Tek kanallı yaygın akciğer seslerinden solunum döngülerinin otomatik algılanması ve sınıflandırılması

Abstract

Akciğer seslerinin stetoskop ile dinlenilmesi (oskültasyon) yöntemi, akciğer hastalıklarının ön teşhisi için kullanılan non-invaziv bir yöntemdir. Son yıllarda geliştirilen elektronik stetoskoplar sayesinde, bu seslerin analizi ve tanınması üzerine çalışmalar yapılabilmektedir. Konu üzerine birçok çalışma yapılmış olmasına rağmen, çalışmaların belirli bir standardizasyona sahip olmaması nedeniyle sonuçların karşılaştırılmasında sorunlar yaşanmış ve günümüze kadar akciğer seslerini otomatik olarak tanıyan bir ürün henüz geliştirilememiştir. Bu çalışmada belirli bir standart yakalamak amacıyla akciğer sesleri, oskültasyon prosedürüne uygun olan bir yöntemle tek kanallı olarak kaydedilmiştir. Tek kanallı akciğer seslerinden solunum döngülerini otomatik olarak algılayan yeni bir yöntem geliştirilmiştir. Literatürde ilk kez sunulan bu yöntem sayesinde otomatik algılanan solunum döngülerinden, sağlıklı/patolojik ve yaygın akciğer seslerinden oluşan veri setleri de otomatik olarak oluşturulmuştur. Veri setleri üzerinde geniş kapsamlı bir öznitelik araştırması yapılmış ve sınıflandırma aşamasında da dört farklı sınıflandırma yöntemi kullanılmıştır. Sonuçlar Ardışıl İleri Yönlü Öznitelik Seçim Yöntemiyle geliştirilmiş ve başarım artırılmıştır. Sonuç olarak Sağlıklı/patolojik akciğer sesleri için %97,68±0,75, yaygın akciğer sesleri için ise %87,61 ± %1,67 sınıflandırma doğruluğu elde edilmiştir. Listening to lung sounds with a stethoscope (auscultation) is a non-invasive method used for the preliminary diagnosis of lung diseases. Thanks to electronic stethoscopes developed in recent years, it is possible to work on the analysis and recognition of these sounds. Although a lot of work has been done on the subject, problems have been encountered in comparing the results due to the lack of standardization of the studies, and a product that automatically recognizes lung sounds is not yet developed yet. To be able to establish a specific standard in the field, lung sounds were recorded in a way appropriate for the auscultation procedure in single channel. A new method has been developed that automatically detects respiratory cycles from single-channel lung sounds. With this method, which is presented for the first time in the literature, data sets consisting of healthy/pathological and common lung sounds are generated automatically from the automatically detected respiratory cycles. A comprehensive search of discriminative features has been performed on the data sets and four different classification methods have been used in the classification phase. The results were improved by Sequential Advanced Directional Feature Selection and performance was improved. As a result, a classification accuracy of %97,68±0,75 for healthy/pathological lung sounds and 87.61 ± 1.67% for common lung sounds were obtained.