JP2023529175A - 生体内の機能障害及び事象を予測するための装置及び方法 - Google Patents

Abstract

患者又は被験者の腸音に関連する音声データを通じて、非臨床的で診断未確定の状態を予測するための方法、デバイス、及びシステムであって、これら方法、デバイス、及びシステムは、機械学習アルゴリズムを利用し、識別されたスペクトル事象に対して生体内の機能障害の尤度を予測する。【選択図】図１

Description

本発明は、一般に、非臨床的な且つ診断未確定の生体内の機能障害、例えば、胃腸の状態及び機能障害に関し、より詳細には、その予測戦略及び予防戦略に関する。

胃腸の不耐性又は機能障害（ＧＩＩ：gastrointestinal intolerance or impairment）は、手術後２４時間を超え１４日未満の、嘔吐、経鼻胃管配置の必要性、又は逆食事療法（reversal of diet）の必要性と定義され得る。それは、最も一般的には、術後イレウス（ＰＯＩ：postoperative ileus）によって引き起こされる。ＰＯＩは、手術の２～６日後に発症するＧＩ管の急性麻痺であり、悪心及び嘔吐、腹痛並びに膨満等の望ましくない副作用を引き起こす。これは、胃腸手術において最も頻繁に起こる。患者の生体内環境は、様々な音を発生し、これは、ある特定の生理学的機能に関連付けられ得る。ＧＩＩに加えて、他の潜在的な生命を脅かす状態には、例えば、鬱血性心不全（「ＣＨＦ：congestive heart failure」）、急性呼吸窮迫症候群（「ＡＲＤＳ：acute respiratory distress syndrome」）、肺炎、気胸（pneumothoraxes）、血管吻合、動脈瘤、及び他の類似の状態が含まれ、これら状態について、特定の状態に関連する内部音が、本明細書で説明されるような分析のために収集され、本発明によって予測される生命を脅かす事象を予防し、制限し、及び／又はそれに対して備えるために使用され得る。

本発明のある特定の実施形態は、胃腸機能障害、鬱血性心不全（「ＣＨＦ」）、急性呼吸窮迫症候群（「ＡＲＤＳ」）、肺炎、気胸、血管吻合、動脈瘤、及び他の類似の状態に関連する潜在的な生命を脅かす状態の予測評価のためのデバイス及びシステムを提供し、これら状態について、特定の状態に関連する内部音が、本明細書で説明されるような分析のために収集され、本発明によって予測される生命を脅かす事象を予防し、制限し、及び／又はそれに対して備えるために使用され得る。本発明の一実施形態は、腸音の分析を通じて、被験者が手術後に胃腸不耐性又は機能障害を発症する尤度（likelihood）を予測することである。他の実施形態では、不耐性又は機能障害の予測は、そのような不耐性又は機能障害の任意の臨床的又は診断された症状が存在する前のものである。様々な実施形態では、本発明のある特定の方法は、機械学習を利用し、ここで、機械学習符号器（例えば、自動符号器）及び機械学習分類器（例えば、自動分類器）が、本明細書で開示されるような潜在的な生命を脅かす状態の予測評価を提供するように適合されたコンピュータ実装方法の一部として、例えば、適切なデバイス及び／又はシステムの一部として用いられる。ある特定の実施形態では、以下のためのコンピュータ実装方法がある。

本発明の更なる理解を提供するために含まれ、且つ本明細書に組み込まれてその一部を構成する添付の図面は、本発明の好ましい実施形態を例示し、発明を実施するための形態と共に、本発明の原理を説明する役割を果たす。

図１は、アルゴリズムに関連するトレーニング及びテストのある特定の態様に関する本発明の一実施形態のフロー図である。 図２は、胃腸機能障害の予測及びリスク評価を支援するために、収集された患者データを処理し得るデバイスのアーキテクチャの一実施形態のブロック図である。

