Diagnosis of pulmonary diseases from lung sounds by machine learning algorithms
Göğüs hastalıklarının akciğer seslerinden makine öğrenme algoritmaları ile teşhisi
- Tez No: 318595
- Danışmanlar: YRD. DOÇ. DR. NAHİT EMANET
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Astım, Biyomedikal uygulamalar, Yapay sinir ağları, Asthma, Biomedical applications, Artificial neural networks
- Yıl: 2012
- Dil: İngilizce
- Üniversite: Fatih Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, literature bulunan birçok özellik çıkarım metodunun göğüs hastalarına ait ses-verileri üzerindeki uygulanabilirliği; yapay sinir ağları ve diğer makine öğrenme algoritmaları kullanılarak astım hastalığının teşhisi amacıyla incelenmiştir. Çalışmada kullanılan ses verileri Gaziantep Üniversitesi Tıp Fakültesi uzmanlarınca kaydedilmiştir.Çalışma temel olarak; seslerin filtrelenmesi, özellik çıkarımı, özellik eleme ve sınıflandırma şeklinde dört alt işlem grubundan oluşmaktadır. Filtreleme kısmında, giriş sesleri hiçbir filtreleme işlemine tabi tutulmadan veya ses örneklerindeki muhtemel gürültü etkilerini azaltmak, lüzumsuz frekans bölgelerini çıkarmak ve böylece öğrenme algoritmalarının sınıflandırma performansını arttırmak amacıyla, çeşitli filtrelere (dijital BandPass veya lineer olmayan Teager ve Median filtreleri) tabi tutularak kullanılmıştır. Özellik çıkarımı kısmında, giriş seslerini özellik vektörlerine dönüştürmek için; MFCC, LPC, zaman domeni ve fonetik özellik çıkarım metotları kullanılmıştır. Çalışmada kullanılan özellik çıkarım metotları genel olarak giriş seslerini birçok küçük zaman parçacıklarına bölüp, daha sonra çıkışlarını tüm bu parçacıklara ait özellik vektörlerinin toplamından oluşan bir set olarak üretmektedirler. Bu sebeple, sözü edilen çoklu özellik vektörlerinin teke indirgenmesi ve ayrıca özellik vektörünün uzunluğunun tespiti için; Ortalama, Standart Sapma, Skewness ve Kurtosis gibi istatistiksel metotlardan faydalanılmıştır. Özellik eleme kısmında, elde edilen özellik vektörlerine Chi-Square istatistiksel eleme algoritmasının uygulanmasının etkileri incelenmiştir. Son olarak yapılan incelemeler bir benzetim ortamında gösterilip sonuçlar tablolanmıştır.
Özet (Çeviri)
In this study, applicability of various most used feature extraction methods of the literature has been examined over lung sounds by Neural Networks and other Machine Learning Algorithms for the diagnosis of pulmonary diseases with the focus on Asthma. The sound dataset used in the study was collected by the medical experts of Gaziantep University Medical Faculty.Mainly the study is consisted of four sub-processes such as; filtering, feature extraction, feature selection and classification. In the filtering step, the input sound dataset either used without any filtering process or various filters (digital BandPass or non-linear Teager and Median filters) were applied to the input dataset for attenuating the possible noise effects in the sound samples and eliminating the useless frequency regions, thus enhancing the classification performance of the target classification algorithms. Then in the feature extraction step, Mel frequency Cepstral coefficients (MFCC), linear predictive coefficients (LPC), time domain features and phonetic features were used to transform the input dataset into feature vectors. Feature extraction algorithms that were used for the thesis study mostly divided the sound samples into multiple ?window chunks? and then produced their outputs as a series of feature sets belonging to these windows. So the unification of these multiple feature sets into a single feature vector and the determination of the feature vector length was done with the use of statistical methods such as; Mean, Standard Deviation, Skewness and Kurtosis. Then the Chi-Square feature selection algorithm was applied to feature vectors for dimensionality reduction. Lastly, the classification process was performed through a computer simulation environment and the results were plotted.
Benzer Tezler
- Diagnosis of lung diseases using pulmonary sounds
Akciğer sesleri kullanılarak akciğer hastalıkları teşhisi
FEVZİ YASİN KABABULUT
Doktora
İngilizce
2024
Dokuz Eylül ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Feature selection and classification for differential diagnosis of asthma and COPD
Astım ve KOAH ayırıcı tanısı için öznitelik seçimi ve sınıflandırma
SERHAT İSMET SARGIN
Yüksek Lisans
İngilizce
2024
İstanbul Bilgi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Enhancing deep extreme learning machines: Novel multi-kernel autoencoders and implementation for detecting the chronic obstructive pulmonary disease
Derin aşırı öğrenme makinelerinin geliştirilmesi: Yeni çok çekirdekli autoencoderlar ve kronik obstruktif akciğer hastalığının belirlenmesinde uygulanması
GÖKHAN ALTAN
- Diagnophone: An electronic stethoscope for respiratory audio analysis
Dıagnophone: Solunum sesi analizi için bir elektronik steteskop tasarımı
EGE YAĞ ÇAKIR
Yüksek Lisans
İngilizce
2019
İstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Ses iletim hızıyla akciğer hastalıklarının teşhisinde makine öğrenimi yöntemlerinin performanslarının karşılaştırılması
Comparison of the performances of machine learning methods in the diagnosis of pulmonary diseases with a voice transmission speed
HÜSEYİN CANDAN
