摘要
慢性阻塞性肺疾病（COPD）作为全球性健康问题，亟需早期检测与干预以实现有效治疗。本研究基于大规模的12通道肺部声音数据集“RespiratoryDatabase@TR”，构建了一套稳健的多类别COPD严重程度诊断系统。研究采用严格的特征提取流程，包括时频谱图（spectrogram）、梅尔频谱图（Mel spectrogram）及色度图（chromogram）分析，并结合特定的数据预处理与增强方法，以提升模型的泛化能力。在模型选择方面，采用RESNET50架构进行训练，确保在不同COPD严重程度分级之间实现高精度分类。研究结果凸显了基于声音信号进行预后评估的重要性，尤其是在COPD早期诊断中的应用价值。全球约有2.51亿人受COPD影响，因此，此类创新性解决方案具有重要意义。通过整合大规模数据集与先进的机器学习技术，本研究为COPD的诊断与治疗带来变革性潜力，有望在全球范围内显著改善数百万患者的生活质量。