本発明の一例では、本発明の一実施形態が使用され、ここで、本発明の機械学習アルゴリズムは、大規模な手術後１２時間以内の被験者からの４分間の腸音声サンプルからトレーニングされる。音声サンプルは、例えば、本明細書で開示されるようなシステム及びデバイスによって収集され得る。この例では、４分間の腸音声サンプルは、術後のＧＩＩに関するその後の転帰（outcomes）を経験した被験者からのサンプルであった。以下の例では、４分間の腸音声データは、トレーニングデータ（７６％）（例えば、ラベル付けされた音声サンプル）と、テストデータ（２４％）（例えば、ラベル付けされていない音声サンプル）とに、ランダムに分離される。４分間の腸音声サンプルを取得するための方法及び機器は、既知であり、当業者によって理解されよう。例えば、ＧＩＩの発症と高度に相関付けられた生体信号（例えば、音）を検出するための非侵襲的技術であるＰｒｅｖｉｓＥＡは、臨床現場（clinical setting）において、９５パーセントの特異度及び８３パーセントの感度で、患者のリスク層化（risk stratification）における高い精度が実証されている。更に、本発明の一実施形態の機械学習アルゴリズムは、国際公開第２０１１／１３０５８９号、米国特許第９，１７９，８８７号及び１０，６０３，００６号、並びに米国特許出願公開第２０２０／０３３００６６号（これらの各々は、参照によりその全体が本明細書に組み込まれる）に開示されているようなＰｒｅｖｉｓＥＡ及び関連製品等のデバイスを通じて実装され（例えば、コンピュータ実装され）得、それによって、デバイスにおける構成要素の構造化システムを使用して、ＧＩＩの臨床前の診断された症状のない患者においてＧＩＩが発生する予測尤度の向上という目標を達成する。当業者によって理解されるように、本発明の実施形態は、異なる医学的状態及び将来の事象に関連すると決定される信号に基づいて、他の生体内の事象の尤度を予測するためのそのようなシステムで実装され得る。

図１のフロー図に見られるように、ラベル付けされた音声サンプルが、機械学習構成要素、例えば、符号器構成要素及び結果として得られる分類器構成要素を作成するためにトレーニング中に使用され、各構成要素は、機械学習アルゴリズムの一部として機能して、次いで、テスト段階において性能について評価される。次いで、トレーニング中に生成された構成要素は、ラベル付けされていないテストセットに対して分析を行うことによって、性能を評価される。この２段階プロセスの生成物は、アルゴリズムの２つの検証された機械学習構成要素である。また、理解されるように、本発明のある特定の実施形態は、異なる機械学習アプローチ、例えば、教師あり学習（例えば、数学モデルを構築するために、入力と所望の出力との両方を含むデータのセットを使用する）、教師なし学習（例えば、ラベル付けされていないテストデータからの学習、ここで、アルゴリズムは、データにおける共通点を識別し、新しいデータ片の各々におけるそのような共通点の有無に対して応答する）と共に使用され得る。

［アルゴリズムのトレーニング］
１．各トレーニングサンプルが、データをデータの新しい表現に変換する符号器に通される。これは、データの次元数（dimensionality）を削減し、後続の分類に重要なデータを保存する役割を果たす。次元数の一例として、４分のサンプルは、音声ファイル内に１００万より多くの離散データ点を備え得る。本発明の符号器は、離散データ点を、予測尤度に関連性のあるそれらデータ点に最小化し得、それによって、結果に関連性のある離散データ点のより小さい集中した小部分（a smaller, focused fraction）を提供する。アルゴリズム及びそれが機能するシステムのこの態様は、データセットの分析に必要な時間を低減させる。符号器の変換は、以下の通りに行われる：
Ａ． 高速フーリエ変換（ＦＦＴ）、これは、アルゴリズム、例えばＣｏｏｌｅｙ－Ｔｕｒｋｅｙであり、これは、信号をその元の領域（多くの場合、時間又は空間）から周波数領域における表現に変換し、その逆もまた同様である。
Ｂ． （例えば、音関連サンプルについての）ＦＦＴ後（post-FFT）サンプルの更なる変換
i． ステップ１で取得されたパワースペクトルを、例えば、メルスケール（mel scale）上にマッピングする（即ち、重なり合う三角窓を使用する）
ii． メル周波数の各々においてパワーの対数をとる
iii． メル対数パワーのリストの離散コサイン変換を行う
iv． 結果として得られる各スペクトルの振幅を取得する；これらのステップは、生の信号を、データの次元数を著しく削減するメル周波数ケプストラム係数（ＭＦＣＣ）に変換する。
２．次いで、ステップ４からの符号化及びラベル付けされたサンプルは、分類器関数（classifier function）を生成するために、機械学習分類器アルゴリズムに通される。誤分類コストアルゴリズム又は希少クラスのアップサンプリングが、クラス不均衡問題を解決するために、トレーニング中に適用され得る。非限定的な例として、クラス不均衡は、結果のうちの１つがデータセット内でめったに表れない状況を指す。例えば、ＧＩＩが１００人の患者のうち１人でのみ発生した場合、アルゴリズムがこれに対処するための最も単純な方法は、全ての患者に対して陰性と予測することである。これはシステムの所望の特性ではないことが理解されよう。したがって、偽陰性予測を有することに対して「アルゴリズム的コスト」が導入される場合には、アルゴリズムは、次いで、１００のうちの１を見つけるために、いくつかの陽性予測を行うことを強制される。非限定的な例として、希少クラスのアップサンプリングは、分類器においてそれらをより重み付けするようにトレーニングプロセスを強制するような方法で、トレーニングサンプルにおいて複数回複製される。例えば、ＧＩＩが１００ケースのうちの１ケースで発生する場合、本発明の一態様は、その１つの陽性ケースを１９回複製し得、したがって、そのクラスは、今やトレーニングデータにおける１１９ケースのうちの２０ケースで表われる。先と同様に、これは、分類器にＧＩＩ陽性ケースの重み付けを増大させるように強制する。このプロセス中に多数の機械学習アルゴリズムがスクリーニングされ得、最良の性能のアルゴリズム、例えば、サポートベクターマシン、ランダムフォレスト、ニューラルネットワーク、ナイーブベイズ（Naive Bayes）、及び多くの他のものが保持される。

