JP6780182B2 - 音声分析による肺疾患の評価 - Google Patents

Description

本発明は、病状、特に肺疾患の診断と治療に関するものである。

（関連出願の相互参照）
本願は２０１５年１０月８日出願の名称「音声分析による肺疾患の評価」の米国暫定出願第６２／２３８，７３２（特許文献１）の恩恵を主張し、それはここに参照して取り入れられる。

肺水腫は、肺の実質および空気空間内の体液の蓄積である。それはガス交換障害につながり、呼吸不全を引き起こす可能性がある。
胸水は、肺を取り囲む体液で満たされる空間である、胸膜腔に蓄積する余分な体液である。この過剰な体液は、肺の拡張を制限することにより呼吸を阻害する可能性がある。

参照により本明細書に組み込まれる米国特許出願公開第２０１５／００７３３０６号（特許文献２）は、患者の音を処理するために計算装置を操作する方法を記載しており、前記方法は、前記患者の音のセグメントから特徴を抽出するステップと、前記抽出された特徴および所定の基準に基づいて前記セグメントを咳または咳でない音として分類するステップと、咳の音として分類された患者の音のセグメントに基づいて、計算装置の制御下でディスプレイ上に疾患関連の状態の診断を提示するステップとを含む。

参照によって本明細書に組み込まれる米国特許第７，２６７，６５２号（特許文献３）は、一般的に呼吸プレチスモグラフ、および特に歩行記録のための衣類に取り付けられた呼吸誘導性プレチスモグラフセンサから得られる呼吸信号を処理するシステムおよび方法を記載している。このシステムおよび方法は、人為的排除のための信号フィルタリング、および肺体積を示す出力を生成するためのセンサデータの較正を提供する。この参考文献はまた、呼吸パラメータの決定および選択された呼吸事象の認識を提供するために、測定または導出された肺容積信号を処理するためのシステムおよび方法を記載している。

その開示が参照により本明細書に組み込まれる米国特許出願公開第２０１１／０１８４２５０号（特許文献４）は、複数の患者が慢性的な健康状態を管理するのを支援するためのコンピュータによる実施方法およびシステムを記載している。この方法は、各患者について、（ａ）所定の将来の期間における予想される患者の活動について患者または患者ケアネットワークのメンバーから情報を受信するステップと；（ｂ）所与の将来の期間における予想される患者の活動の間の、患者の周囲における予想される一時的な局所周囲条件を決定するステップと；（ｃ）所望の患者制御設定ポイント範囲、予想される患者活動、および予想される一時的な局所的周囲条件に基づいて、患者の記憶されたコンピュータモデルを使用して患者の健康悪化を予測するステップと；（ｄ）所定の将来の期間の前に患者または患者ケアネットワークのメンバーに対し、患者の予測される健康悪化を警告し、そして予測される健康悪化を回避または緩和するための患者に対する１つ以上の是正措置を識別するメッセージを、将来を見越して送信するステップと；を含む。

その開示が参照により本明細書に組み込まれるＰＣＴ出願ＷＯ２０１４／０３７８４３（特許文献５）は、慢性心不全、ＣＯＰＤまたは喘息を検出するための、ユーザの肺容量および持久力を測定するためのコンピュータ化された方法およびシステムであって：肺を空気で満たし、呼気中に特定の範囲のラウドネス（デシベル）内で声帯音を発するように前記ユーザに指示するための実行可能なコンピュータコードからなる、ユーザの移動通信装置上のクライアントアプリケーションを提供するステップと；前記移動通信装置が前記ユーザの声帯音を受信し登録するステップと；声帯音の登録を停止するステップと；ユーザの肺容量に比例する、ラウドネスの範囲内の声帯音の受音時間の長さ、を測定するステップと；受信された時間の長さを移動通信装置の画面に表示するステップと；を含む。

米国暫定出願第６２／２３８，７３２ 米国特許出願公開第２０１５／００７３３０６号 米国特許第７，２６７，６５２号 米国特許出願公開第２０１１／０１８４２５０号 ＷＯ２０１４／０３７８４３

本発明のいくつかの実施形態によれば、ネットワークインタフェースおよびプロセッサを有装置が提供される。プロセッサは、ネットワークインタフェース経由で、余剰体液の蓄積に関係する肺疾患を罹患する被験者の音声を受信し、その音声を分析することにより、音声の１つまたはそれ以上の音声関連パラメータを識別し、その音声関連パラメータに応答して、肺疾患の状態を評価し、そしてその評価に応答して、肺疾患の状態を示す出力を生成するように構成される。

いくつかの実施形態では、プロセッサは、音声のスペクトル分析を実行することにより音声を分析するように構成される。
いくつかの実施形態では、プロセッサは、音声のケプストラム分析を実行することにより音声を分析するように構成される。
いくつかの実施形態では、プロセッサは、音声を分析することにより、その音声の意味を識別するようにさらに構成され、ここでプロセッサは、意味に応答して状態を評価するように構成される。

いくつかの実施形態では、プロセッサは、被験者に対し、質問に口頭で応答することにより、音声を提供するように促すようにさらに構成される。
いくつかの実施形態では、プロセッサは、被験者に電話をかけ、そして被験者が電話に応答する時に、質問を被験者に聞くことにより、音声を提供するように被験者に促すように構成される。
いくつかの実施形態では、疾患は肺水腫、および胸水から構成されるグループから選択される。

いくつかの実施形態では、プロセッサは、状態の悪化を示す警告を提供することにより出力を生成するように構成される。
いくつかの実施形態では、音声関連パラメータは、音声の少なくとも１つのフォルマント周波数を含む。
いくつかの実施形態では、プロセッサは、フォルマント周波数をベースライン周波数と比較することにより肺疾患の状態を評価するように構成される。

いくつかの実施形態では、プロセッサは、音声に対応する時間空間の信号のそれぞれのフレームに対し：フレームのケプストラムを計算し；その後、フレームのケプストラムに対しローパスケプストラムリフタを適用し；その後、リフトされたケプストラムを逆変換し；そしてその後、逆変換された、リフトされたケプストラムのピークを識別することにより、フレームのフォルマント周波数を識別し；そしてフレームのそれぞれのフォルマント周波数に基づいて、当該音声の少なくとも１つのフォルマント周波数を識別する、ことにより音声を分析するように構成される。

