Classification Audio pour les Maladies Respiratoires

Abstract

Les maladies respiratoires constituent un défi sanitaire mondial majeur, nécessitant des outils diagnostiques rapides, fiables et accessibles. L’analyse audio des sons de toux offre une alternative non invasive prometteuse. Ce projet vise à développer un système

basé sur l’intelligence artificielle pour la classification automatisée des maladies respira- toires à partir de l’audio de la toux, en utilisant le jeu de données COUGHVID annoté

par des experts. Face aux défis tels que la variabilité acoustique et le bruit, nous avons exploré diverses techniques de prétraitement et d’extraction de caractéristiques, en nous concentrant sur la combinaison des coefficients MFCC et des spectrogrammes Mel. Plusieurs modèles de classification ont été entraînés et évalués sur ces caractéristiques.

Notre approche méthodologique a abouti à la sélection d’un modèle XGBoost opti- misé comme étant le plus performant. Les expériences menées ont rigoureusement validé

son efficacité : le modèle XGBoost final a atteint une précision remarquable de 98.01%

sur l’ensemble de test (et 97.51% en validation) pour la classification des conditions res- piratoires basées sur les diagnostics experts. Ces résultats surpassent significativement

ceux d’autres modèles testés, tels que Random Forest (96.20% test) et les approches d’Apprentissage Profond standard (94.12% test).

Ce travail contribue une méthodologie optimisée combinant des caractéristiques acous- tiques pertinentes (MFCC + Mel-spectrogramme) avec un classificateur XGBoost per- formant, démontrant une haute précision sur des données validées cliniquement. Ces

résultats soulignent le potentiel de l’analyse audio de la toux pour développer des outils de dépistage évolutifs et économiques, renforçant ainsi la télémédecine et les stratégies de santé publique.