Akciğer Solunum Seslerinin Spektral Öznitelikler ile Sınıflandırılması

Sezer ULUKAYA, Görkem SERBES, İpek ŞEN, Yasemin P. KAHYA
750 164

Öz


Bu çalışmada güç spektrum yoğunluğu, mel frekans kepstral katsayıları (MFKK) ve algısal doğrusal öngörü (ADÖ) yöntemleri; çıtırtı, üfürüm ve normal akciğer solunum seslerini ayrıştırmak amacıyla kullanılan öznitelik çıkarıcılar olarak görevlendirilmiştir. Ham özniteliklerden sekiz alt öznitelik kümesi (enerji, entropi, en küçülten, en büyülten, ortalama, standart sapma, eğrilik ve basıklık) çıkarılarak k-en yakın komşu ve destek vektör makineleri sınıflandırıcılarına birini dışarıda bırak şeması kullanılarak beslenmiştir. Önerilen algısal doğrusal öngörü katsayıları yöntemi güç spektrum yoğunluğundan daha iyi performans sergilerken mel frekans kepstral katsayıları ile başa baş performans göstermiştir. ADÖ yönteminin üç gruplu sınıflandırma performansı var olan literatürle karşılaştırılmıştır. Çıtırtı, üfürüm ve normal sınıfları (% 94, % 95.5, % 95.5 sırasıyla) için en iyi sonuçlara ADÖ tarafından ulaşılmıştır. Diğer taraftan tüm sınıf doğruluklarının en iyi ortalama sonucuna % 91.3 ile MFKK tarafından ulaşılmıştır. MFKK ve ADÖ yöntemlerinin sınıflandırma doğruluğunun model derecesine oldukça bağlı olduğu gözlemlenmiştir.

Anahtar kelimeler


Akciğer solunum sesleri; Çıtırtı; Üfürüm; Mel frekans kepstral katsayıları; Güç spektrum yoğunluğu; Algısal doğrusal öngörü katsayıları

Tam metin:

PDF


DOI: http://dx.doi.org/10.19113/sdufbed.84471

Referanslar


[1] Gavriely, N., Cugell, D. W. 1995. Breath sounds methodology, CRC Press.

[2] Leng, S., Tan, R. S., Chai, K. T. C., Wang, C., Ghista, D., Zhong, L. 2015. The electronic stethoscope, Biomedical Engineering Online, 1-37.

[3] Oliveira, A., Marques, A. 2014. Respiratory sounds in healthy people: a systematic review, Respiratory medicine 108, 4(2014), 550-570.

[4] Reichert, S., Gass, R., Brandt, C., Andres, E. 2008. Analysis of respiratory sounds: state of the art, Clinical medicine. Circulatory, respiratory and pulmonary medicine, 2(2008), 45-58.

[5] Piirila, P., Sovijarvi, A. R. 1995. Crackles: recording, analysis and clinical significance, European Respiratory Journal, 8(1995), 2139-2148.

[6] Sankur, B., Güler, E. C., Kahya, Y. P. 1996. Multiresolution biological transient extraction applied to respiratory crackles, Computers in Biology and Medicine, 26(1996), 25-39.

[7] Meslier, N., Charbonneau, G., Racineux, J. L. 1995. Wheezes, European Respiratory Journal, 8(1995), 1942-1948.

[8] Güler, I., Polat, H., Ergün, U. 2005. Combining neural network and genetic algorithm for prediction of lung sounds, Journal of Medical Systems, 29(2005), 217-231.

[9] Matsunaga, S., Yamauchi, K., Yamashita, M., Miyahara, S. 2009. Classification between normal and abnormal respiratory sounds based on maximum likelihood approach. in: Acoustics, Speech and Signal Processing (ICASSP), IEEE International Conference on, 517-520.

[10] Mayorga, P., Druzgalski, C., Morelos, R. L., Gonzalez, O. H., Vidales, J. 2010. Acoustics based assessment of respiratory diseases using GMM classification, in: Engineering in Medicine and Biology Society (EMBC), 32nd Annual International Conference of the IEEE, 6312-6316.

[11] Abbas, A., Fahim, A.. 2010. An automated computerized auscultation and diagnostic system for pulmonary diseases, Journal of Medical Systems, 34(2010), 1149-1155.

[12] Hermansky, H. 1990. Perceptual linear predictive PLP analysis of speech, The Journal of the Acoustical Society of America, 87(1990), 1738-1752.

[13] Sen, I., Kahya, Y. P. 2005. A multi-channel device for respiratory sound data acquisition and transient detection, in: Engineering in Medicine and Biology Society (EMBC), 27th Annual International Conference of the IEEE, 6658-6661.

[14] Welch, P. D. 1967. The use of fast Fourier transform for the estimation of power spectra: A method based on time averaging over short, modified periodograms, IEEE Transactions on Audio and Electroacoustics 15, 2(1967), 70-73.

[15] Ulukaya, S., Kahya, Y. P. 2014. Respiratory sound classification using perceptual linear prediction features for healthy-pathological diagnosis. In 18th National Biomedical Engineering Meeting (BIYOMUT)




Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 License.

e-ISSN: 1308-6529