Дослідження особливостей звуків легенів для виявлення бронхіту та ХОЗЛ за допомогою методів машинного навчання
DOI:
https://doi.org/10.20535/RADAP.2021.84.78-87Ключові слова:
звуки легень, бронхіт , хронічне обструктивне захворювання легень, спектральний аналіз, вейвлет-розклад, мел-частотний кепстральний аналіз, машинне навчанняАнотація
У статті показана актуальність розгляду питання дослідження методів цифрового аналізу і обробки звуків легень, пошуку нових інформативних ознак для розпізнавання патологічних звуків легень і застосування методів машинного навчання для класифікації стану бронхолегеневої системи. Зокрема, в даному дослідженні розглянуто застосування різних методів аналізу звуків легень, а саме: частотний, спектрально-часовий, вейвлет і мел-частотний кепстральний аналіз. З метою дослідження можливості застосування методів машинного навчання до проблеми класифікації дихальних сигналів у роботі використано набір даних звуків легень з 296 сигналів, які представляють 3 класи: норма, бронхіт та хронічне обструктивне захворювання легень (ХОЗЛ). Метою даного дослідження є порівняння інформативних ознак звуків легень, отриманих за допомогою різних методів обробки сигналів, а також вибір методу класифікації, що забезпечує найвищу точність ідентифікації стану бронхолегеневої системи. Для отримання частотних ознак розраховано залежність спектральної густини потужності від частоти для сигналів звуків легень з використанням методу швидкого перетворення Фур'є. Для кожного сигналу були розраховані спектральні показники та співвідношення потужностей спектру в різних діапазонах частот. Для виділення спектрально-часових особливостей звуків легень були проаналізовані спектрограми сигналів дихання. Визначено середні часові залежності спектральної густини потужності в досліджуваних діапазонах частот. В якості ознак, отриманих зі спектрограми використовувалася сума значень кривої спектральної густини потужності для набору частотних смуг. У якості параметрів для розпізнавання сигналів дихання на основі вейвлет-аналізу розраховано співвідношення енергій рівнів деталізації вейвлет-розкладу до повної енергії аналізованого сигналу. В якості ознак мел-кепстрального аналізу пропонується використовувати усереднені по часовим фреймам логарифмічні (мел) енергії банку фільтрів, а також усереднений по часовим фреймам мел-частотний кепстр. З метою отримання кращих моделей класифікації для комп'ютеризованого скринінгу захворювань легень було застосовано машинне навчання з учителем на основі дерев рішень, дискримінантного аналізу, методу опорних векторів, логістичної регресії, класифікаторів на основі методу k-найближчих сусідів та ансамблевого навчання. Визначено та порівняно точність класифікації сигналів дихання для низки класифікаторів, що використовують розглянуті набори ознак. Для побудови моделей, що забезпечують найвищу точність розпізнавання стану легень, пропонується найкраще поєднання інформативних ознак звуків легень та методів машинного навчання.
Посилання
References
Lung disease & information. European Lung Foundation.
The top 10 causes of death. (2020). World Health Organization.
Kumar S. S. (2020). Emerging Technologies and Sensors That Can Be Used During the COVID-19 Pandemic. International Conference on UK-China Emerging Technologies (UCET), Glasgow, UK, pp. 1-. DOI: 10.1109/UCET51115.2020.9205424.
GÜLER H. C. et al. (2020). Classification of Abnormal Respiratory Sounds Using Machine Learning Techniques. 2020 Medical Technologies Congress (TIPTEKNO), Antalya, pp. 1-4. DOI: 10.1109/TIPTEKNO50054.2020.9299294.
Chekhovych M. G., Poreva A. S., Timofeyev V. I. and Henaff P. (2018). Using of the machine learning methods to identify bronchopulmonary system diseases with the use of lung sounds. Visnyk NTUU KPI, Seriia Radiotekhnika Radioaparatobuduvannia, No. 73, pp. 55–62. DOI: 10.20535/RADAP.2018.73.55-62.
Serato J. H. L. and Reyes R. (2018). Automated lung auscultation identification for mobile health systems using machine learning. 2018 IEEE International Conference on Applied System Invention (ICASI), Chiba, pp. 287-290. DOI: 10.1109/ICASI.2018.8394589.
Paraschiv E.-A. and Rotaru C.-M. (2020). Machine Learning Approaches based on Wearable Devices for Respiratory Diseases Diagnosis. 2020 International Conference on e-Health and Bioengineering (EHB), Iasi, Romania, pp. 1-4. DOI: 10.1109/EHB50910.2020.9280098.
Sarkar M., Madabhavi I., Niranjan N., Dogra M. (2015). Auscultation of the respiratory system. Annals of Thoracic Medicine, Vol. 10, Iss. 3, pp. 158–168. DOI: 10.4103/1817-1737.160831.
