Akciğer Hastalıklarının Dalgacık Katsayıları Kullanılarak Karar Ağaçlarına Dayalı Sınıflandırılması

Year 2021, Issue: 24, 463 - 468, 15.04.2021

Merve Çolak , Şerife Gengeç Benli , Müge Dolu

https://doi.org/10.31590/ejosat.903249

Abstract

Günümüzde akciğer hastalıkları çok sık görülmektedir ve içerisinde bulunduğumuz Covid-19 salgını dolayısıyla da zatürre gibi bazı akciğer hastalıklarında yoğun artış yaşanmaktadır. Akciğer hastalıklarındaki ilk tanı oskültasyon yardımıyla konulmakta olup bu yöntem fiziksel muayene için ilk olarak tercih edilen düşük maliyetli ve etkili bir yöntemdir fakat oskültasyonda hastalık belirtileri elde edilse bile bu yöntem sesi bileşenlerine ayırıp karakterize etmez. Hastadaki sesleri dinleyen ve ön tanı koyan kişinin tecrübeli olması gerekmektedir buna rağmen ne kadar dikkatli olursa olsun insan kulağı bu sesleri her zaman eksiksiz duyacak kadar hassas bir organ değildir. Tanı sırasında doktora yardımcı olacak, küçük, hassas detayları kaçırmayacak ve sesi kolaylıkla karakterize edip ses bileşenlerin özelliklerini ve hangi hastalık grubunda yer aldığını tanımlayabilecek bir sistem gerekmektedir.
Bu çalışmada elektronik stetoskop kullanılarak kronik obstrüktif akciğer hastalığı, üst solunum yolu enfeksiyonu, pnömoni ve sağlıklı kişilerden oluşan dört gruba ait akciğer sesleri Chebyshev filtre ile filtrelenmiş ve dalgacık dönüşümü, kısa zamanlı Fourier dönüşümü, güç spektral yoğunluğu kullanılarak elde edilen öznitelikler değerlendirilmiştir. Ayrıca literatürde daha çok tercih edilen dalgacık dönüşümü katsayıları kullanılarak Waikato Environment for Knowledge Analysis (WEKA) programı üzerinden karar ağaçları ile sınıflandırılma yapılmıştır. Böylelikle akciğer seslerinin çeşitli sinyal işleme metodları ile karakteristik özelliklerinin elde edilmesi ve sonrasındaki sınıflandırma ile %95-%99 değerleri arasındaki yüksek doğruluk oranıyla hastalık teşhisi yapılabileceği görülmüştür.

Keywords

Akciğer sesleri, Karar ağaçları, Dalgacık dönüşüm katsayıları

Classification of Lung Diseases Based on Decision Trees Using Wavelet Coefficients

Abstract

Today, lung diseases are very common and due to the Covid-19 epidemic we are in, there is an intense increase in some lung diseases such as pneumonia. The first diagnosis in lung diseases is made with the help of auscultation, and this method is the first preferred low-cost and effective method for physical examination, but even if disease symptoms are obtained in auscultation, this method does not separate and characterize the voice into its components. The person who listens to the sounds in the patient and makes a preliminary diagnosis must be experienced, however, no matter how carefully the human ear is not a sensitive organ that can always hear these sounds completely. A system is required to assist the doctor during the diagnosis, not to miss small, delicate details, and to easily characterize the sound and define the properties of the sound components and in which disease group it is involved.

In this study, lung sounds belonging to four groups of chronic obstructive pulmonary disease, upper respiratory tract infection, pneumonia and healthy individuals were filtered with Chebyshev filter using electronic stethoscope and features obtained using wavelet transform, short-time Fourier transform, power spectral density were evaluated. Waikato Environment for Knowledge Analysis (WEKA) program was used to classify decision trees using wavelet transform coefficients, which are more preferred in the literature. Thus, it has been observed that the characteristic features of the lung sounds can be obtained with various signal processing methods and the diagnosis of the disease can be made with a high accuracy rate between 95% and 99% with the subsequent classification.

