Akciğer Seslerinin Derin Öğrenme İle Sınıflandırılması

Year 2020, Volume: 8 Issue: 4, 830 - 844, 29.12.2020

Mehmet Bilal Er

https://doi.org/10.29109/gujsc.758325

Cited By: 4

Abstract

Akciğer hastalıkları, insan sağlığını ciddi olarak tehdit eden hastalıklar arasındadır ve günümüzde birçok ölüm akciğer hastalıklarından kaynaklanmaktadır. Akciğer sesleri sayesinde akciğer hastalıkları ile ilgili önemli çıkarımlar yapılabilmektedir. Akciğer rahatsızlığı olan hastaları değerlendirmek için doktorlar genellikle oskültasyon tekniğini kullanırlar. Ancak, bu tekniğin bazı dezavantajları vardır. Örneğin, doktor iyi bir tıp eğitimi almamışsa, bu yanlış tanıya neden olabilir. Ayrıca akciğer sesleri durağan olmadığından dolayı analiz, tanıma süreci karmaşıktır. Bu nedenle otomatik tanıma sistemlerinin geliştirilmesi daha kesin ve doğru tanılar koymada yardımcı olacaktır. Akciğer hastalıklarını teşhis etmek ve uzmanlara teşhislerinde yardımcı olmak için geleneksel ses işleme rutinlerine dayanan birçok çalışma önerilmiştir. Bu çalışmada akciğer seslerinin sınıflandırılması için derin öğrenmeye dayanan bir yöntem önerilmiştir. Bu amaç doğrultusunda Konvolüsyonel Sinir Ağı (KSA) tasarlanmıştır. Farklı yöntemlerin etkinliğini değerlendirmek deneyler literatürde kullanılan popüler veri set ile yapılmıştır. Bu veri seti dört sınıftan oluşan ICBHI 2017’ dir. Ortalama olarak %64,5 doğruluk elde edilmiştir. Deneysel sonuçlar, tasarlanan mimarinin akciğer seslerini sınıflandırma görevinde etkin bir şekilde kullanılabileceğini göstermektedir. Ayrıca önerilen yöntemden elde edilen sonuçlar literatürde ki son yöntemlerle karşılaştırıldığında sınıflandırma başarısı bakımından daha iyi performans gösterdiği görülmektedir.

