи хотираро дорад. Модели мураккабтар дар ҳар як меъёр худкорона “беҳтар” нест; байни дақиқӣ ва арзиши ҳисоббарорӣ созиши тарроҳӣ вуҷуд дорад.

15,2 ms чӣ маъно дорад?

Манбаъ барои CNN–LSTM вақти inference-и 15,2 ms-ро гузориш дода, онро аз талаботи 25 ms барои streaming audio бо дарозии равзанаи 400 ms кӯтоҳтар медонад ва аз ин рӯ барои истифодаи вақти воқеӣ мувофиқ шарҳ медиҳад.

Дар ин ҷо бояд ба воҳиди ифода диққат дод. Дар ҷадвал “Inference (ms)” навишта шудааст, аммо дар матн “15.2 ms/sample” гуфта мешавад. Агар “sample” дар ин ҷо маънои як audio sample-и 16 kHz-ро медошт, ин шарҳ дуруст намебуд. Аз рӯи контексти манбаъ эҳтимоли бештар он аст, ки як намунаи модел / равзанаи таҳлил дар назар дошта шудааст; аммо мақола инро рӯшан муайян намекунад.

Санҷиши аҳамияти оморӣ

Манбаъ мегӯяд, ки дар натиҷаҳои cross-validation-и панҷқабата paired t-test татбиқ шудааст:

Дар ҳар се муқоиса манбаъ ба натиҷаи \(p<0.05\) мерасад. Бо вуҷуди ин, татбиқи t-test танҳо бар панҷ fold муқоисаи оморӣ бо намунаи хурд аст; он мушкилоти асосии додаҳо, ба монанди тамғагузории додаҳо ва subject leakage, ки ба иддаои нишондиҳанда дахл доранд, худ аз худ ҳал намекунад.

Агар дар адабиёт accuracy-и баландтар бошад, чаро манбаъ %94,2-ро муҳим медонад?

Мақола иддао намекунад, ки усули худ рекорди мутлақи accuracy аст. Манбаъ дар Ҷадвали 6 рӯшан эътироф мекунад, ки усули dual-channel CNN-LSTM-и Zhang ва ҳамкорон аз соли 2024 accuracy-и %99,01 гузориш кардааст.

Иддаои саҳми муаллифон бештар дар се нуқта аст: disease classification-и сесинфа, бозтавлидпазирии ду-платформагии MATLAB/Python ва гузориши профили ҳисоббарорӣ ба монанди inference latency / memory footprint.

Аммо азбаски пайдоиши додаҳои синфи “lung cancer” дар саҳми аввал тасдиқ нашудааст, ин саҳм аз ҷониби Verianla ҳамчун навоварии клиникии исботшуда қабул карда намешавад.

Аз нуқтаи назари MATLAB аз ин таҳқиқот чӣ омӯхтан мумкин аст?

Ҷиҳати аз ҳама муфиди таҳқиқот як шабакаи ягонаи омӯзиши амиқ нест, балки занҷири муҳандисии аз аввал то охир мебошад. Шахсе, ки MATLAB меомӯзад, бояд ин робитаро бинад: бе стандартизатсияи сигнали хом моделро таълим додан мумкин нест; пешниҳодҳое ба монанди спектрограмма ва MFCC иттилооти гуногун мебаранд; CNN ва LSTM геометрияҳои гуногуни додаҳоро коркард мекунанд; номутавозунии синфҳо ба тарҳи loss таъсир мерасонад; augmentation танҳо ҳангоми training истифода шавад; training accuracy танҳо кофӣ нест; validation, test, confusion matrix, ROC, ablation ва cross-validation ба саволҳои гуногун ҷавоб медиҳанд; инчунин хотира ва вақти inference-и модел низ қисми тарроҳии системаи воқеӣ мебошанд.

Аз ин рӯ, лоиҳаи зеҳни сунъии биотиббӣ дар MATLAB аз “табдил додани сигнал ба spectrogram ва додани он ба neural network” хеле васеътар аст. Пайдоиши додаҳо ва дурустии тамғаҳои беморон ҳатто пеш аз худи код меоянд. Ин таҳқиқот дар ҳамин нуқта мисоли муқобили хеле омӯзанда низ медиҳад: ҳар қадар занҷири ҳисоббарорӣ пешрафта бошад ҳам, агар манбаи тамғаҳои ҳадаф санҷида нашавад, маънои клиникии нишондиҳандаи модел суст мешавад.

