Використання методів машинного навчання для ідентифікації захворювань бронхолегеневої системи з використанням звуків легень


Анотація

Сучасні технічні та електронні засоби дозволяють проводити медичну діагностику на більш високому рівні, швидше, точніше і комфортніше для пацієнта та лікаря. Здатність записувати легеневі звуки дозволяє обробляти сигнали та використовувати технології машинного навчання, щоб автоматично аналізувати записані звуки для забезпечення діагностичної підтримки. Аналіз легеневих звуків, зібраних шляхом аускультації є основним компонентом діагностики захворювань легень для первинної медичної допомоги та загального моніторингу стану пацієнтів. Розробка комп'ютерних алгоритмів для вивчення легеневого звуку дає більш широкі дослідницькі можливості. В роботі досліджені і проаналізовані сучасні методи цифрового аналізу звуків легень. Кожен з існуючих методів дає певний результат у вирішенні конкретної проблеми, це може бути, як і обезшумлення сигналу, так і знаходження тих чи інших артефактів звуків дихання. Також у статті розглянуто можливість застосування класифікаторів, що є основою машинного навчання, для оптимізації постановки діагнозів захворювань легень. Розглянуто роботу декількох класифікаторів, на основі попередньо розрахованих параметрів з використанням апарату статистик вищих порядків. Було встановлено, що метод опорних векторів, а також дерево прийняття рішень є простими та найточнішими класифікаторами для реалізації і для роботи з базою звуків дихання. Отримана точність роботи класифікаторів є досить високою. Симбіоз різних методів цифрової обробки з сучасними інструментами машинного навчання дозволить істотно підвищити точність роботи методів, а також значно полегшити роботу лікаря.

Бібліографічний опис

 
ДСТУ ГОСТ 7.1:2006 У транслітерації (формат Harvard)
 
Chekhovych, M. G. Using of the machine learning methods to identify bronchopulmonary system diseases with the use of lung sounds / Chekhovych, M. G., Poreva, A. S., Timofeyev, V. I., Henaff, P. // Visn. NTUU KPI, Ser. Radioteh. radioaparatobuduv. – 2018. – № 73. – с. 55-62. Chekhovych, M. G., Poreva, A. S., Timofeyev, V. I., Henaff, P. (2018) Using of the machine learning methods to identify bronchopulmonary system diseases with the use of lung sounds. Visn. NTUU KPI, Ser. Radioteh. radioaparatobuduv., no. 73, pp. 55-62.
 

Повний текст:


Посилання


Quandt V.I., Pacola E.R., Pichorim S.F. and Sovierzoski M.A. (2013) Border Extension in the Wavelet Analysis of Lung Sounds. IFMBE Proceedings, pp. 597-600. DOI: 10.1007/978-3-642-29305-4_156

Shaharum S.M., Sundaraj K. and Palaniappan R. (2012) Tracheal sound reliability for wheeze data collection method: A review. 2012 IEEE International Conference on Control System, Computing and Engineering. DOI: 10.1109/iccsce.2012.6487153

Morillo D.S., Moreno S.A., and Jiménez A.L. (2013) Computerized analysis of respiratory sounds during COPD exacerbations. Computers in Biology and Medicine, Vol. 43, Iss. 7, pp. 914-921. DOI: 10.1016/j.compbiomed.2013.03.011

Piirilä P., Sovijärvi A.R., Kaisla T., Rajala H. and Katila T. (1991) Crackles in Patients with Fibrosing Alveolitis, Bronchiectasis, COPD, and Heart Failure. Chest, Vol. 99, Iss. 5, pp. 1076-1083. DOI: 10.1378/chest.99.5.1076

Murphy R.L., Vyshedskiy A., Power V., Bana D., Marinelli P., Wong-Tse A. and Paciej R. (2003) Automated Lung Sound Analysis in Patients With Pneumoni. Chest, Vol. 124, Iss. 4, pp. 190S. DOI: 10.1378/chest.124.4_meetingabstracts.190s-b

Aydore S., Sen I., Kahya Y. and Mihcak M. (2009) Classification of respiratory signals by linear analysis. 2009 Annual International Conference of the IEEE Engineering in Medicine and Biology Society. DOI: 10.1109/iembs.2009.5335395

Yi G.A. (2004) A software toolkit for acoustic respiratory analysis, Thesis, Massachusetts Institute of Technology.

Lin B.-S., Lin B.-S., Wu H.-D., Chong F.-C. and Chen S.-J. (2006) Wheeze Recognition Based on 2D Bilateral Filtering of Spectrogram. Biomedical Engineering: Applications, Basis and Communications, Vol. 18, Iss. 03, pp. 128-137. DOI: 10.4015/s1016237206000221

Serbes G., Sakar C.O., Kahya Y.P. and Aydin N. (2011) Feature extraction using time-frequency/scale analysis and ensemble of feature sets for crackle detection. 2011 Annual International Conference of the IEEE Engineering in Medicine and Biology Society. DOI: 10.1109/iembs.2011.6090899

Kamble H. and Phadke G.S. (2016) Frequency response analysis of respiratory sounds and comparative study for windowing techniques. 2016 International Conference on Signal Processing, Communication, Power and Embedded System (SCOPES). DOI: 10.1109/scopes.2016.7955809

Ifeachor E. (1995) A practical approach to digital signal processing. IEE Colloquium on The Teaching of Digital Signal Processing (DSP) in Universities. DOI: 10.1049/ic:19950210

Quandt V.I., Pacola E.R., Pichorim S.F. and Sovierzoski M.A. (2013) Border Extension in the Wavelet Analysis of Lung Sounds. IFMBE Proceedings, pp. 597-600. DOI: 10.1007/978-3-642-29305-4_156 .

Petropulu A. (1999) Higher-Order Spectral Analysis. Electrical Engineering Handbook. DOI: 10.1201/9781420049510.ch57

Chekhovych M., Poreva A., Karplyuk Y. and Makarenkova A. (2016) Application of higher-order spectral analysis to lung sounds in patients with chronic bronchitis. 2016 IEEE 36th International Conference on Electronics and Nanotechnology (ELNANO). DOI: 10.1109/elnano.2016.7493059

Yeginer M. and Kahya Y.P. (2008) Elimination of vesicular sounds from pulmonary crackle waveforms. Computer Methods and Programs in Biomedicine, Vol. 89, Iss. 1, pp. 1-13. DOI: 10.1016/j.cmpb.2007.10.002

Korenbaum V., Pochekutova I., Kostiv A., Tagiltsev A., Shubin S. and Bodin N. (2011) Acoustic tool to test status of respiratory ventilation function. 2011 Defense Science Research Conference and Expo (DSR). DOI: 10.1109/dsr.2011.6026821

Wang D., Fang B., Liang S. and Wang S. (2016) The research progress about the intelligent recognition of lung sounds. 2016 2nd IEEE International Conference on Computer and Communications (ICCC). DOI: 10.1109/compcomm.2016.7924807

Chamberlain D., Kodgule R., Ganelin D., Miglani~V. and Fletcher R.R. (2016) Application of semi-supervised deep learning to lung sound analysis. 2016 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). DOI: 10.1109/embc.2016.7590823




DOI: http://dx.doi.org/10.20535/RADAP.2018.73.55-62

##submission.copyrightStatement##

##submission.license.cc.by4.footer##