Yıl: 2018 Cilt: 22 Sayı: 2 Sayfa Aralığı: 711 - 716 Metin Dili: Türkçe DOI: 10.19113/sdufbed.84471 İndeks Tarihi: 25-11-2020

Akciğer Solunum Seslerinin Spektral Öznitelikler ile Sınıflandırılması

Öz:
Bu çalışmada güç spektrum yoğunluğu, mel frekans kepstralkatsayıları (MFKK) ve algısal doğrusal öngörü (ADÖ) yöntemleri; çıtırtı,üfürüm ve normal akciğer solunum seslerini ayrıştırmak amacıylakullanılan öznitelik çıkarıcılar olarak görevlendirilmiştir. Hamözniteliklerden sekiz alt öznitelik kümesi (enerji, entropi, en küçülten, enbüyülten, ortalama, standart sapma, eğrilik ve basıklık) çıkarılarak k-enyakın komşu ve destek vektör makineleri sınıflandırıcılarına birinidışarıda bırak şeması kullanılarak beslenmiştir. Önerilen algısal doğrusalöngörü katsayıları yöntemi güç spektrum yoğunluğundan daha iyiperformans sergilerken mel frekans kepstral katsayıları ile başa başperformans göstermiştir. ADÖ yönteminin üç gruplu sınıflandırmaperformansı var olan literatürle karşılaştırılmıştır. Çıtırtı, üfürüm venormal sınıfları (% 94, % 95.5, % 95.5 sırasıyla) için en iyi sonuçlara ADÖtarafından ulaşılmıştır. Diğer taraftan tüm sınıf doğruluklarının en iyiortalama sonucuna % 91.3 ile MFKK tarafından ulaşılmıştır. MFKK ve ADÖyöntemlerinin sınıflandırma doğruluğunun model derecesine oldukçabağlı olduğu gözlemlenmiştir.
Anahtar Kelime:

Classification of Respiratory Sounds Using Spectral Features

Öz:
In this study, power spectral density (PSD), mel frequency cepstral coefficients (MFCC) and perceptual linear prediction (PLP) methods are employed as feature extraction methods for discriminating crackle, wheeze and normal respiratory sounds. Eight sub-feature subsets (energy, entropy, minimum, maximum, mean, standard deviation, skewness and kurtosis) that are extracted from raw features are fed into k-nearest neighbour and support vector machine classifiers in a leave-oneout cross validation scheme. It is seen that proposed method PLP shows better performance than PSD and shows break-even performance with MFCC. Three class classification performance of PLP method is compared with existing literature. Best result for crackle, wheeze and normal classes (94 %, 95.5 %, 95.5 % respectively) is reached by PLP. On the other hand, the best average accuracy is represented by MFCC with a 91.3 % value. It has been observed that the classification accuracy of MFCC and PLP is highly dependent on the model order.
Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
3
3
3
  • [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)
APA ULUKAYA S, SERBES G, ŞEN İ, KAHYA Y (2018). Akciğer Solunum Seslerinin Spektral Öznitelikler ile Sınıflandırılması. , 711 - 716. 10.19113/sdufbed.84471
Chicago ULUKAYA Sezer,SERBES Görkem,ŞEN İpek,KAHYA Yasemin P. Akciğer Solunum Seslerinin Spektral Öznitelikler ile Sınıflandırılması. (2018): 711 - 716. 10.19113/sdufbed.84471
MLA ULUKAYA Sezer,SERBES Görkem,ŞEN İpek,KAHYA Yasemin P. Akciğer Solunum Seslerinin Spektral Öznitelikler ile Sınıflandırılması. , 2018, ss.711 - 716. 10.19113/sdufbed.84471
AMA ULUKAYA S,SERBES G,ŞEN İ,KAHYA Y Akciğer Solunum Seslerinin Spektral Öznitelikler ile Sınıflandırılması. . 2018; 711 - 716. 10.19113/sdufbed.84471
Vancouver ULUKAYA S,SERBES G,ŞEN İ,KAHYA Y Akciğer Solunum Seslerinin Spektral Öznitelikler ile Sınıflandırılması. . 2018; 711 - 716. 10.19113/sdufbed.84471
IEEE ULUKAYA S,SERBES G,ŞEN İ,KAHYA Y "Akciğer Solunum Seslerinin Spektral Öznitelikler ile Sınıflandırılması." , ss.711 - 716, 2018. 10.19113/sdufbed.84471
ISNAD ULUKAYA, Sezer vd. "Akciğer Solunum Seslerinin Spektral Öznitelikler ile Sınıflandırılması". (2018), 711-716. https://doi.org/10.19113/sdufbed.84471
APA ULUKAYA S, SERBES G, ŞEN İ, KAHYA Y (2018). Akciğer Solunum Seslerinin Spektral Öznitelikler ile Sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 22(2), 711 - 716. 10.19113/sdufbed.84471
Chicago ULUKAYA Sezer,SERBES Görkem,ŞEN İpek,KAHYA Yasemin P. Akciğer Solunum Seslerinin Spektral Öznitelikler ile Sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi 22, no.2 (2018): 711 - 716. 10.19113/sdufbed.84471
MLA ULUKAYA Sezer,SERBES Görkem,ŞEN İpek,KAHYA Yasemin P. Akciğer Solunum Seslerinin Spektral Öznitelikler ile Sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, vol.22, no.2, 2018, ss.711 - 716. 10.19113/sdufbed.84471
AMA ULUKAYA S,SERBES G,ŞEN İ,KAHYA Y Akciğer Solunum Seslerinin Spektral Öznitelikler ile Sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi. 2018; 22(2): 711 - 716. 10.19113/sdufbed.84471
Vancouver ULUKAYA S,SERBES G,ŞEN İ,KAHYA Y Akciğer Solunum Seslerinin Spektral Öznitelikler ile Sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi. 2018; 22(2): 711 - 716. 10.19113/sdufbed.84471
IEEE ULUKAYA S,SERBES G,ŞEN İ,KAHYA Y "Akciğer Solunum Seslerinin Spektral Öznitelikler ile Sınıflandırılması." Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 22, ss.711 - 716, 2018. 10.19113/sdufbed.84471
ISNAD ULUKAYA, Sezer vd. "Akciğer Solunum Seslerinin Spektral Öznitelikler ile Sınıflandırılması". Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi 22/2 (2018), 711-716. https://doi.org/10.19113/sdufbed.84471