Усул ва Натиҷаҳои Таҳқиқот

Саволҳои таҳқиқотии манбаъ

Мақола чор саволи таҳқиқотиро муайян мекунад. Саволи якум ин аст, ки оё хусусиятҳои спектрограмма метавонанд синфҳои садои нафаскаширо бо sensitivity-и аз ҷиҳати клиникӣ маънодор ҷудо кунанд. Саволи дуюм ин аст, ки оё меъмории гибридии CNN–LSTM аз baseline-ҳои якмоделӣ болотар меравад. Саволи сеюм ин аст, ки кадом feature modality ба accuracy саҳми бештар мегузорад. Саволи чорум ин аст, ки оё система барои истифодаи вақти воқеӣ нишондиҳандаи ҳисоббарории кофӣ дорад.

Омодасозии додаҳо

Манбаъ мегӯяд, ки аз 920 сабти ICBHI пас аз филтри сифат 895 respiratory cycle истифода шудааст. Аз онҳо %70 барои training, %15 барои validation ва %15 барои test ҷудо шудааст. Шумораҳо мутаносибан 627, 134 ва 134 мебошанд.

Дар ин ҷо боз бояд таъкид кард, ки гарчанде split ҳамчун “stratified” нишон дода шудааст, patient-independent муайян нашудааст. Маълум нест, ки давраҳои гуногуни як бемор ҳамчун намунаҳои мустақили додаҳо ба бахшҳои гуногун афтодаанд ё не.

Preprocessing

Feature extraction

Воридиҳои асосие, ки мустақиман аз манбаъ тасдиқ мешаванд, спектрограммаи 128×128, 13 коэффисиенти MFCC, DWT-и панҷсатҳа бо db4 wavelet ва хусусиятҳои time-domain мебошанд. Шакли 6 инчунин 36-ченака numerical feature vector-ро нишон медиҳад.

Меъмории модел

Натиҷаи асосии нишондиҳанда

Модели ниҳоии гибридии манбаъ %94,2 accuracy ва 0,971 AUC-ROC медиҳад. CNN-и танҳо дар %88,6 ва BiLSTM-и танҳо дар %90,5 accuracy мемонанд. Аз ин рӯ, дар додаҳои манбаъ модели fusion нисбат ба ду модели якшоха нишондиҳандаи баландтар дорад.

Натиҷаи саҳми хусусиятҳо

Бузургтарин талафот дар ablation ҳангоми хориҷ кардани спектрограмма рух медиҳад: %94,2 → %85,7. Ҳангоми хориҷ кардани MFCC %89,3, wavelet %91,8 ва time-domain %93,5 ба даст меояд.

Ин ҷавоби манбаъ ба саволи RQ3 аст: дар таҷрибаи худ модалияти ягонаи аз ҳама фарқкунанда спектрограмма мебошад.

Натиҷаи арзиши ҳисоббарорӣ

Системаи гибридӣ бо 2,1 миллион параметр, 215,8 дақиқа training, 15,2 ms inference ва 234 MB memory footprint аз ҳама модели гаронтарини санҷидашуда мебошад. Бо вуҷуди ин, баландтарин accuracy-ро низ ҳамин система медиҳад.

Маҳдудиятҳои худи манбаъ

Муаллифон эътироф мекунанд, ки маҷмӯи додаҳои 895-давраӣ аз ҷиҳати миқёси клиникӣ хурд аст, синфи Lung Cancer бо %26,3 кам муаррифӣ шудааст, validation-и мустақили когорти беруна анҷом нашудааст, зерсинфҳое ба монанди cancer stage ё asthma severity баррасӣ нашудаанд, равиши interpretability ба ҷои SHAP/LIME-и формалӣ бо frequency-band sensitivity маҳдуд аст ва муқоиса бо таҳқиқоти Zhang бо %99,01 дар адабиёт аз стратегияҳои гуногуни augmentation таъсир мегирад.