いくつかの実施形態では、プロセッサは、分析のために：音声のエネルギーレベル、音声のピッチの安定性、音声のピッチの計算の信頼度、および音声のフォルマント周波数の安定性、からなるグループから選択される１つまたはそれ以上のメトリックに基づき、音声の少なくとも１つの部分を選択し、そしてその後、音声の選択された部分を分析する、ことにより音声を分析するように構成される。
いくつかの実施形態では、プロセッサは、音声関連パラメータに機械学習モデルを適用することにより、肺疾患の状態を評価するように構成される。

いくつかの実施形態では、音声関連パラメータは１組のメル周波数ケプストラム係数（ＭＦＣＣ）を含む。
いくつかの実施形態では、音声関連パラメータは１組のメル周波数ケプストラム係数（ＭＦＣＣ）の導関数を含む。
いくつかの実施形態では、音声関連パラメータは１組の相対スペクトル変換知覚線形予測（ＲＡＳＴＡ−ＰＬＰ）ケプストラム成分を含む。

いくつかの実施形態では、音声関連パラメータは１組の相対スペクトル変換知覚線形予測（ＲＡＳＴＡ−ＰＬＰ）スペクトル成分を含む。
いくつかの実施形態では、プロセッサは、音声内の咳音を識別することなく、かつ喘鳴音を識別することなく肺疾患の状態を評価するように構成される。
いくつかの実施形態では、プロセッサは、最初に被験者に対し音声を提供するように促すことなく、被験者の音声を分析するように構成される。

いくつかの実施形態ではさらに、方法であって、プロセッサを使用して、余剰体液の蓄積に関係する肺疾患を罹患する被験者の音声を分析することにより、その音声の１つまたはそれ以上の音声関連パラメータを識別するステップを有する方法が提供される。方法はさらに、音声関連パラメータに応答して、自動的に肺疾患の状態を評価するステップと；そして評価に応答して、肺疾患の状態を示す出力を生成するステップと；を有する。

いくつかの実施形態ではさらに、移動通信端末とそしてプロセッサを備えるサーバとを有するシステムが提供される。プロセッサは、ネットワークインタフェース経由で、余剰体液の蓄積に関係する肺疾患を罹患する被験者の音声を受信し、音声を分析することにより、音声の１つまたはそれ以上の音声関連パラメータを識別し、その音声関連パラメータに応答して、肺疾患の状態を評価し、そしてその評価に応答して、肺疾患の状態を示す出力を生成する、ように構成される。

いくつかの実施形態ではさらに、プログラム命令が保管される接触可能非一過性コンピュータ可読媒体を有するコンピュータ用ソフトウェアを有する製品が提供される。その命令は、プロセッサによって読み取られた場合に、プロセッサに対し、ネットワークインタフェース経由で、余剰体液の蓄積に関係する肺疾患を罹患する被験者の音声を受信し、その音声を分析することにより、音声の１つまたはそれ以上の音声関連パラメータを識別し、その音声関連パラメータに応答して、肺疾患の状態を評価し、そしてその評価に応答して、肺疾患の状態を示す出力を生成する、ようにさせる。

いくつかの実施形態ではさらに、音響センサとおよびプロセッサとを有する装置が提供される。プロセッサは、ネットワークインタフェース経由で、余剰体液の蓄積に関係する肺疾患を罹患する被験者の音声を受信し、その音声を分析することにより、音声の１つまたはそれ以上の音声関連パラメータを識別し、その音声関連パラメータに応答して、肺疾患の状態を評価し、そしてその評価に応答して、肺疾患の状態を示す出力を生成する、ように構成される。

本発明は以下の図を参照した実施形態の詳細な説明からより十分に理解されよう：
本発明のいくつかの実施形態による、肺疾患を評価するためのシステムの概略図である。 本発明のいくつかの実施形態による、プロセッサにより実行される事前処理方法の概略図である。 本発明のいくつかの実施形態による、被験者の音声を分析する方法の概略図である。

本発明の実施形態は、肺内または肺付近の過剰な体液の蓄積に関連する肺水腫または胸水疾患などの肺疾患の状態を評価する方法およびシステムを提供する。いくつかの実施形態では、肺疾患の状態を評価するシステムは、スマートフォンおよび遠隔サーバを含む。スマートフォンは、被験者が話すときに被験者を記録し、記録された音声信号を分析のために遠隔サーバに送信する。信号を自動的に分析することによって、遠隔サーバは、音声の１つまたはそれ以上の音声関連パラメータを識別し、そのパラメータに応答して、疾患の状態を評価する。次に、サーバは、スマートフォンを駆動するスマートフォンへの出力を生成し、次にスマートフォンは視覚出力のような、疾患の状態を示す出力を生成する。これに代えて、またはそれに加えて、被験者の状態が悪化した場合、サーバは、以下に説明するように、緊急コールセンターおよび／または被験者の医者または介護者に、その悪化を警告してもよい。

典型的には、評価の基礎となる音声関連パラメータは、音声の少なくとも１つのフォルマント周波数のような、音声のスペクトルおよび／またはケプストラム特性を含む。 フォルマント周波数は、通常、声道または上気道に関連するが、本発明の実施形態は、フォルマント周波数の変化が、実質、胸腔または肺に属す、または肺の近くにある解剖学的な他の部分に存在する体液の量の変化を示し得るという観察に基づいている。特に、フォルマント周波数の増加は、体液の量の増加を示し、逆もまた同様であることが観察された。したがって、システムは、フォルマント周波数の増加に基づいて疾患の状態の悪化を識別することができ、そしてその逆もあり得る。

代替的または追加的に、システムは、音声信号から抽出された特定のパラメータまたは「特徴」に機械学習モデルを適用することによって、疾患の状態を評価してもよい。このようなモデルは、状態を示す数値を出力する回帰子（リグレッサ）を含むことができる。例えば、回帰モデルは、肺の内部または近くの体液のベースラインに対する推定量を示す数値を出力してもよい。代替的にまたは追加的に、そのようなモデルは、肺疾患の現在の状態を分類する、および／または肺疾患の現在の状態に基づいて被験者の現在の状態を分類する分類子（クラシファイヤ）を含むことができる。例えば、そのような分類モデルは、被験者を「透析が必要」または「透析が必要でない」と分類してもよい。

本発明の実施形態は、肺疾患の状態を評価するために、必ずしも咳音、喘鳴音、呼吸音（例えば、鳴き声）、または他の音声に関連しないパラメータの識別を必要としないことが強調される。むしろ、評価は、被験者の音声のフォルマント周波数および／または本明細書に記載されている他の音声関連パラメータのいずれかなどの音声関連パラメータのみに基づいてもよい。さらに、被験者は、任意の特定の時間に、特定の音を発したり、特定の単語を言ったり、あるいは自然に話すように促される必要は必ずしもない。むしろ、システムは、スマートフォンでの被験者の通常の日常会話から得られた発話文を分析してもよい。（上記にかかわらず、いくつかの実施形態では、被験者は、特に、被験者の「自然な」音声の分析が決定的でない場合には、特定の音を発したり、および／または特定の単語を言ったりするように促されてもよい。