［アルゴリズムのテスト］
１．各テストサンプルが、トレーニング中に定義された同じ符号器に通される。
２．次いで、各ラベル付けされていないテストサンプルが、上記トレーニングで生成された分類器関数を使用して分類される。
３．予測された結果が、性能を測定するために、実際の結果と比較される。この実施形態の目的は、偽陰性及び偽陽性を最小限に抑えることである。

理解されるように、本発明のシステム内で動作するアルゴリズムは、プロセス中に分類器を調整することによって動作する。確率閾値の必要性が存在し、例えば、それを上回ると、はい（yes）であり、それを下回ると、いいえ（no）であり、したがって、異なる値又はコストは、誤った読み取りの影響に関連するであろうように割り当てられる。本発明の一態様では、ニューラルネットワークパーセプトロン（バイナリ分類器の教師あり学習のためのアルゴリズム）が、それらのそれぞれの重み及びバイアスを、確率的勾配降下法のプロセスにおける誤差勾配に応答して反復的に調整される。一態様では、アルゴリズムが調整し得る回数に上限が設定され得る。本発明の他の実施形態では、線形又はバイナリパーセプトロンがそれほど有用でない場合、例えば、インスタンスを３つ以上のクラスのうちの１つに分類する必要がある場合、マルチクラスパーセプトロンが用いられ得る。

［テストデータの要約］
上記の戦略を使用して、６８個のラベル付けされたサンプルを使用してアルゴリズムをトレーニングし、２２個のラベル付けされていないサンプルを使用してアルゴリズムをテストした。テストセットに対する分類性能は、以下の通りであった：
・ ｎ＝２２
・ 精度： ０．９５
・ 感度： ０．８６
・ 特異度： １．００
・ ＰＰＶ： １．００
・ ＮＰＶ： ０．９４
・ ＡＵＣ： ０．９１

［トレーニング及びテストの生成物］
検証及びトレーニングされた符号器と、検証及びトレーニングされた分類器とが、ＧＩＩ予測をレンダリングすることを目的として音声捕捉デバイスに埋め込まれ得るこのプロセスの生成物である。理解されるように、様々なコンピュータ形態が、トレーニング及びテスト段階のために使用され得る。例えば、ある特定のコンピュータ形態は、プロセッサ（複数可）、マザーボード、ＲＡＭ、ハードディスク、ＧＰＵ（又はＦＰＧＡ及びＡＳＩＣ等の他の代替物）、冷却構成要素、マイクロホン（複数可）、ハウジングを備え得、ここで、十分な処理能力及び速度、記憶空間、並びに他の要件が、本発明の実施形態の目標を達成するために設けられている。

本明細書で提供され、図２に例示されるように、本発明の実施形態は、デバイスのある特定のシステム又はデバイスの一部であり得る。本発明の機械学習アルゴリズムは、国際公開第２０１１／１３０５８９号、米国特許第９，１７９，８８７号及び１０，６０３，００６号、並びに米国特許出願公開第２０２０／０３３００６６号（これらの各々は、その全体が本明細書に組み込まれる）に開示されているようなＰｒｅｖｉｓＥＡ及び／又は関連製品等のデバイスへと実装され得、それによって、デバイスにおける構成要素の構造化システムを使用して、ＧＩＩの臨床前の診断された症状のない患者においてＧＩＩが発生する予測尤度の向上という目標を達成する。