Ҳадди асосии санҷиш, ки Verianla ба манбаъ илова мекунад

Илова бар бахши limitation-и худи манбаъ, аз нуқтаи назари Verianla мушкили аз ҳама муҳим пайдоиши тамғаҳои додаҳо мебошад. Сабти расмии ICBHI 920 файли садо, 126 нафар ва 6.898 respiratory cycle-ро гузориш медиҳад ва рӯшан мегӯяд, ки давраҳо аз ҷониби мутахассисон ҳамчун normal, crackle, wheeze ё crackle+wheeze тамғагузорӣ шудаанд. Нашрияҳое, ки истифодаи ICBHI-ро дар сатҳи беморӣ шарҳ медиҳанд, ташхисҳои маҷмӯи додаҳоро ҳамчун COPD, Healthy, Bronchiectasis, Bronchiolitis, URTI, Pneumonia, Asthma ва LRTI нишон медиҳанд; дар байни онҳо lung cancer вуҷуд надорад.

Аз ин рӯ, ибораи “235 Lung Cancer respiratory cycles” дар манбаъро бе харитасозии бозтавлидшавандаи додаҳо қабул кардан мумкин нест. Агар коди MATLAB-и манбаъ, рӯйхати ID-и беморон ё маълум шавад, ки 235 давра аз кадом metadata-и ташхисӣ сохта шудаанд, ин масъала метавонад алоҳида аз нав арзёбӣ шавад.

Хулоса

Аз нуқтаи назари MATLAB ва омӯзиши амиқ, таҳқиқот намунаи ғанӣ аст, ки нишон медиҳад audio preprocessing, спектрограмма, MFCC, wavelet, CNN, BiLSTM, feature fusion, class weighting, augmentation, early stopping, cross-validation, confusion matrix, ROC, ablation ва inference profiling чӣ гуна метавонанд дар як занҷири таҳқиқотӣ якҷо шаванд.

Аз нуқтаи назари ташхиси илмӣ, ҳамин таҳқиқот як принсипи муҳимро ёдрас мекунад: он ки модел %94,2 accuracy медиҳад, дуруст муайян шудани синфҳои ҳадафро исбот намекунад. Зеҳни сунъӣ танҳо тамғаҳои ба он додашударо меомӯзад. Агар манбаи клиникии тамғаҳо санҷида нашавад, меъмории беҳтари neural network ин мушкили асосиро ҳал карда наметавонад. Аз ин рӯ, аз нуқтаи назари Verianla истифодаи дурусти ин таҳқиқот “омӯзонидани ҷараёни техникии таснифи садои нафаскашӣ бо MATLAB” аст; на ин ки онро дар шакли ҳозира “системаи тасдиқшудае, ки саратони шушро аз садои нафаскашӣ бо %94,2 accuracy ташхис мекунад” муаррифӣ кунем.

Ёддошт оид ба Манбаъ ва Усул

Номи пурраи аслии таҳқиқот: Spectrogram-Based Detection of Lung Cancer and Asthma Using Deep Learning and MATLAB: A Hybrid CNN-LSTM Approach

Муаллифон: Mridul Vats; Pooja Sabherwal; Monika Agrawal.

Тартиби муаллифон: Тартиби манбаъ бетағйир нигоҳ дошта шудааст.

Муассисаҳо: PDF-и манбаъ барои Mridul Vats ва Pooja Sabherwal The NorthCap University, Department of Electronics and Communication Engineering; барои Monika Agrawal IIT Delhi, Centre for Applied Research in Electronics (CARE)-ро нишон медиҳад.

Муаллифи тамос: Дар саҳифаи сабти SSRN Mridul Vats ҳамчун Contact Author нишон дода шудааст.

Навъи манбаъ: Preprint оид ба омӯзиши амиқ ва коркарди сигналҳои биотиббӣ.

Маҷаллаи ҳадаф: Дар PDF-и манбаъ ҳамчун manuscript-и ба Biomedical Signal Processing and Control фиристодашуда намоён аст. Ин маънои қабул ба нашрро надорад.