一般に、本明細書に記載の実施形態は、被験者の疾患の悪化の早期発見およびその治療介入を容易にし、それにより被験者の入院が必要でない可能性がある。例えば、本明細書に記載された実施形態では、被験者が服用中の特定のタイプおよび／または投薬量の薬剤の有効性を評価することを容易にし、それにより悪化が観察された場合、入院が必要となる前に、薬剤の特定のタイプおよび／または投薬量を調整してもよい。

（システムの記述）
最初に、本発明のいくつかの実施形態による、肺疾患の状態を評価するためのシステム２０の概略図である図１を参照する。システム２０は、スマートフォン２４または他の移動通信端末などのような通信および／またはコンピューティングデバイス、およびサーバ２６を備える。肺水腫または胸水などの肺疾患に罹患している被験者２２は、典型的には、被験者の通常の日常会話活動の経過中にスマートフォン２４に向かって話す。スマートフォンは、被験者の音声をサーバ２６に送信し、サーバ２６は、肺状態の状態を評価するなどのため、以下でさらに説明するように、音声を分析する。（このような分析は、被験者が話しているときに、オフラインで、またはリアルタイムで実行してもよい。）次に、サーバは分析の結果をスマートフォンに返し、スマートフォンは、肺疾患の状態を示す、音声および／または映像出力として出力を生成する。例えば、サーバは、疾患の悪化のサーバの識別に応答して、スマートフォンを介して、悪化を示す警告を提供し、および／または被験者に医師と話すよう指示し、処方された薬物を服用し、および／または、服用する薬剤のタイプを調整するか、または投薬量を増加させることができる。逆に、被験者の状態の改善または安定化に応答して、システムは投薬量の減少を推奨してもよい。

いくつかの実施形態では、サーバは、分析の結果および／または警報などの出力を遠隔端末に伝達するように構成され、代替的にまたは付加的に、これらの出力を被験者のスマートフォンに伝達するように構成される。したがって、例えば、サーバは、被験者の医師、介護者、保険会社、または雇用者、または病院、緊急コールセンター、またはデータセンターに出力を伝達してもよい。代替的または追加的に、スマートフォンは、そのような遠隔端末に出力を伝達してもよい。

いくつかの実施形態では、スマートフォンは、薬注ポンプを制御するように構成される。そのような実施形態では、被験者の疾患の悪化に応答して、スマートフォンは、警告を必ずしも生成することなく、ポンプによって被験者に送達される投薬量を自動的に増加させることができる。続いて、用量の増加が成功したかどうかを確認するために、追跡分析を行うことができる。投与量の増加がうまくいかなかった場合は、警告が生成されてもよい。代替的または追加的に、スマートフォンは、分析結果に応答して利尿ポンプを制御するように構成されてもよく、例えば、スマートフォンは、ポンプの動作周波数を自動的に変更してもよい。

一般的に、悪化に対する応答は、典型的に悪化の程度の大きさに依存する。例えば、比較的小さな悪化に対して、システムは、必ずしも警告を発することなく、被験者の音声が分析される頻度の増加を推奨するか、または自動的に実施し、および／または被験者の疾患に関連し得る追加のパラメータを識別するために分析を拡大してもよい。より大きな悪化に対しては、警告が生成されてもよく、および／またはシステムは、利尿薬のような薬剤の投薬量の増加を推奨するか、または自動的に実施してもよい。代替的または追加的に、システムは、被験者が医者に会うことを推奨してもよい。更に極端な場合には、システムは自動的に緊急コールセンターに連絡してもよい。

典型的には、サーバ２６は、被験者２２から離れて、例えば「クラウド内に」存在する。サーバは、入力をスマートフォンから受け取り、出力をスマートフォンに送信するネットワークインタフェースコントローラ（ＮＩＣ）２８などのネットワークインタフェースを備える。サーバはさらに、ＮＩＣ２８を介してスマートフォンから受信した入力に基づいて関連出力を計算し、ＮＩＣ２８を介してこれらの出力をスマートフォンに返信する、プロセッサ３０を含む。同様に、スマートフォンは、プロセッサ３４と、サーバとの通信を交換するためにプロセッサ３４によって使用される無線送受信機（ＴＣＶＲ）３２などのネットワークインタフェースとを備える。スマートフォンは、被験者によって発せられた音を受信するように構成された音響センサをさらに備える。

別の実施形態では、プロセッサ３４などのローカルプロセッサ、またはラップトップまたはデスクトップコンピュータなどの別のローカルコンピューティングデバイスのプロセッサが、被験者の音声を処理する。例えば、被験者は、ラップトップコンピュータに付属するマイクロフォンに向かって話すことができ、次いで、ラップトップコンピュータのプロセッサは、マイクロフォンから得られた音声信号を処理してもよい。

典型的には、プロセッサ３４は、専用のソフトウェアアプリケーションによって提供されるプログラム命令を実行することによって、本明細書に記載される関連機能を実行する。ソフトウェアアプリケーションは、典型的には、プロセッサによってバックグラウンドで連続的に実行され、それにより被験者は、アプリケーションの実行中にスマートフォンをいつも通り使用してもよい。被験者が電話に向かって話し始めると、被験者が必ずしも気付くことなく、アプリケーションは被験者の音声を記録し、および／または送信し始める。あるいは、アプリケーションは、被験者によって手作業で起動されてもよく、および／または被験者が呼び出しを開始または応答したときにプロセッサによって自動的に起動されてもよい。

典型的には、アプリケーションは、最新の分析から特定の持続時間が経過したとき、またはサーバまたは被験者が分析を要求するときはいつでも、解析のために音声信号をサーバに送るようにプロセッサ３４に指示する。次いで、プロセッサ３４は、被験者が通話に関与するのを待ち、その時点で、音声信号の受信後、プロセッサは音声信号をサーバに送信してもよい。あるいは、プロセッサは、音声信号を得ることができるように、（例えば、スマートフォンディスプレイ上にメッセージを表示することによって）被験者にスマートフォンで話すように促すことができる。いくつかの実施形態では、サーバは（自動的にスマートフォンを呼び出すことによって）被験者に自動的に電話をかけ、被験者が電話に応答すると被験者に話すように促す。例えば、サーバは、「あなたは今日あなたの薬を飲みましたか？」（質問は記録されてもよいし、音声合成されてもよい）と質問してもよい。被験者の回答を受信すると、サーバは、以下に説明するように、意味および／または音声特性について回答を分析してもよい。

