Діагностична програмна система для автоматизованої класифікації звуків легень на основі параметрів спектрів вищих порядків
DOI:
https://doi.org/10.64915/RADAP.2026.104.54-62Ключові слова:
звуки легень, спектри вищих порядків, біспектральний аналіз, автоматизована класифікація, машинне навчання, хронічне обструктивне захворювання легень, бронхітАнотація
У роботі представлено метод автоматизованої класифікації звуків легень на основі параметрів спектрів вищих порядків (Higher-Order Spectra, HOS). Система розроблена для диференціації станів здорових осіб та пацієнтів із бронхітом або хронічним обструктивним захворюванням легень (ХОЗЛ). Дослідження проведено з використанням верифікованої бази даних, що містить 806 записів від 275 дорослих пацієнтів, отриманих за допомогою цифрового комплексу «КоРА-03М1», стетоскопа Littmann 3200 та відкритого міжнародного набору даних ICBHI 2017 Respiratory Sound Database (Kaggle). Особливу увагу приділено етапу попередньої обробки сигналів, що включає оригінальний алгоритм видалення імпульсних завад («спайків») методом двонаправленої фільтрації. Використано сім оптимальних ознак, що забезпечують максимальну роздільну здатність класів. Найвищу ефективність продемонстрували нейронні мережі типу Multilayer Perceptron (MLP), досягнувши точності 97,8%. Отримані результати підтверджують діагностичну цінність параметрів біспектра як маркерів респіраторних патологій.
Посилання
1. T. Wanasinghe, S. Bandara, S. Madusanka, D. Meedeniya, M. Bandara, and I. D. L. T. Diez. (2024). Lung sound classification with multi-feature integration utilizing lightweight CNN model. IEEE Access, Vol. 12, pp. 21262-21276. DOI: 10.1109/ACCESS.2024.3361943.
2. Y. Zhang, Q. Huang, W. Sun, F. Chen, D. Lin, and F. Chen. (2024). Research on lung sound classification model based on dual-channel CNN-LSTM algorithm. Biomed. Signal Process. Control, Vol. 94, Art. no. 106257. DOI: 10.1016/j.bspc.2024.106257.
3. D.-M. Huang, J. Huang, K. Qiao, N.-S. Zhong, H.-Z. Lu, and W.-J. Wang. (2023). Deep learning-based lung sound analysis for intelligent stethoscope. Mil. Med. Res., Vol. 10, No. 1, Art. no. 44. DOI: 10.1186/s40779-023-00479-3.
4. G. Altan, Y. Kutlu, and N. Allahverdi. (2020). Deep learning on computerized analysis of chronic obstructive pulmonary disease. IEEE J. Biomed. Health Inform., Vol. 24, No. 5, pp. 1344-1350. DOI: 10.1109/JBHI.2019.2931395.
5. K. Lweesy, S. Abuqran, L. Fraiwan (2025). Lightweight Hybrid Deep Learning Models for Accurate Classification of Respiratory Conditions from Raw Lung Sounds". J Med Syst., 49(1):174. doi: 10.1007/s10916-025-02315-8. PMID: 41315171.
6. G. Petmezas, G.-A. Cheimariotis, L. Stefanopoulos, B. Rocha, R. P. Paiva, et al. (2022). Automated lung sound classification using a hybrid CNN-LSTM network and focal loss function. Sensors, Vol. 22, No. 3, Art. no. 1232. DOI: 10.3390/s22031232.
7. X. Liao, Y. Wu, N. Jiang, et al. (2023). Automated detection of abnormal respiratory sound from electronic stethoscope and mobile phone using MobileNetV2. Biocybernetics and Biomedical Engineering, Vol. 43, Iss. 4, рр. 63-775, ISSN 0208-5216, doi:10.1016/j.bbe.2023.11.001.
8. K.-C. Chua, V. Chandran, U. R. Acharya, and C. M. Lim. (2010). Application of higher order statistics/spectra in biomedical signals — A review. Med. Eng. Phys., Vol. 32, No. 7, pp. 679-689. DOI: 10.1016/j.medengphy.2010.04.009.
