Enhancing machine learning algorithms in healthcare with electronic stethoscope
Tıpta elektronik stetoskop kullanarak makine öğrenmesi algoritmaları geliştirilmesi
- Tez No: 521274
- Danışmanlar: DR. ÖĞR. ÜYESİ ÖZKAN KILIÇ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: İngilizce
- Üniversite: Ankara Yıldırım Beyazıt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 218
Özet
Bu çalışmada, 1.630 denekten elektronik stetoskop ile kaydedilen 17.930 ses ve metin verisinden oluşan bir veri kümesinde, konvolüsyonel sinir ağları (CNN), destek vektör makineleri (SVM), k en yakın komşuluk (k-NN) ve Gaussian Bayes (GB) algoritmaları kullanılarak, solunum seslerinin ve akciğer hastalıklarının sınıflandırılması amaçlanmıştır. Solunum seslerini sınıflandırmak için; Mel frekanslı kepstral katsayısı (MFCC) özellikleri ile SVM, k-NN, GB ve ayrıca 28x28 ve 600x600 spektrogram görüntüleri ile CNN kullandık. Solunum seslerini sınıflandırmak için 4 veri kümesi hazırladık: (1) sağlıklı ve patolojik ses; (2) ral, ronküs ve normal ses; (3) tekil solunum sesi tipi; ve (4) tüm ses türlerini içeren sınıflandırma. Kesinlik sonuçları yüzde olarak sırasıyla; (1) CNN 86 ve 95, SVM 86, k-NN 85, GB 58, (2) CNN 80 ve 93, SVM 80, k-NN 79, GB 42, (3) CNN 76 ve 85, SVM 75, k-NN 76, GB 22, (4) CNN 62 ve 77, SVM 62, k-NN 61, GB 15 olarak bulundu. Hastaları hastalıklarına göre sınıflandırmak için 6 veri kümesinde SVM, k-NN ve GB algoritmaları çalıştırıldı; (1) metin verisine göre hasta veya sağlıklı, (2) ses verisindeki MFCC özelliklerine göre hasta veya sağlıklı, (3) ses verisindeki MFCC özellikleri ve metin verileri ile hasta veya sağlıklı, (4) metin verilerine göre 12 hastalık, (5) ses verisindeki MFCC özelliklerine göre 12 hastalık, (6) ses verisindeki MFCC özellikleri ve metin verileri ile 12 hastalık. Kesinlik sonuçları yüzde olarak sırasıyla SVM için 75, 88, 64, 73, 63, 70; k-NN için 95, 92, 92, 67, 64, 66; GB için 98, 91, 97, 58, 48, 58 olarak bulundu. Geleneksel ve elektronik stetoskobu karşılaştırmak için 3 uzman doktor, 100 sesi değerlendirdi. Kappa istatistik yöntemi ile 2. ile 3. doktor arasında iyi düzeyde, 1. ile 3. ve 1. ile 2. doktor arasında ise ortalama düzeyde tutarlılık gözlemlendi.
Özet (Çeviri)
In this study, our aim is to classify respiratory sounds and diseases via audio and text data recorded by an electronic stethoscope using convolutional neural networks (CNNs), support vector machines (SVMs), k-nearest neigbor (k-NN) and Gaussian Bayes (GB) algorithms on a dataset that contains 17,930 lung sounds that were recorded from 1630 subjects. For classifying respiratory sounds, we employed; SVM, k-NN and GB with mel frequency cepstral coefficient (MFCC) features and CNN with 28x28 and 600x600 spectrogram images. We prepared 4 datasets to classify respiratory audio into: (1) healthy versus pathological; (2) rale, rhonchus, and normal sound; (3) singular respiratory sound type; and (4) audio type with all sound types classification. Accuracy results in percent were; (1) CNN 86 and 95, SVM 86, k-NN 85, GB 58, (2) CNN 80 and 93, SVM 80, k-NN 79, GB 42, (3) CNN 76 and 85, SVM 75, k-NN 76, GB 22 and (4) CNN 62 and 77, SVM 62, k-NN 61, GB 15 respectively. For classifying respiratory diseases, SVM, k-NN and GB algorithms were run on 6 datasets to classify patients into; (1) ill or healthy with text data, (2) ill or healthy with audio MFCC features, (3) ill or healthy with the text data and audio MFCC features, (4) 12 diseases with text data, (5) for 12 disease with audio MFCC features, (6) for 12 disease with the text data and audio MFCC features. Accuracy results in percent for SVM were 75, 88, 64, 73, 63, 70; for k-NN 95, 92, 92, 67, 64, 66; for GB 98, 91, 97, 58, 48, 58 respectively. To compare the electronic and traditional stethoscope, 3 chest physicians assessed 100 audio clips. We observed; good level consistency between physicians 2 and 3, average level consistency between physicians 1, 3 and 1, 2 via kappa statistic method.
Benzer Tezler
- Yapay zeka ile meme kanseri teşhisi
Breast cancer diagnosis with artificial intelligence
İLKER ÇAKAR
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED KÜRŞAD UÇAR
- Pulmonary sounds analysis for comparison of smokers with healthy non-smokers and copd patients
Sigara içenlerin sağlıklı sigara içmeyenler ve koah hastaları ile karşılaştırılması için akciğer sesleri analizi
AMROU WALI
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Bilgi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İPEK ŞEN
- Uzaktan algılama yöntemi kullanarak sentinel-1 uydu görüntülerinden makine öğrenmesi yaklaşımı ile yüksek gerilim direği tespiti
Detection of high voltage transmission towers using sentinel-1 satellite images with a machine learning approach based on remote sensing methods
HASAN SARIKAYA
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiBatman ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMRULLAH ACAR
- Derin öğrenme teknikleri kullanılarak cilt lezyonları için çok sınıflı sınıflandırma
Multi-class classification for skin lesions using deep learning techniques
ÜMMÜHAN KOPAL
Yüksek Lisans
Türkçe
2025
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MÜRVET KIRCI
- Karpal tünel ön tanılı hastaların yapay zeka kullanılarak EMG analizi
EMG analysis of patients with preliminary diagnosis of carpal tunnel syndrome using artificial intelligence
FURKAN YILMAZ
Tıpta Uzmanlık
Türkçe
2025
NörolojiAfyonkarahisar Sağlık Bilimleri ÜniversitesiNöroloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULLAH GÜZEL