図２は、収集された患者データを分析するために、胃腸機能障害を予測するためのシステムにおいて使用され得るデバイス７２のための例となるアーキテクチャを例示する。例として、図２に示されるアーキテクチャは、コンピュータ、データ収集デバイス、患者インターフェース及び／又は患者監視システムのアーキテクチャであり得る。更に、例示されたアーキテクチャは、１つ以上のデバイスにわたって分散され得ることに留意されたい。

本発明の実施形態のアルゴリズムと併せて使用するためのシステムは、概して、データ収集デバイスと、患者インターフェースと、コンピュータと、を備える。データ収集デバイスは、患者の腸管内で発生した音声データを収集することが可能な任意のデバイスを備え得る。いくつかの実施形態では、データ収集デバイスは、ポータブル（例えば、ハンドヘルド）デジタル音声レコーダを備える。そのような場合、データ収集デバイスは、腸音を捕捉するために使用される一体型マイクロホンを備え得る。

患者インターフェースは、腸音を拾うことを目的として、患者の腹部（又は開示されるシステムの適用に基づいて、他の身体部分）に直接適用され得るデバイスである。いくつかの実施形態では、患者インターフェースは、聴診器ヘッドを備えるか、又は聴診器ヘッドと設計及び機能が類似する。聴診器ヘッドは、患者に接触して配置され且つ体内で発生した音に応答して振動する振動板を備える。それらの音は、患者インターフェースとデータ収集デバイスとの間に延在する管類を介して、データ収集デバイスのマイクロホンに届けられ得る。具体的には、振動板の振動から生成される音響圧力波が、管類の内側管腔内を伝わって、マイクロホンに至る。いくつかの実施形態では、患者インターフェースの全体又はその一部が、患者間の交差汚染を回避するために使い捨てであり得る。代替として、患者インターフェースは、使用後に廃棄され得る使い捨てシース又はカバーと共に使用され得る。

データ収集デバイスによって収集された音声データは、デバイスの内部メモリ内に記憶され得る。例えば、音声データは、デバイスの不揮発性メモリ（例えば、フラッシュメモリ）内に記憶され得る。次いで、そのデータは、処理のために、コンピュータへ送信され得る。いくつかの実施形態では、データは、データ収集デバイスをコンピュータに物理的に接続するために使用されるワイヤ又はケーブルを介して送信される。他の実施形態では、データは、Ｂｌｕｅｔｏｏｔｈ（登録商標）又はＷｉ－Ｆｉ（ＩＥＥＥ ８０２．１１）等の好適な無線プロトコルを使用して、データ収集デバイスからコンピュータに無線で送信され得る。

コンピュータは、いくつかの実施形態では、デスクトップコンピュータを備え得る。しかしながら、データ収集デバイスによって収集された音声データを受け取り及び処理することが可能な実質的に任意のコンピューティングデバイスが、本発明のアルゴリズム及び実施形態と併せて使用され得ることに留意されたい。したがって、コンピュータは、代替として、ノートブックコンピュータ、タブレットコンピュータ、又はハンドヘルドコンピュータ等の、モバイルコンピュータの形態を取り得る。データ収集デバイス及びコンピュータは、別個のデバイスを備えるものとして開示されているが、それらは、代わりに、単一のデバイス、例えば、ポータブル（例えば、ハンドヘルド）コンピューティングデバイスに一体化され得ることに更に留意されたい。例えば、データ収集デバイスには、デジタルシグナルプロセッサと、収集された音声データを分析するために使用され得る適切なソフトウェア／ファームウェアと、が設けられ得る。

別の実施形態では、患者インターフェースは、それ自体の一体型マイクロホンを有するデバイスを備え得る。そのような場合、患者の音は、患者インターフェースのマイクロホンによって拾われ、記憶及び／又は処理のために、ワイヤ又はケーブルに沿ってデータ収集デバイスへ電子的に送信される電気信号に変換される。代替として、患者の音は、データ収集デバイスに無線で送信され得る。いくつかの実施形態では、患者インターフェースは、心電図（ＥＫＧ）リードと同様に、インターフェースが患者の皮膚に一時的に粘着されることを可能にする粘着面を有する。前述の実施形態と同様に、患者データは、有線接続を介して（ワイヤ若しくはケーブルを介して）又は無線で、データ収集デバイスからコンピュータに送信され得る。

