BibTex RIS Kaynak Göster

Akciğer Solunum Seslerinin Spektral Öznitelikler ile Sınıflandırılması

Yıl 2018, Cilt: 22 Sayı: 2, 711 - 716, 15.08.2018

Görkem Serbes Sezer Ulukaya İpek Şen Yasemin P. Kahya

https://doi.org/10.19113/sdufbed.84471
Cited By: 2

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

Kaynakça

  • [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)
Toplam 15 adet kaynakça vardır.

Ayrıntılar

Bölüm Makaleler
Yazarlar

Görkem Serbes

Sezer Ulukaya

İpek Şen Bu kişi benim

Yasemin P. Kahya

Yayımlanma Tarihi 15 Ağustos 2018
Yayımlandığı Sayı Yıl 2018 Cilt: 22 Sayı: 2

Kaynak Göster

APA Serbes, G., Ulukaya, S., Şen, İ., Kahya, Y. P. (2018). Akciğer Solunum Seslerinin Spektral Öznitelikler ile Sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 22(2), 711-716. https://doi.org/10.19113/sdufbed.84471
AMA Serbes G, Ulukaya S, Şen İ, Kahya YP. Akciğer Solunum Seslerinin Spektral Öznitelikler ile Sınıflandırılması. SDÜ Fen Bil Enst Der. Ağustos 2018;22(2):711-716. doi:10.19113/sdufbed.84471
Chicago Serbes, Görkem, Sezer Ulukaya, İpek Şen, ve Yasemin P. Kahya. “Akciğer Solunum Seslerinin Spektral Öznitelikler Ile Sınıflandırılması”. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi 22, sy. 2 (Ağustos 2018): 711-16. https://doi.org/10.19113/sdufbed.84471.
EndNote Serbes G, Ulukaya S, Şen İ, Kahya YP (01 Ağustos 2018) Akciğer Solunum Seslerinin Spektral Öznitelikler ile Sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi 22 2 711–716.
IEEE G. Serbes, S. Ulukaya, İ. Şen, ve Y. P. Kahya, “Akciğer Solunum Seslerinin Spektral Öznitelikler ile Sınıflandırılması”, SDÜ Fen Bil Enst Der, c. 22, sy. 2, ss. 711–716, 2018, doi: 10.19113/sdufbed.84471.
ISNAD Serbes, Görkem vd. “Akciğer Solunum Seslerinin Spektral Öznitelikler Ile Sınıflandırılması”. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi 22/2 (Ağustos 2018), 711-716. https://doi.org/10.19113/sdufbed.84471.
JAMA Serbes G, Ulukaya S, Şen İ, Kahya YP. Akciğer Solunum Seslerinin Spektral Öznitelikler ile Sınıflandırılması. SDÜ Fen Bil Enst Der. 2018;22:711–716.
MLA Serbes, Görkem vd. “Akciğer Solunum Seslerinin Spektral Öznitelikler Ile Sınıflandırılması”. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, c. 22, sy. 2, 2018, ss. 711-6, doi:10.19113/sdufbed.84471.
Vancouver Serbes G, Ulukaya S, Şen İ, Kahya YP. Akciğer Solunum Seslerinin Spektral Öznitelikler ile Sınıflandırılması. SDÜ Fen Bil Enst Der. 2018;22(2):711-6.

Cited By

A Lung Sound Classification System Based on Data Augmenting Using ELM-Wavelet-AE
Turkish Journal of Science and Technology
https://doi.org/10.55525/tjst.1063039
AKCİĞER SESLERİNİN DERİN ÖĞRENME İLE SINIFLANDIRILMASI
Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji
Mehmet Bilal ER
https://doi.org/10.29109/gujsc.758325
 Kapak Resmi İndir

e-ISSN: 1308-6529