Keywords

Lung sounds, Wavelet coefficients, Decision trees

References

• Aydemir, Y.(2011). Türkiye Solunum Araştırmaları Derneği, Göğüs Hastalıkları Erişim adresi: https://www.solunum.org.tr/TusadData/Book/853/1412021102014-1072020165943bolum02.pdf.
• Reichert, S., Gass, R., Brandt, C., ve Andrès, E. (2008), Analysis of Respiratory Sounds: State of the Art, Clin Med Circ Respirat Pulm Med. 2008; 2: 45–58. doi: 10.4137/ccrpm.s530.
• Gavriely, N., Cugell, D. W. (1995). Breath sounds methodology, CRC Press.
• Şengül Emeksiz, Z, Bostancı, İ. (2018). Akciğer: Sesimi Duyan Var Mı?. Güncel Pediatri, 16 (3), 79-84. Erişim adresi: https://dergipark.org.tr/tr/pub/pediatri/issue/40492/485522.
• Serbes, G, Ulukaya, S, Şen, İ, Kahya, Y. (2018). Akciğer Solunum Seslerinin Spektral Öznitelikler ile Sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 22 (2), 711-716. Erişim adresi: https://dergipark.org.tr/tr/pub/sdufenbed/issue/38975/456380.
• Uysal, S., Uysal, H., Bolat, B., & Yıldırım, T., (2013). Sağlıklı ve Sağlıksız Akciğer Seslerinin Dalgacık Katsayıları Kullanılarak Sınıflandırılması. IEEE 22. Sinyal İşleme ve Uygulamaları Kurultayı, Turkey.
• Orjuela-Cañón, A. D., Gómez-Cajas, D. F., ve Jiménez-Moreno, R. (2014), “Artificial Neural Networks for Acoustic Lung Signals Classification,” Advanced Information Systems Engineering. Springer Berlin Heidelberg, pp. 214–221, 2014, doi: 10.1007/978-3-319-12568-8_27.
• Chambres, G., Hanna, P., ve Desainte-Catherine, M. (2018), “Sound Analysis,” 2018 International Conference on ContentBased Multimedia Indexing (CBMI). IEEE, 2018, doi: 10.1109/cbmi.2018.8516489.
• İçer, S., ve Gengeç, Ş. (2014), “Classification and analysis of non-stationary characteristics of crackle and rhonchus lung adventitious sounds,” Digit. Signal Process., vol. 28, pp. 18–27, 2014, doi: 10.1016/j.dsp.2014.02.001.
• Serbes, G., Sakar, C. O., Kahya, Y. P., ve Aydin, N. (2013), “Pulmonary crackle detection using time–frequency and time–scale analysis,” Digit. Signal Process., vol. 23, no. 3, pp. 1012–1021, 2013. Doi:10.1016/j.dsp.2012.12.009.
• Jin, F., Sattar, F., ve Goh, D. Y. T. (2014), “New approaches for spectro-temporal feature extraction with applications to respiratory sound classification,” Neurocomputing, vol. 123, pp. 362–371, 2014, doi: 10.1016/j.neucom.2013.07.033.
• Bahoura, M. (2009), “Pattern recognition methods applied to respiratory sounds classification into normal and wheeze classes.” Comput. Biol. Med., vol. 39, no. 9, pp. 824–843, Eylül 2009, doi: 10.1016/j.compbiomed.2009.06.011.classes.
• ICBHI 2017 Challenge Respiratory Sound Database Erişim adresi:https://bhichallenge.med.auth.gr/ICBHI_2017_Challenge.
• Çekiç, Y. (2004), Durağan Olmayan İşaretler İçin Zaman-Frekans Analizi (Doktora tezi), İstanbul Üniversitesi, Fen Bilimleri Enstitüsü, Elektronik Mühendisliği Ana Bilim Dalı.
• Valkenburg, M.E.V(1982)., Analog Filter Design: Cbs College College Publishing Company, New York, 1982.
• Çekiç, Y. (2004), Durağan Olmayan İşaretler İçin Zaman-Frekans Analizi (Doktora tezi), İstanbul Üniversitesi, Fen Bilimleri Enstitüsü, Elektronik Mühendisliği Ana Bilim Dalı.
• Shi Y, Li Y, Cai M, Zhang XD. (2019), A Lung Sound Category Recognition Method Based on Wavelet Decomposition and BP Neural Network. Int J Biol Sci 2019; 15(1):195-207. doi:10.7150/ijbs.29863. Erişim adresi: https://www.ijbs.com/v15p0195.html.
• Tepe, C., Sezgin, H., EKG Sinyallerinde Gürültü Gidermede Ayrık Dalgacık Dönüşümünde Farklı Ana Dalgacıkların ve Ayrıştırma Seviyelerinin Karşılaştırılması, Elektrik Elektronik Mühendisliği Bölümü, Ondokuz Mayıs Üniversitesi, Samsun. Erişim adresi: https://www.emo.org.tr/ekler/48132c7802e7bad_ek.pdf.
• Ayaz, E. (1997), “Dalgacıklar ve Elektrik Mühendisliğindeki Uygulamaları”, Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, 53s, İstanbul.
• 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.
• Breiman, L. (2001), Random Forests, Machine Learning, 45 (1): 5-32.
• Priyama, A., Abhijeeta, Guptaa, R., Ratheeb, A,. ve Srivastavab, S. (2013), Comparative Analysis of Decision Tree Classification Algorithms, International Journal of Current Engineering and Technology, Vol.3, No.2
• Nor Haizan, W., Mohamed, W. (2012), A Comparative Study of Reduced Error Pruning Method in Decision Tree Algorithms, 2012 IEEE International Conference on Control System, Computing and Engineering.
• Chaitanya Kumar, S., Deepak Chowdary, E., Venkatramaphanikumar S, Krishna Kishore, K.V. (2016), M5P Model Tree in Predicting Student Performance: A Case Study, 2016 IEEE International Conference on Recent Trends in Electronics, Information & Communication Technology (RTEICT).