あるいは、被験者は、医療従事者から指示を受けるなど、他の適切な方法で話すように促されてもよい。いくつかの実施形態では、被験者は、例えば、スマートフォンによって、特定の歩数だけ歩く、または特定の数だけ階段を登るなど、話す前に特定の行動を実行するよう促されてもよい。

典型的には、上述したように、プロセッサ３０は、被験者の自然な「自由」な音声を分析する。しかしながら場合によっては、被験者は、本明細書に記載の分析を容易にするために見出された特定の単語または文を暗唱するように、例えばプロセッサ３４によって促されてもよく、これらの単語または文はその後、分析のためにサーバに伝達されてもよい。（被験者の疾患をより効果的に評価するために、分析が実行されるたびに同じ特定の単語または文章を使用してもよい。）

いくつかの実施形態では、被験者の音声の意味（すなわち、意味内容）が自動的に識別され、その意味に応答して疾患の状態の評価が実行される。例えば、被験者は、特定の質問に口頭で応答することによって音声を提供するように、例えばスマートフォンによって促されてもよい。次に、質問に対する被験者の口頭応答は、本明細書に記載されている（応答のスペクトルおよび／またはケプストラム特性などの声質特性を記述する）音声関連パラメータの識別のため、および応答の意味のために分析される。（質問は、スマートフォンのディスプレイ上で視覚的に、および／または聴覚的に行われてもよい。）このような質問の例としては、「あなたは今日薬を飲みましたか」、「ご気分はいかがですか？」および「今日はどれだけ運動しましたか？」を含む。被験者の回答の音声特性および意味の両方を識別することによって、被験者の疾患の状態をよりよく評価してもよい。（そのような実施形態では、被験者は、分析を容易にするために、回答の候補の所定のグループから１つの回答を選択するように要求されうる。）例えば、被験者が「今日薬を飲みましたか？」という質問に「はい。」と答えたが、音声関連パラメータが被験者の状態の悪化を示している場合、プロセッサは、被験者に処方された薬の投薬量が十分に高くないことを確認してもよい。

ある場合には、プロセッサ３０は、長い「ああ」のような特定の、場合によっては無意味な音を分析してもよい。（スマートフォンのプロセッサ３４は、サーバからの要求を受信すると、そのような音声を発声するように被験者に促すように構成されてもよい。）これらの音を分析する際に、プロセッサ３０は、本明細書に記載の１つまたはそれ以上の関連パラメータを識別してもよい。これらのパラメータは、選択肢としてその後、被験者の疾患の状態を評価するために、被験者の自然な音声から導出された１つまたは複数の他のパラメータと組み合わせて使用されてもよい。

一般に、プロセッサ３０は、適切な任意の間隔で分離された任意の適切な所定の時間に被験者の音声を分析してもよい。例えば、プロセッサは、入院直後（被験者の疾患が比較的安定しているとき）、入院１週間後、入院３週間後の被験者の音声を分析してもよい。あるいは、例えば、プロセッサは、毎日（例えば、被験者の退院時に開始して）、または１日おきに被験者の音声を分析してもよい。いくつかの実施形態では、分析スケジュールは、被験者の疾患の知覚に対してカスタマイズされる。例えば、被験者が被験者の疾患の改善または悪化を知覚したときに分析が行われてもよい。

一般に、プロセッサ３０およびプロセッサ３４の各々は、単一のプロセッサとして、または協働的にネットワーク化された、またはクラスタ化されたプロセッサの１組として実現されてもよい。プロセッサ３０およびプロセッサ３４の各々は、典型的には、中央処理装置（ＣＰＵ）、ランダムアクセスメモリ（ＲＡＭ）、ハードドライブまたはＣＤ ＲＯＭドライブなどの不揮発性二次記憶装置、ネットワークインタフェース、および／または周辺装置を有する、プログラムされたデジタルコンピューティング装置である。ソフトウェアプログラムおよび／またはデータを含むプログラムコードは、既存技術で公知の通り、ＣＰＵによる実行および処理のためＲＡＭにロードされ、そして結果は表示、出力、送信または記憶のために生成される。プログラムコードおよび／またはデータは、例えば、ネットワークを介して電子形式でプロセッサにダウンロードされてもよく、あるいは、代替的または追加的に、磁気的、光学的、または電子メモリのような非一過性接触可能媒体に提供および／または保管されてもよい。そのようなプログラムコードおよび／またはデータは、プロセッサに提供されると、本明細書で説明されるタスクを実行するように構成された、機械または専用コンピュータを形成する。

ここで、図２を参照する。それは、本発明のいくつかの実施形態による、プロセッサ３０によって実行される前処理方法の概略図である。

いくつかの実施形態では、スマートフォンから受信した音声信号を分析する前に、プロセッサ３０は音声信号を前処理して、分析に最も適した信号の部分を識別する。図２は、左側に、スマートフォンから受信した時間領域における元の音声信号３６を示す。 典型的には、プロセッサは、まず、信号３６を、それぞれがいくつかのサンプルを含む複数の（おそらくは重複する）フレームに分離する。（例えば、８ｋＨｚのサンプリングレートを仮定すると、４０ｍｓのフレームは３２０のサンプルを含む）。次にプロセッサは、プロセッサによって信号の分析に最も適した部分を選択するために使用される、１つ以上のメトリックを信号３６から導出する。

例えば、プロセッサは、例えば信号の最大エネルギーレベルに対して対数スケールで表現される音声信号のエネルギーレベル３８を、計算してもよい。その後プロセッサは、分析のために、エネルギーレベルが特定の閾値４０を上回る、信号の最大連続部分を選択してもよい。代替的にまたは追加的に、プロセッサは、音声信号のピッチ４２および、ピッチ計算が実行された信頼度を示す、対応する信頼度レベル４４を計算してもよい。次いで、プロセッサは、ピッチの値および／またはピッチ信頼レベルに基づいて、解析のための信号部分を選択してもよい。例えば、プロセッサは、ピッチの安定性が特定の閾値を上回る、すなわちピッチが特定の閾値よりも小さく変化する、および／またはピッチ計算の信頼度が特定の閾値より上である信号の、最大の連続部分を選択してもよい。代替的または追加的に、プロセッサは、信号に属する各フレームの少なくとも１つのフォルマント周波数４６を計算し、フォルマント周波数の安定性に基づいて選択してもよい。