更に別の実施形態では、データ収集デバイスは、患者監視システムとドッキングするように設計された構成要素を備え、患者監視システムは、患者のベッドのそばに位置し得る。このような患者監視システムは、現在、血圧及び酸素飽和度等の他の患者パラメータを監視するために使用されている。この実施形態では、患者監視システムは、ドッキングステーションと、関連するディスプレイと、を備える。そのような場合、データ収集デバイスは、使用前にステーションの空きベイ内にドッキングし得る。

いくつかの実施形態では、データ収集デバイスは、内部電源を備えず、したがって、ドッキングされたときにのみ患者データを収集し得る。例として、データ収集デバイスは、電力を受け取ることと、収集されたデータを患者監視システムに転送することと、を目的として、このデバイスを患者監視システムに電気的に結合する電気ピンを有し得る。この場合、患者データは、患者監視システムのメモリに記憶され得、及び／又は関連する医療記録データベース内の患者記録と関連付けて記憶するために、中央コンピュータに送信され得る。

データ収集デバイスは、ワイヤ又はケーブルのプラグを受容し得る電気ポートを備え得る。加えて、データ収集デバイスは、患者監視システムとの確実な電気的接続（positive electrical connection）及び患者信号品質等の情報をオペレータに伝達する、発光ダイオード（ＬＥＤ）インジケータ等の１つ以上のインジケータを備え得る。

更に別の実施形態では、システムは、腹膜腔内から音を収集するように設計された内部患者インターフェースを備え得る。例として、患者インターフェースは、ドレナージカテーテルと同様に、手術が完了した後に留置される小径マイクロホンカテーテルを備える。このような患者インターフェースは、患者が肥満であり、皮膚の表面から高品質の信号を取得することがより困難である場合に、特に有用であり得る。患者に電流が流れるのを回避するために、患者インターフェースは、レーザマイクロホンを備え得る。そのような場合、レーザビームは、カテーテルを通って導かれ、体内のターゲットに反射する。反射された光信号は、光信号を音声信号に変換する受信機によって受信される。光がターゲットから反射するときに光が進む距離の微小な差が、干渉的に検出される。代替の実施形態では、患者インターフェース６８は、カテーテルの先端に配置されたマイクロホンを備え得る。

上記で説明されたように、システム構成要素の組合せが可能であることに留意されたい。例えば、必要に応じて、ユーザインターフェースは、データ収集デバイスと共に使用され得る。全てのそのような組合せは、本開示の範囲内であると見なされる。

図２に示されるように、デバイス７２は、概して、処理デバイス７４と、メモリ７６と、ユーザインターフェース７８と、入力／出力デバイス８０と、を備え、その各々は、ローカルバス等のローカルインターフェース８２に結合される。

処理デバイス７４は、マイクロプロセッサ又はデジタルシグナルプロセッサ等の、中央処理ユニット（ＣＰＵ）又は他の処理デバイスを含み得る。メモリ７６は、揮発性メモリ要素（例えば、ＲＡＭ）及び不揮発性メモリ要素（例えば、フラッシュ、ハードディスク、ＲＯＭ）のうちの任意の１つ又はそれらの組合せを含む。

ユーザインターフェース７８は、ユーザがデバイス７２と対話する構成要素を備える。ユーザインターフェース７８は、例えば、キーボード、マウス、及び液晶ディスプレイ（ＬＣＤ）等のディスプレイデバイスを備え得る。代替又追加として、ユーザインターフェース７８は、１つ以上のボタン及び／又はタッチスクリーンを備え得る。１つ以上のＩ／Ｏデバイス８０は、他のデバイスとの通信を容易にするように適合され、１つ以上の電気コネクタと、無線送信機及び／又は受信機と、を含み得る。加えて、デバイス７２がデータ収集デバイスである場合、Ｉ／Ｏデバイス８０は、マイクロホン８４を備え得る。ある特定の他の実施形態では、本発明のシステムで利用されるアルゴリズムは、トレーニングされ、第２のマイクロホンの使用なしで雑音緩和を学習する。本発明のこの態様は、システム／デバイスが雑音に起因してデータを破棄することを防止し得る。