Keywords

Akciğer sesleri sınıflandırması, Konvolüsyonel Sinir Ağı, Derin Öğrenme

References

• [1] S. Lehrer, Understanding lung sounds. Steven Lehrer, 2018.
• [2] S. İçer and Ş. Gengeç, “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.
• [3] R. Naves, B. H. G. Barbosa, and D. D. Ferreira, “Classification of lung sounds using higher-order statistics: A divide-and-conquer approach,” Comput. Methods Programs Biomed., vol. 129, pp. 12–20, 2016, doi: 10.1016/j.cmpb.2016.02.013.
• [4] G.-C. Chang and Y.-P. Cheng, “Investigation of noise effect on lung sound recognition,” 2008 International Conference on Machine Learning and Cybernetics. IEEE, 2008, doi: 10.1109/icmlc.2008.4620605.
• [5] S. Reichert, R. Gass, C. Brandt, and E. Andrès, “Analysis of respiratory sounds: state of the art,” Clin. Med. Circ. Respirat. Pulm. Med., vol. 2, pp. 45–58, May 2008, doi: 10.4137/ccrpm.s530.
• [6] A. Kandaswamy, C. S. Kumar, R. P. Ramanathan, S. Jayaraman, and N. Malmurugan, “Neural classification of lung sounds using wavelet coefficients,” Comput. Biol. Med., vol. 34, no. 6, pp. 523–537, 2004, doi: https://doi.org/10.1016/S0010-4825(03)00092-1.
• [7] S. ULUKAYA, G. SERBES, İ. ŞEN, and Y. P. KAHYA, “Akciğer Solunum Seslerinin Spektral Öznitelikler ile Sınıflandırılması,” Süleyman Demirel Üniversitesi Fen Bilim. Enstitüsü Derg., vol. 22, no. 2, p. 711, 2017, doi: 10.19113/sdufbed.84471.
• [8] A. Sovijärvi et al., “Characteristic of breath sounds and adventitious respiratory sounds,” Charact. Breath Sounds Adventitious Respir. Sounds, vol. 10, pp. 591–596, Jan. 2000.
• [9] G. Serbes, C. O. Sakar, Y. P. Kahya, and N. Aydin, “Pulmonary crackle detection using time–frequency and time–scale analysis,” Digit. Signal Process., vol. 23, no. 3, pp. 1012–1021, 2013, doi: https://doi.org/10.1016/j.dsp.2012.12.009.
• [10] F. Jin, F. Sattar, and D. Y. T. Goh, “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.
• [11] M. Bahoura, “Pattern recognition methods applied to respiratory sounds classification into normal and wheeze classes.,” Comput. Biol. Med., vol. 39, no. 9, pp. 824–843, Sep. 2009, doi: 10.1016/j.compbiomed.2009.06.011.
• [12] A. D. Orjuela-Cañón, D. F. Gómez-Cajas, and R. Jiménez-Moreno, “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.
• [13] S. O. Maruf, M. U. Azhar, S. G. Khawaja, and M. U. Akram, “Crackle separation and classification from normal Respiratory sounds using Gaussian Mixture Model,” 2015 IEEE 10th International Conference on Industrial and Information Systems (ICIIS). IEEE, 2015, doi: 10.1109/iciinfs.2015.7399022.
• [14] M. Yeginer and Y. P. Kahya, “Elimination of vesicular sounds from pulmonary crackle waveforms,” Comput. Methods Programs Biomed., vol. 89, no. 1, pp. 1–13, 2008, doi: 10.1016/j.cmpb.2007.10.002.
• [15] D. Bardou, K. Zhang, and S. M. Ahmad, “Lung sounds classification using convolutional neural networks,” Artif. Intell. Med., vol. 88, pp. 58–69, 2018, doi: https://doi.org/10.1016/j.artmed.2018.04.008.
• [16] C. Jácome, J. Ravn, E. Holsbø, J. C. Aviles-Solis, H. Melbye, and L. Ailo Bongo, “Convolutional Neural Network for Breathing Phase Detection in Lung Sounds,” Sensors (Basel)., vol. 19, no. 8, p. 1798, Apr. 2019, doi: 10.3390/s19081798.
• [17] F. Demir, A. Sengur, and V. Bajaj, “Convolutional neural networks based efficient approach for classification of lung diseases,” Heal. Inf. Sci. Syst., vol. 8, no. 1, p. 4, Dec. 2019, doi: 10.1007/s13755-019-0091-3.
• [18] Y. Fu and C. Aldrich, “Flotation froth image recognition with convolutional neural networks,” Miner. Eng., vol. 132, pp. 183–190, 2019, doi: 10.1016/j.mineng.2018.12.011.
• [19] A. GÜLCÜ and Z. KUŞ, “Konvolüsyonel Sinir Ağlarında Hiper-Parametre Optimizasyonu Yöntemlerinin İncelenmesi,” Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, vol. 7. Gazi Üniversitesi, pp. 503–522, 2019, doi: 10.29109/gujsc.514483.
• [20] D. C. Cireundefinedan, U. Meier, J. Masci, L. M. Gambardella, and J. Schmidhuber, “Flexible, High Performance Convolutional Neural Networks for Image Classification,” in Proceedings of the Twenty-Second International Joint Conference on Artificial Intelligence - Volume Volume Two, 2011, pp. 1237–1242.
• [21] J. Salamon and J. P. Bello, “Deep Convolutional Neural Networks and Data Augmentation for Environmental Sound Classification,” IEEE Signal Process. Lett., vol. 24, no. 3, pp. 279–283, 2017, doi: 10.1109/LSP.2017.2657381.
• [22] B. M. Rocha et al., “Α Respiratory Sound Database for the Development of Automated Classification,” Precision Medicine Powered by pHealth and Connected Health. Springer Singapore, pp. 33–37, 2017, doi: 10.1007/978-981-10-7419-6_6.
• [23] M. B. ER and H. ÇİĞ, “Türk Müziği Uyaranları Kullanılarak İnsan Duygularının Makine Öğrenmesi Yöntemi İle Tanınması,” Gazi Üniversitesi Fen Bilim. Derg. Part C Tasarım ve Teknol., vol. 8, no. 2, pp. 458–474, 2020, doi: 10.29109/gujsc.687199.
• [24] G. Serbes, S. Ulukaya, and Y. P. Kahya, “An Automated Lung Sound Preprocessing and Classification System Based OnSpectral Analysis Methods,” Precision Medicine Powered by pHealth and Connected Health. Springer Singapore, pp. 45–49, 2017, doi: 10.1007/978-981-10-7419-6_8.
• [25] K. Kochetov, E. Putin, M. Balashov, A. Filchenkov, and A. Shalyto, “Noise Masking Recurrent Neural Network for Respiratory Sound Classification,” Artificial Neural Networks and Machine Learning – ICANN 2018. Springer International Publishing, pp. 208–217, 2018, doi: 10.1007/978-3-030-01424-7_21.
• [26] G. Chambres, P. Hanna, and M. Desainte-Catherine, “Automatic Detection of Patient with Respiratory Diseases Using Lung Sound Analysis,” 2018 International Conference on Content-Based Multimedia Indexing (CBMI). IEEE, 2018, doi: 10.1109/cbmi.2018.8516489.