一般的には、上述の選択基準の全てが実施される。すなわち、一般的には、プロセッサは、（ｉ）エネルギーレベルが閾値を上回る、（ｉｉ）ピッチが十分に安定している、（ｉｉｉ）ピッチ信頼性が十分高い、かつ（ｉｖ）フォルマント周波数が十分に安定している、信号の部分のみを選択する。詳細には、プロセッサは、エネルギーレベル基準に基づく信号の一部の選択に続いて、典型的には、信号を複数の大きめのセグメントに分割し、その各セグメントは数フレームを含み、次いでプロセッサは、分析のために、上記のピッチベースおよびフォルマントベースの選択基準を満たす、一連の連続したセグメントを選択する。例えば、フレーム１３１〜６８０が（図３に概略的に示されているように）十分なエネルギーを有すると仮定すると、プロセッサは、フレーム１３１〜６８０を、それぞれ５５個のフレームを含む１０個のセグメントＳ１，Ｓ２，．．．Ｓ１０に分割してもよい。次いで、ピッチベースおよびフォルマントベースの選択基準に基づいて、これらのセグメントの連続する１つのサブセット（例えば、これらのセグメントの第２から第９まで）を選択してもよい。

上記の前処理は、典型的には、音声信号を何らかの方法でクリーニングすることを含まないことが強調される。言い換えれば、プロセッサ３０は、典型的には、信号をより分析に適したものにするために、音声信号を変更しない。むしろ、上述したように、プロセッサは、これらの部分の元の内容を保存しながら、信号の任意の適切な部分を選択する。不十分な大きさの信号部分が解析に適していると分かった場合、プロセッサ３０は、スマートフォンに、別の１つの信号をサーバに送信するように指示してもよい。上述した前処理技術に続いて、プロセッサ３０は、音声の１つ以上の音声関連パラメータを識別するなどのために、分析に適していると確認された音声信号の部分を分析する。次に、そのパラメータに応答して、プロセッサは、肺疾患の状態を評価する。例えば、プロセッサは、音声の少なくとも１つのフォルマント周波数（例えばフォルマント周波数Ｆ１、Ｆ２、Ｆ３、および／またはＦ４）を識別し、そのフォルマント周波数に応答して肺疾患の状態を評価してもよい。典型的には、プロセッサは、フォルマント周波数をベースライン（または「基準」）周波数と比較することによって肺疾患の状態を評価する。そのようなベースライン周波数は、以前の期日に測定された、被験者の音声のフォルマント周波数であってもよい。現在のフォルマント周波数がこのベースライン周波数よりも大きい場合、被験者の疾患は悪化している。逆に、現在のフォルマント周波数がこのベースライン周波数よりも低い場合、被験者の疾患は改善している。現在のフォルマント周波数がベースライン周波数にほぼ等しい場合、被験者の疾患は安定している。

例えば、プロセッサは、ベースライン周波数として、病院からの被験者の退院時に測定された（例えば、プロセッサによって、本明細書に記載の技術を使用して）フォルマント周波数を使用してもよい。現在のフォルマント周波数がこのベースライン周波数よりも大きい場合、被験者の状態は悪化している。一方、フォルマント周波数の変化が少ないと、被験者の状態が安定していることを示す可能性がある。

あるいは、そのようなベースライン周波数は、被験者の状態が安定していると考えられるターゲット（または「プラトー」）周波数、または治療介入および／または入院が必要とされる「境界」周波数であってもよい。（このようなベースライン周波数は、被験者の病歴に基づいて、被験者ごとに別々に確立してもよい。）プロセッサは、現在のフォルマント周波数をそのようなベースライン周波数と比較することによって、肺疾患の現在の状態を評価してもよい。いくつかの実施形態では、現在のフォルマント周波数とターゲット周波数との間の差が特定の閾値より大きい場合、または現在のフォルマント周波数がボーダーライン周波数よりも大きい場合に警告が生成される。

いくつかの実施形態では、被験者のフォルマント周波数は、被験者が健康であると（例えば、医師によって）みなされる期間にわたって測定される。これらの測定値の平均をベースラインとし、これらの測定値の標準偏差はアラートが生成される閾値を定義するのに使用される。例えば、後続の１つのフォルマント周波数がベースラインを２標準偏差以上超える場合、警告が生成されてもよい。純粋に例示的な例として、フォルマント周波数Ｆ１は、Ｆ１が２６４Ｈｚを超える場合に警告が生成されるように、１７Ｈｚの標準偏差を有する２３０Ｈｚのベースラインを有してもよい。

被験者の履歴が利用可能でない場合など、場合によっては、ベースラインは母集団の平均に基づいてもよい。これに関して、対象の性別、体重、身長、年齢、または身体活動レベルなどの被験者に関連する特性を取得し、適切なベースラインを選択するために使用してもよい。例えば、個人の関連する特性に基づいて、個人の母集団を複数のクラスタにクラスタリングすることができ、次に関連するパラメータ（例えば、フォルマント周波数）の平均を被験者が属するクラスタに関して計算することによって、被験者に対するベースラインが選択されうる。

いくつかの実施形態では、プロセッサは、フォルマント周波数における傾向を識別し、識別された傾向に基づいてアラートなどの出力を生成する。例えば、プロセッサが特定の日数にわたりフォルマント周波数の増加を識別した場合、プロセッサは、被験者の状態の悪化を識別し、したがって警告を生成してもよい。（フォルマント周波数がベースライン周波数に基づく閾値を超えていなくても、そのような警告が生成されてもよい。）あるいは、プロセッサが特定の日数にわたりフォルマント周波数の減少を識別した場合、プロセッサは、被験者の状態の改善を示す出力を生成してもよい。

いくつかの実施形態では、フォルマント周波数を識別するために、プロセッサは、まず、選択されたセグメント内の各フレームのフォルマント周波数を識別する。（プロセッサは、最初に、各フレームにハミング窓を適用し、および／または各フレームをプリエンファシスフィルタでフィルタリングしてもよい。）次に、音声（すなわち、全体としての音声信号）のフォルマント周波数が各フレームのフォルマント周波数に基づいて識別される。例えば、プロセッサは、フレームのそれぞれのフォルマント周波数の平均または中央値を計算し、このメトリックを音声のフォルマント周波数として識別してもよい。