メモリ７６は、コンピュータ可読媒体であり、オペレーティングシステム８６と、腸音分析器８８と、を含む様々なプログラム（即ち、ロジック）を記憶する。オペレーティングシステム８６は、他のプログラムの実行を制御し、スケジューリング、入出力制御、ファイル及びデータ管理、メモリ管理、並びに通信制御及び関連するサービスを提供する。腸音分析器８８は、患者がＧＩＩを発症する尤度を予測することを目的として、腸音声データを分析するように構成された１つ以上のアルゴリズムを備える。いくつかの実施形態では、分析器８８は、データベース９０に記憶された相関データに対してその分析を行い、ＧＩＩリスクの予測指標をユーザ（例えば、医師又は病院スタッフ）に提示する。いくつかの実施形態では、分析器８８は、ターゲット信号パラメータ、信号対雑音比パラメータ、及び雑音電力推定パラメータを使用して、（患者内の音、例えば消化音からの音声データに関連付けられた）対象となる特定のスペクトル事象を識別する。次いで、指定された時間間隔中の予測スペクトル事象の数の決定木分析が、ＧＩＩの高リスク、中リスク、又は低リスクを伝達するために使用され得る。

理解されるように、本明細書で説明された本発明は、鬱血性心不全（「ＣＨＦ」）、急性呼吸窮迫症候群（「ＡＲＤＳ」）、肺炎、気胸、血管吻合、動脈瘤、及び他の類似の状態に関連する他の潜在的な生命を脅かす状態の予測評価のために適用され得、これら状態について、特定の状態に関連する内部音が、本明細書で説明されたような分析のために収集され得る。

前述の説明は、本発明の好ましい実施形態に向けられたが、他の変形及び修正が、当業者に明白であり、本発明の趣旨又は範囲から逸脱することなく行われ得ることに留意されたい。更に、本発明の一実施形態に関連して説明された特徴は、本明細書に明記されていない場合であっても、他の実施形態と併せて使用され得る。

Claims (15)

1. 臨床診断及び症状より前に、リアルタイムでの生体内の機能障害及び事象の改善された予測のためにアルゴリズムをトレーニングし、テストし、及び実施するための方法において、前記トレーニングし、テストし、及び実施するための方法は、アルゴリズムをトレーニング及びテストするためのシステムを備え、前記システムは、生体内の機能障害の前記改善された予測のための前記アルゴリズムをもたらし、前記アルゴリズムは、臨床診断及び臨床症状より前に、生体内の機能障害又は事象が発生する尤度についてのリアルタイムの改善された予測値を提供するようにコンピュータ実装される、方法。
2. 前記コンピュータは、処理デバイスと、データ記憶又はメモリデバイスと、ユーザインターフェースと、１つ以上の入力／出力デバイスと、を備え、各々が、ローカルインターフェースに結合されている、請求項１に記載の方法。
3. 前記システムは、トレーニングサンプルが通され、収集された音声音の新しい表現としてのデータに変換される機械学習符号器を備える、請求項１に記載の方法。
4. 各トレーニングサンプルを前記機械学習符号器に通し、各トレーニングサンプルを前記収集された音声音の前記新しい表現としてのデータに変換することによって、前記アルゴリズムをトレーニングするステップを備える、請求項３に記載の方法。
5. 前記変換することは、前記データの次元数を削減することを含む、請求項４に記載の方法。
6. 前記変換することは、高速フーリエ変換を備えることを含む、請求項５に記載の方法。
7. ＦＦＴ後サンプルを変換するステップを更に備える、請求項６に記載の方法。
8. ＦＦＴ後サンプルを変換することは、
   i． パワースペクトルをメルスケール上にマッピングすること
   ii． メル周波数の各々においてパワーの対数をとること
   iii． メル対数パワーのリストの離散コサイン変換を行うこと
   iv． 結果として得られる各スペクトルの振幅を取得し、前記データの次元数を著しく削減するために、生の信号をメル周波数ケプストラム係数（ＭＦＣＣ）に変換すること
   を含む、請求項７に記載の方法。
9. 符号化及びラベル付けされたサンプルを、機械学習分類器アルゴリズムに通し、分類器関数を生成することを更に備える、請求項８に記載の方法。
10. テストサンプルを前記機械学習符号器に通すステップを更に備える、請求項９に記載の方法。
11. 前記トレーニングするステップを通じて生成された前記分類器関数を使用して、各ラベル付けされていないテストサンプルを分類するステップを更に備える、請求項１０に記載の方法。
12. 偽陰性及び偽陽性を最小限に抑えるために、予測された結果を、性能を測定するために実際の結果と比較することを更に備える、請求項１１に記載の方法。
13. 請求項１に記載の方法を実施するためのデバイス。
14. 請求項１に記載の方法を実施するためのシステム。
15. 前記システムは、１つ以上のコンピュータ及び／又は１つ以上のデバイスを備える、請求項１４に記載のシステム。

Images