Solunum sesi sınıflandırması için klasik ve derin öğrenme modellerinin karşılaştırılması
Comparison of classical and deep learning models for respiratory sound classification
- Tez No: 1009158
- Danışmanlar: DR. ÖĞR. ÜYESİ HAYATİ TÜRE
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Gümüşhane Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yapay Zeka ve Akıllı Sistemler Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, solunum sesi sinyallerinin otomatik sınıflandırılması amacıyla ICBHI 2017 veri kümesi üzerinde klasik makine öğrenmesi ve modern derin öğrenme yaklaşımları karşılaştırılmıştır. Ön işleme adımlarının ardından Mel-spektrogram ve tayfsal öznitelikler çıkarılmış; bu öznitelikler klasik yöntemler (SVM, KNN, Random Forest, XGBoost) ile, Mel-spektrogramlar ise evrişim tabanlı mimariler (GhostNet ailesi, ResNet-50, EfficientNet-B0, MobileNetV3) ile değerlendirilmiştir. Değerlendirmede hasta-bağımsız (subject-wise) veri bölmesi kullanılmış; sınıf dengeleme amaçlı veri artırma yalnızca eğitim katlarına uygulanarak doğrulama/sınama sızıntısı engellenmiştir. Bulgular, GhostNetV4 mimarisinin %89.9 doğruluk ve makro-F1 = 0.898 ile diğer derin ve klasik yaklaşımları aştığını göstermektedir. Sonuçlar, hesaplama yükü görece düşük derin öğrenme modellerinin, solunum sesi analizi için klinik karar destek sistemlerine entegrasyonda güçlü adaylar olduğunu ortaya koymaktadır. Ayrıca çalışma, hasta-bağımsız protokol ve şeffaf veri artırma politikasıyla literatürdeki değerlendirme farklılıklarına karşı kıyaslanabilirlik sağlamaktadır.
Özet (Çeviri)
This study compares classical machine learning and modern deep learning approaches for the automatic classification of respiratory sound signals on the ICBHI 2017 dataset. After preprocessing, Mel-spectrograms and spectral features were extracted. Classical algorithms (SVM, KNN, Random Forest, XGBoost) were trained on handcrafted features, while convolutional architectures (the GhostNet family, ResNet-50, EfficientNet-B0, MobileNetV3) were trained on Mel-spectrograms. A patient-independent (subject-wise) split was adopted, and class-balancing data augmentation was applied only to the training folds to avoid validation/test leakage. The results show that GhostNetV4 achieved the best performance with 89.9% accuracy and macro-F1 = 0.898, outperforming both deep and classical baselines. These findings indicate that computationally efficient deep learning models are strong candidates for integration into clinical decision support systems for respiratory sound analysis. The study also contributes a transparent evaluation protocol that improves comparability across works by coupling a patient-independent split with a clearly defined augmentation policy.
Benzer Tezler
- OSAS hastaları ile sağlıklı bireylerdeki nabız geçiş sürelerinin makina öğrenmesi teknikleriyle sınıflandırılması
Classification of pulse transit times in healthy individuals with osas patients using the machine learning method
BEYZA NUR AKILOTU
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEDA ARSLAN TUNCER
- Solunum seslerinin sayısal olarak kaydedilmesi, analizi ve sınıflandırılması
Digital recording, analysis and classification of respiratory sounds
MEHMET CENK SEZGİN
Yüksek Lisans
Türkçe
2000
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiDOÇ. DR. MEHMET KORÜREK
- Classification of abnormal respiratory sounds using deep learning techniques
Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması
AHAMADI ABDALLAH IDRISSE
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. OKTAY YILDIZ
- Kalp ve solunum seslerinden uyku apnesi tespitinin yapılabilirliğinin incelenmesi
Feasibility analysis of sleep apnea detection from heart and respiratory sounds
ZEYNEP TABAK
Yüksek Lisans
Türkçe
2015
BiyomühendislikBaşkent ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. METİN YILDIZ
- Classification, visualization and transient analysis of respiratory sound patterns
Solunum sesi örüntülerinin sınıflandırılması, görselleştirilmesi ve geçici rejim analizleri
E.ÇAĞATAY GÜLER