ここで、本発明のいくつかの実施形態による、被験者の音声を分析する方法の概略図である図３を参照する。図３に示す方法は、フォルマント周波数の識別を容易にする。

いくつかの実施形態で実行されるこの方法では、プロセッサはまず、位相アンラッピングに続いて、フレームのフーリエ変換の振幅の対数の逆フーリエ変換である各フレームのケプストラム４８を計算する。ケプストラム４８は、実数成分と虚数成分の両方を有する。いくつかの実施形態では、これらの成分の両方がプロセッサによって分析され、他の実施形態では、プロセッサは実成分のみを分析する。後者が、図３および以下の説明で想定されている；すなわち、図３にプロットされた「ケプストラムレベル」がケプストラムの実数成分であり、この実数成分に対して以下に説明する処理が行われる。（ケプストラムグラフの独立変数は「ケフレンシー」と呼ばれ、サンプル単位で測定される。）

続いて、プロセッサは、フレームのケプストラムにローパスケプストラムリフタ５０を適用する。（ケプストラム上で動作するフィルタは、「ケプストラム・リフタ」と呼ばれる。）ケプストラム・リフタ５０に対する適切なカットオフ・ケフレンシーは、ケプストラムの周期的な部分の十分なリフターオフを示す、逆変換されたリフタされたケプストラムが、閾値レベルの平滑さを有することを要件とすることによって見いだされる。

次に、プロセッサは、リフタされたケプストラムを周波数領域に逆変換し、逆変換された、リフタされたケプストラム信号５２を導出する。その後プロセッサは、信号５２のピーク５４を識別することによって、フレームのフォルマント周波数を識別する。例えば、ピーク５４が３５０Ｈｚに位置すると仮定すると、フレームのフォルマント周波数は３５０Ｈｚとなる。（図３に示す例では、識別されたフォルマント周波数はＦ１フォルマントである。他の場合には、Ｆ２のような他のフォルマント周波数をＦ１の代わりにまたはそれに加えて識別してもよい）。

上述したように、プロセッサは、信号３６の各フレームについて上述した技術を実行し、フレーム特異のフォルマント周波数から単一の総合フォルマント周波数を計算する。この総合フォルマント周波数は、被験者の疾患の状態を評価するために使用される。

代替的にまたは付加的に、プロセッサは、信号３６から抽出された他の音声関連パラメータに応答して被験者の疾患の状態を評価してもよい。このような他のパラメータは：１組のメル周波数ケプストラム係数（ＭＦＣＣ）またはそれらの導関数、１組の相対スペクトル変換知覚線形予測（ＲＡＳＴＡ−ＰＬＰ）ケプストラム成分、および／または１組のＲＡＳＴＡ−ＰＬＰスペクトル成分を含むことができる。被験者の音声から識別され、被験者の疾患を評価するために使用され得る様々な他のパラメータには、呼吸の間の時間間隔、音声の休止回数、音声の大きさ、音声の不規則性、どもりの数、および呼気長、ならびに任意の関連する周波数またはピッチパラメータを含む。後者の例として、被験者が低周波を生成できないこと、または観察された歪みの変化に基づいて、被験者の疾患を評価してもよい。

代替的にまたは追加的に、プロセッサは、被験者の画像（それは例えば、被験者が話している間に、スマートフォンの付属カメラ、または外部カメラによって取得されてもよい）、被験者の体重、被験者から採取された心エコー（ＥＣＧ）記録、被験者の動脈酸素飽和度、および／または被験者の活動レベル（例えば、前の期間における歩数によって数値化される）などのような、他の非音声関連パラメータに基づいて評価してもよい。 これらのパラメータのいずれかが、例えば、被験者によって、スマートフォンに入力されてもよい。いくつかの実施形態では、スマートフォンは、これらのパラメータまたは他のパラメータの１つまたは複数を測定するように構成された外部装置、例えば、カメラ、肺活量計、パルスオキシメーター、心電計、心拍モニタ、血圧モニタ、皮膚伝導度センサ、姿勢モニタ等に例えば無線で、機能的にリンクされてもよい。

いくつかの実施形態では、プロセッサは、前述のパラメータの一部または全部に分類子または回帰子などの機械学習モデルを適用する。このような実施形態では、プロセッサは、典型的には、複数のラベル付けされた音声記録に基づいてモデルを学習するように構成されている。例えば、プロセッサには、透析治療の直前に記録が得られたことを示す「ウェット」、または透析治療の直後に記録が得られたことを示す「ドライ」のいずれかにラベル付けされた複数の音声記録が提供されてもよい。次いで、これらの記録の各々は、パラメータ（または「特徴」）抽出のために各記録の最も適切な部分を選択するなど、上記のように前処理されてもよい。その後、各記録から関連するパラメータが抽出され、ｋ近傍法（ＫＮＮ）、決定木、またはサポートベクトルマシン（ＳＶＭ）などの機械学習アルゴリズムに、例えばガウスカーネルで供給される。例えば、いくつかの実施形態では、プロセッサは、それぞれの記録のそれぞれ選択された部分のそれぞれのフレームから、（ｉ）１２個のＭＦＣＣの１組、（ｉｉ）１２個のＭＦＣＣ一次導関数の１組、ｉｉｉ）１２個のＭＦＣＣ二次導関数の１組、（ｉｖ）８個のＲＡＳＴＡ−ＰＬＰケプストラム成分の１組、および（ｖ）８個のＲＡＳＴＡ−ＰＬＰスペクトル成分の１組、を含む６０個のパラメータの１組を抽出する。典型的には、主成分分析（ＰＣＡ）などの次元削減アルゴリズムを使用して、フルセットの次元数を例えば４８次元に削減する。この削減されたパラメータの１組は、関連するラベルとともに、関連する機械学習アルゴリズムに供給される。その後、そのアルゴリズムはモデルを学習し、その後の記録に適用してもよい。例えば、アルゴリズムは、後続の記録を「ウェット」または「ドライ」として分類することを学ぶことができる。
（一般に、Ｄ次元、１記録あたりのＦ個のフレーム、およびＮ個の記録を仮定すると、アルゴリズムに供給される「トレーニングセット」は、サイズＤｘＦＮのマトリックスを含む。例えば、２０個の記録（例えば１０個の「ウェット」個六と１０個の「ドライ」記録）、記録当たり１５０フレーム、および４８次元とすると、トレーニングセットは４８ｘ３０００のサイズのマトリックスを含む。）