9. R. Dubey, R. M. Bodade, and D. Dubey. (2023). Efficient classification of the adventitious sounds of the lung through a combination of SVM-LSTM-Bayesian optimization algorithm with features based on wavelet bi-phase and bi-spectrum. Res. Biomed. Eng., Vol. 39, pp. 349-363. DOI: 10.1007/s42600-023-00270-2.
10. R. Palaniappan, K. Sundaraj, and S. Sundaraj. (2014). A comparative study of the SVM and k-NN machine learning algorithms for the diagnosis of respiratory pathologies using pulmonary acoustic signals. BMC Bioinformatics, Vol. 15, No. 1, Art. no. 223. DOI: 10.1186/1471-2105-15-223.
11. A. M. Kwon and K. Kang. (2022). A temporal dependency feature in lower dimension for lung sound signal classification. Sci. Rep., Vol. 12, Art. no. 7889. DOI: 10.1038/s41598-022-11726-3.
12. S. B. Sangle and C. J. Gaikwad. (2023). Accumulated bispectral image-based respiratory sound signal classification using deep learning. Signal, Image and Video Processing, Vol. 17, pp. 3629-3636. DOI: 10.1007/s11760-023-02589-w.
13. A. Rao, E. Huynh, T. J. Royston, A. Kornblith, and S. Roy. (2019). Acoustic Methods for Pulmonary Diagnosis. IEEE Rev. Biomed. Eng., Vol. 12, pp. 221-239. DOI: 10.1109/RBME.2018.2874353.
14. Garcia-Mendez, Juan P., et al. (2023). Machine Learning for Automated Classification of Abnormal Lung Sounds Obtained from Public Databases: A Systematic Review. Bioengineering, Vol. 10, No. 10: 1155. DOI: 10.3390/bioengineering10101155.
15. L. Fraiwan, N. Hassanin, M. Fraiwan, B. Khassawneh, A. E. Ibnian, and M. Alkhodari. (2021). Automatic identification of respiratory diseases from stethoscopic lung sound signals using ensemble classifiers. Biocybern. Biomed. Eng., Vol. 41, No. 1, pp. 1-14. DOI: 10.1016/j.bbe.2020.11.003.
16. H. S. Porieva, Y. S. Karplyuk, A. Makarenkova, and A. Makarenkov. (2015). Detection of COPD's diagnostic signs based on polyspectral lung sounds analysis of respiratory phases. ELNANO, pp. 351-355. DOI: 10.1109/ELNANO.2015.7146908.
17. H. Porieva, B. Kaliuga and K. Ivanko. (2022). Differentiating of Respiratory Noise Based on Higher Order Spectral Analysis. ELNANO, pp. 446-450. DOI: 10.1109/ELNANO54667.2022.9927121.
18. H. S. Porieva, V. I. Vaityshyn, and Y. S. Karplyuk. (2017). Machine learning methods for studying lungsound signals. Microsyst. Electron. Acoust., Vol. 22, No. 6, pp. 41-47. DOI: 10.20535/2523-4455.2017.22.6.108829.
19. A. A. Makarenkova. (2010). Investigation and objectifying of adventitious breath sounds in the patients with chronic obstructive pulmonary disease. Acoust. Bull., Vol. 13, No. 3, pp. 31-41.
20. Respiratory Sound Database. ICBHI 2017 Challenge, Kaggle. [Online].
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Г. С. Порєва, К. О. Іванько , Є. С. Карплюк , А. О. Попов , Філіп де Шазаль
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у нашому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована нашим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у нашому журналі.
3. Політика журналу дозволяє і заохочує розміщення рукопису роботи авторами в мережі Інтернет (наприклад, на arXiv.org або на особистих веб-сайтах). Причому рукописи статей можуть бути розміщенні у відкритих архівах як до подання рукопису до редакції, так і під час його редакційного опрацювання. Це сприяє виникненню продуктивної наукової дискусії, позитивно позначається на оперативності ознайомлення наукової спільноти з результатами Ваших досліджень і як наслідок на динаміці цитування вже опублікованої у журналі роботи. Детальніше про це: The Effect of Open Access.