Вазъи рецензия: Ин таҳқиқот preprint-и аз рецензия нагузашта мебошад; натиҷаҳо бояд бо дарназардошти ҳамин марҳилаи нашр арзёбӣ шаванд.

Платформа: SSRN.

DOI: 10.2139/ssrn.6689273.

Санаи SSRN: 1 May 2026.

MATLAB: MATLAB R2023a, Audio Toolbox, Signal Processing Toolbox.

Қисми Python: librosa, scipy, PyWavelets.

Дастрасӣ ба коди манбаъ: Мақола мегӯяд, ки implementation script-ҳои MATLAB ва Python-ро метавон аз corresponding author бо дархости асоснок гирифт; дар версияи боршуда репозиторияи кушодаи доимӣ дода нашудааст.

Маблағгузорӣ: No external funding.

Бархӯрди манфиатҳо: Манбаъ изҳор мекунад, ки competing financial or personal interests вуҷуд надорад.

Дастрасии додаҳо: Манбаъ ICBHI 2017 Respiratory Sound Database-ро истифода мебарад. Сабти расмии ICBHI маҷмӯи додаҳоро ҳамчун 920 сабт, 126 нафар ва 6.898 respiratory cycle муайян мекунад.

Огоҳии ҷиддии дода-тамға: Манбаъ иддао мекунад, ки 312 Healthy, 348 Asthma ва 235 Lung Cancer давра истифода шудаанд. Дар санҷиши берунии библиографӣ дар байни синфҳои ташхисии ICBHI саратони шуш ёфт нашуд. Нашрияҳое, ки ICBHI-ро дар сатҳи беморӣ истифода мебаранд, синфҳои COPD, healthy, bronchiectasis, bronchiolitis, URTI, pneumonia, asthma ва LRTI-ро гузориш медиҳанд. Мақолаи манбаъ шарҳ намедиҳад, ки 235 тамғаи lung-cancer аз куҷо омадааст.

Огоҳии split дар сатҳи бемор: Манбаъ %70/%15/%15 stratified split ва 5-fold stratified cross-validation-ро гузориш медиҳад, аммо subject-independent partition рӯшан муайян нашудааст. Аз ин рӯ, тасдиқ кардан мумкин нест, ки давраҳои гуногуни нафаскашии як бемор байни маҷмӯаҳои training ва test тақсим шудаанд ё не.

Огоҳии бозтавлидпазирии меъморӣ: Гарчанде DWT ва time-domain features дар таҳлили ablation ҳамчун ҷузъи модел намоёнанд, дар тавсифи меъморӣ fusion-и ниҳоӣ рӯшан танҳо байни CNN spectrogram embedding ва BiLSTM MFCC embedding нишон дода шудааст. Пайвасти воқеии network-и ин хусусиятҳо пурра муайян нашудааст.

Норасоии муодилаҳо: Манбаъ ба муодилаҳои гуногуни Eq. 1–15 истинод мекунад, аммо қисми муҳими онҳо дар PDF-и боршуда намоён нест. Ифодаҳои гумшуда аз ҷониби Verianla аз донишҳои беруна бозсозӣ нашудаанд.

Ҳадди истифодаи клиникӣ: Ин таҳқиқот озмоиши ташхиси клиникӣ, таҳқиқоти проспективии беморон ё санҷиши мустақили беморхона нест. External validation анҷом нашудааст. То ҳал шудани мушкили тамғагузории додаҳо, нишондиҳандаи “lung-cancer detection” наметавонад ҳамчун аз ҷиҳати клиникӣ эътиборнок собитшуда ҳисобида шавад.

Манбаи мазмуни илмӣ: MATLAB/Python preprocessing, меъмории CNN–BiLSTM, ҳамаи параметрҳои модел, ҷадвали dataset, натиҷаҳои модел, confusion matrix, ROC, ablation, динамикаи training, қиматҳои inference/хотира ва шарҳҳои муаллифони манбаъ ба мақолаи боршудаи 10-саҳифагӣ асос ёфтаанд. Таҳқиқоти манбаъҳои беруна танҳо барои шахсияти библиографӣ ва санҷиши мустақили сохтори додаҳои ICBHI истифода шудааст.