いくつかの実施形態では、後続の記録を分類するために、プロセッサは、まず、記録の各フレームを別々に分類する。（上述したように、プロセッサは、記録の最も適切な部分に属するフレームのみを使用してもよい）。例えば、プロセッサは、学習されたＳＶＭモデルを適用することができ、各ＳＶＭモデルはそれぞれのフレームに対し０と１の間の確立を返し、ここで０は「ドライ」を示し、１は「ウェット」を示す。このようなモデルを適用する場合、プロセッサは、例えば０．３未満の確率は「ドライ」決定を提供し、０．７以上の確率は「ウェット」決定を提供し、そして中間の確率は決定を全く提供しないように、適切な判定閾値を設定してもよい。次に、プロセッサは、「ドライ」決定の総数を「ウェット」決定の総数と比較し、より多くの決定を受け取った分類をその記録に適用してもよい。（この比較を実行する際に、プロセッサは、判定閾値に近い確率に比較して、０または１に近い確率に高い重み付けをしてもよい）。

典型的には、適切な期間にわたって被験者から訓練データを取得し、次いでこれらのデータに適切な機械学習アルゴリズムを適用することによって、それぞれの被験者に対して別個のモデルが学習される。

本明細書の開示は、主として、肺の内部または近傍の過剰な体液の蓄積に関連する肺疾患に関するものであるが、本明細書に記載の実施形態は、慢性閉塞性肺疾患（ＣＯＰＤ ）または喘息などの他のタイプの肺疾患に対しても、必要な変更を施して適用できることに留意する必要がある。

当業者であれば、本発明は、上記の本明細書に特に示され記載されたものに限定されないことが理解されよう。むしろ、本発明の範囲は、上述の様々な特徴の組み合わせおよびサブ組み合わせ、ならびに先の記載を読むことにより当業者に想起される、先行技術にはない、それらの変化形および修正形の両方を含む。

Claims (41)