Gottlieb E. R., Aliotta J. M., Tammaro D. (2018). Comparison of analogue and electronic stethoscopes for pulmonary auscultation by internal medicine residents. Postgraduate Medical Journal, Vol. 94, Iss. 1118. DOI: 10.1136/postgradmedj-2018-136052.
Ellington L. E., Gilman R. H., Tielsch J. M., et al, (2012). Computerised lung sound analysis to improve the specificity of paediatric pneumonia diagnosis in resource-poor settings: protocol and methods for an observational study. BMJ Open, Vol. 2, Iss. 1. DOI: 10.1136/bmjopen-2011-000506.
Pasterkamp H., Brand P. L. P., Everard M., Garcia-Marcos L., Melbye H., Priftis K. N. (2016). Towards the standardisation of lung sound nomenclature. European Respiratory Journal, Vol. 47, Iss. 3, pp. 724-732. DOI: 10.1183/13993003.01132-2015.
Arts L., Lim E.H.T., van de Ven P.M., et al. (2020). The diagnostic accuracy of lung auscultation in adult patients with acute pulmonary pathologies: a meta-analysis. Scientific Reports, Vol. 10, Article number: 7347. DOI: 10.1038/s41598-020-64405-6.
Aras S., Öztürk M., Gangal A. (2016). Endpoint detection of lung sounds for electronic auscultation. 2016 39th International Conference on Telecommunications and Signal Processing (TSP), Vienna, Austria, pp. 405-408. DOI: 10.1109/TSP.2016.7760907.
Tolnai J., Kapus K., Draskóczy M., Bari F., Peták F., Novák Z. (2019). Teleauscultation: an innovative initiative to categorize and analyse lung sounds. European Respiratory Journal, Vol. 54, PA749. DOI: 10.1183/13993003.congress-2019.PA749.
Andrès E., Gass R., Charloux A., Brandt C. and Hentzler A. (2018). Respiratory sound analysis in the era of evidence-based medicine and the world of medicine. Journal of Medicen and Life, Vol. 11, No. 2, pp. 89-106.
Bandyopadhyaya I., Islam M. A., Bhattacharyya P., Saha G. (2017). A novel spectrogram based approach towards automatic lung sound cycle extraction. 2017 IEEE Calcutta Conference (CALCON), Kolkata, pp. 448-451. DOI: 10.1109/CALCON.2017.8280773.
Oliynik V. (2018). Time-Domain Fragment-Similarity Processing of the Auscultation Records for Detection of their Periodic Components. 2018 IEEE 38th International Conference on Electronics and Nanotechnology (ELNANO), Kyiv, Ukraine, pp. 340-345. DOI: 10.1109/ELNANO.2018.8477549.
Pingale T. H. and Patil H. T. (2017). Analysis of Cough Sound for Pneumonia Detection Using Wavelet Transform and Statistical Parameters. 2017 International Conference on Computing, Communication, Control and Automation (ICCUBEA), Pune, India, pp. 1-6. DOI: 10.1109/ICCUBEA.2017.8463900.
Rahmandani M., Nugroho H. A. and Setiawan N. A. (2018). Cardiac Sound Classification Using Mel-Frequency Cepstral Coefficients (MFCC) and Artificial Neural Network (ANN). 2018 3rd International Conference on Information Technology, Information System and Electrical Engineering (ICITISEE), Yogyakarta, Indonesia, pp. 22-26. DOI: 10.1109/ICITISEE.2018.8721007.
Sengupta N., Sahidullah Md, Saha G. (2016). Lung sound classification using cepstral-based statistical features. Computers in Biology and Medicine, Vol. 75, pp. 118-129. DOI: 10.1016/j.compbiomed.2016.05.013.
Grinchenko V. T., Makarenkov A. P., Makarenkova A. A. (2010). Computer auscultation is a new method of objectifying the characteristics of breath sounds. Clinical Informatics and Telemedicine, No. 7, p. 31-37. [In Russian].
Grinchenko В. Т., Vinogtadnyi G. P., Makarenkova А. А. (2006). Acoustic Sensor. [AKUSTYChNYI SENSOR]. Patent Of Ukraine [Patent Ukrainy], No. 14732, Bul. № 5, 15.05.2006.
Gross V., Dittmar A., Penzel T., Schüttler F. and Von Wichert P.(1999). The Relationship between Normal Lung Sounds, Age, and Gender. American Journal of Respiratory and Critical Care Medicine, Vol. 162, Iss. 3, pp. 905-909. DOI: 10.1164/ajrccm.162.3.9905104.
Mantji B. N., Oloo F. R. A. (2019). Electronic Stethoscope Design, Prototyping and Testing. IEEE EUROCON 2019 -18th International Conference on Smart Technologies, Novi Sad, Serbia, pp. 1-7. DOI: 10.1109/EUROCON.2019.8861992.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2021 Hanna Porieva, Kateryna Ivanko
Ця робота ліцензується відповідно до 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.