1. 装置であって、
   ネットワークインタフェース；および
   プロセッサ；を有し、
   前記プロセッサは、
   前記ネットワークインタフェース経由で、余剰体液の蓄積に関係する肺疾患を罹患する被験者の音声を受信し、
   前記音声を分析することにより、前記音声の１つまたはそれ以上の音声関連パラメータを識別し、
   前記音声関連パラメータに応答して、前記肺疾患の状態を評価し、そして
   前記評価に応答して、前記肺疾患の状態を示す出力を生成する、
   ように構成される、ことを特徴とする装置。
2. 前記プロセッサは、前記音声のスペクトル分析を実行することにより前記音声を分析するように構成される、ことを特徴とする請求項１に記載の装置。
3. 前記プロセッサは、前記音声のケプストラム分析を実行することにより前記音声を分析するように構成される、ことを特徴とする請求項１に記載の装置。
4. 前記プロセッサは、前記音声を分析することにより、前記音声の意味を識別するようにさらに構成され、ここで前記プロセッサは、前記意味に応答して前記状態を評価するように構成される、ことを特徴とする請求項１に記載の装置。
5. 前記プロセッサは、前記被験者に対し、質問に口頭で応答することにより、前記音声を提供するように促すようにさらに構成される、ことを特徴とする請求項１に記載の装置。
6. 前記プロセッサは、
   前記被験者に電話をかけ、そして前記被験者が電話に応答する時に、前記質問を前記被験者に聞くことにより、
   前記音声を提供するように前記被験者に促すように構成される、ことを特徴とする請求項５に記載の装置。
7. 前記疾患は肺水腫、および胸水から構成されるグループから選択される、ことを特徴とする請求項１に記載の装置。
8. 前記プロセッサは、前記状態の悪化を示す警告を提供することにより前記出力を生成するように構成される、ことを特徴とする請求項１に記載の装置。
9. 前記音声関連パラメータは、前記音声の少なくとも１つのフォルマント周波数を含む、ことを特徴とする請求項１−８のいずれか１項記載の装置。
10. 前記プロセッサは、前記フォルマント周波数をベースライン周波数と比較することにより前記肺疾患の状態を評価するように構成される、ことを特徴とする請求項９に記載の装置。
11. 前記プロセッサは、
    前記音声に対応する時間空間の信号のそれぞれのフレームに対し：
    前記フレームのケプストラムを計算し；
    その後、前記フレームの前記ケプストラムに対しローパスケプストラムリフタを適用し；
    その後、前記ローパスケプストラムリフタを適用された前記ケプストラムを逆変換し；そして
    その後、前記逆変換された、前記リフトされたケプストラムのピークを識別することにより、前記フレームのフォルマント周波数を識別し；
    そして
    前記フレームのそれぞれの前記フォルマント周波数に基づいて、前記音声の少なくとも１つのフォルマント周波数を識別する、
    ことにより前記音声を分析するように構成される、ことを特徴とする請求項９に記載の装置。
12. 前記プロセッサは、
    分析のために：前記音声のエネルギーレベル、前記音声のピッチの安定性、前記音声のピッチの計算の信頼度、および前記音声のフォルマント周波数の安定性、からなるグループから選択される１つまたはそれ以上のメトリックに基づき、前記音声の少なくとも１つの部分を選択し、そして
    その後、前記音声の前記選択された部分を分析する、
    ことにより前記音声を分析するように構成される、ことを特徴とする請求項１−８のいずれか１項記載の装置。
13. 前記プロセッサは、前記音声関連パラメータに機械学習モデルを適用することにより、前記肺疾患の状態を評価するように構成される、ことを特徴とする請求項１−８のいずれか１項記載の装置。
14. 前記音声関連パラメータは１組のメル周波数ケプストラム係数（ＭＦＣＣ）を含む、ことを特徴とする請求項１−８のいずれか１項記載の装置。
15. 前記音声関連パラメータは１組のメル周波数ケプストラム係数（ＭＦＣＣ）の導関数を含む、ことを特徴とする請求項１−８のいずれか１項記載の装置。
16. 前記音声関連パラメータは１組の相対スペクトル変換知覚線形予測（ＲＡＳＴＡ−ＰＬＰ）ケプストラム成分を含む、ことを特徴とする請求項１−８のいずれか１項記載の装置。
17. 前記音声関連パラメータは１組の相対スペクトル変換知覚線形予測（ＲＡＳＴＡ−ＰＬＰ）スペクトル成分を含む、ことを特徴とする請求項１−８のいずれか１項記載の装置。
18. 前記プロセッサは、前記音声内の咳音を識別することなく、かつ喘鳴音を識別することなく肺疾患の状態を評価するように構成される、ことを特徴とする請求項１−８のいずれか１項記載の装置。
19. 前記プロセッサは、最初に前記被験者に対し前記音声を提供するように促すことなく、前記被験者の前記音声を分析するように構成される、ことを特徴とする請求項１−８のいずれか１項記載の装置。
20. １つまたはそれ以上の装置を操作する方法であって、
    前記方法は前記装置のそれぞれのプロセッサにより実行され、
    余剰体液の蓄積に関係する肺疾患を罹患する被験者の音声を分析するステップにより、前記音声の１つまたはそれ以上の音声関連パラメータを識別するステップと；
    前記音声関連パラメータに応答して、自動的に前記肺疾患の状態を評価するステップと；そして
    前記評価に応答して、前記肺疾患の状態を示す出力を生成するステップと；
    を有することを特徴とする１つまたはそれ以上の装置を操作する方法。
21. 前記音声を分析するステップは、前記音声のスペクトル分析を実行するステップを有する、ことを特徴とする請求項２０に記載の方法。
22. 前記音声を分析するステップは、前記音声のケプストラム分析を実行するステップを有する、ことを特徴とする請求項２０に記載の方法。
23. 前記被験者の音声を自動的に分析することにより、前記音声の意味を識別するステップをさらに有し、前記状態を評価するステップは、前記意味に応答して前記状態を評価するステップを有する、ことを特徴とする請求項２０に記載の方法。
24. 前記被験者に対し、質問に口頭で応答することにより、前記音声を提供するように促すステップをさらに有する、ことを特徴とする請求項２０に記載の方法。
25. 前記被験者に対し音声を提供するように促すステップは、
    前記被験者に自動的に電話をかけるステップと、そして
    前記被験者が電話に応答する時に、前記プロセッサを使用して、前記質問を前記被験者に聞くステップと、
    を有する、ことを特徴とする請求項２４に記載の方法。
26. 前記疾患は肺水腫、および胸水から構成されるグループから選択される、ことを特徴とする請求項２０に記載の方法。
27. 前記出力を生成するステップは、前記状態の悪化を示す警告を提供するステップを有する、ことを特徴とする請求項２０に記載の方法。
28. 前記音声関連パラメータは、前記音声の少なくとも１つのフォルマント周波数を含む、ことを特徴とする請求項２０−２７のいずれか１項記載の方法。
29. 前記肺疾患の状態を評価するステップは、前記フォルマント周波数をベースライン周波数と比較することにより前記肺疾患の状態を評価するステップを有する、ことを特徴とする請求項２８に記載の方法。
30. 前記音声を分析するステップは、
    前記音声に対応する時間空間の信号のそれぞれのフレームに対し：
    前記フレームのケプストラムを計算するステップと；
    その後、前記フレームの前記ケプストラムに対しローパスケプストラムリフタを適用するステップと；
    その後、前記ローパスケプストラムリフタを適用された前記ケプストラムを逆変換するステップと；そして
    その後、前記逆変換されたリフトされたケプストラムのピークを識別することにより、前記フレームのフォルマント周波数を識別するステップと；
    そして
    前記フレームのそれぞれの前記フォルマント周波数に基づいて、前記音声の少なくとも１つのフォルマント周波数を識別するステップと、
    を有する、ことを特徴とする請求項２８に記載の方法。
31. 前記音声を分析するステップは：
    前記音声のエネルギーレベル、前記音声のピッチの安定性、前記音声のピッチの計算の信頼度、および前記音声のフォルマント周波数の安定性、からなるグループから選択される１つまたはそれ以上のメトリックに基づき、前記音声の少なくとも１つの部分を分析のために選択するステップと；、そして
    その後、前記音声の前記選択された部分を分析するステップと；
    を有する、ことを特徴とする請求項２０−２７のいずれか１項記載の方法。
32. 前記肺疾患の状態を評価するステップは、前記音声関連パラメータに機械学習モデルを適用するステップを有する、ことを特徴とする請求項２０−２７のいずれか１項記載の方法。
33. 前記音声関連パラメータは１組のメル周波数ケプストラム係数（ＭＦＣＣ）を含む、ことを特徴とする請求項２０−２７のいずれか１項記載の方法。
34. 前記音声関連パラメータは１組のメル周波数ケプストラム係数（ＭＦＣＣ）の導関数を含む、ことを特徴とする請求項２０−２７のいずれか１項記載の方法。
35. 前記音声関連パラメータは１組の相対スペクトル変換知覚線形予測（ＲＡＳＴＡ−ＰＬＰ）ケプストラム成分を含む、ことを特徴とする請求項２０−２７のいずれか１項記載の方法。
36. 前記音声関連パラメータは１組の相対スペクトル変換知覚線形予測（ＲＡＳＴＡ−ＰＬＰ）スペクトル成分を含む、ことを特徴とする請求項２０−２７のいずれか１項記載の方法。
37. 肺疾患の状態を評価するステップは、前記音声内の咳音を識別することなく、そして喘鳴音を識別することなく肺疾患の状態を評価するステップを有する、ことを特徴とする請求項２０−２７のいずれか１項記載の方法。
38. 前記被験者の前記音声を分析するステップは、最初に前記被験者に対し前記音声を提供するように促すことなく、前記被験者の前記音声を分析するステップを有する、ことを特徴とする請求項２０−２７のいずれか１項記載の方法。
39. システムであって：
    移動通信端末と；そして
    プロセッサを備えるサーバと；を有し、
    前記プロセッサは、
    前記移動通信端末から、余剰体液の蓄積に関係する肺疾患を罹患する被験者の音声を受信し、
    前記音声を分析することにより、前記音声の１つまたはそれ以上の音声関連パラメータを識別し、
    前記音声関連パラメータに応答して、前記肺疾患の状態を評価し、そして
    前記評価に応答して、前記肺疾患の状態を示す出力を生成する、
    ように構成される、
    ことを特徴とするシステム。
40. プログラム命令が保管される接触可能非一過性コンピュータ可読媒体であって、
    前記命令は、プロセッサによって読み取られた場合に、前記プロセッサに対し、
    余剰体液の蓄積に関係する肺疾患を罹患する被験者の音声を受信し、
    前記音声を分析することにより、前記音声の１つまたはそれ以上の音声関連パラメータを識別し、
    前記音声関連パラメータに応答して、前記肺疾患の状態を評価し、そして
    前記評価に応答して、前記肺疾患の状態を示す出力を生成する、
    ようにさせる、
    ことを特徴とするコンピュータ可読媒体。
41. 装置であって、
    音響センサと；および
    プロセッサと；を有し、
    前記プロセッサは、
    前記音響センサ経由で、余剰体液の蓄積に関係する肺疾患を罹患する被験者の音声を受信し、
    前記音声を分析することにより、前記音声の１つまたはそれ以上の音声関連パラメータを識別し、
    前記音声関連パラメータに応答して、前記肺疾患の状態を評価し、そして
    前記評価に応答して、前記肺疾患の状態を示す出力を生成する、
    ように構成される、ことを特徴とする装置。

Images