Geri Dön

Lung sound signal classification by using cosine similarity-basedmultilevel discrete wavelet transform decomposition with CNN-LSTM hybrid model

CNN-LSTM hıbrıt modelıyle kosınüs benzerlıgıne dayalı çok düzeylıayrık dalgacık dönüsümü ayrısımı kullanarak akcıger ses sınyalısınıflandırması

PDF İndir

  1. Tez No: 807263
  2. Yazar: KHABAT HASAN ABDULLAH
  3. Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET BİLAL ER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Harran Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Akciğer ses sinyalleri, solunum yolu rahatsızlıklarının ilk evrelerini teşhis etmek için kullanılabilir. Yapay zeka teknikleri, bu dijital veriler kullanılarak astım, zatürre ve bronşiyolit gibi solunum yolu hastalıklarını veya normal ve anormalleri otomatik olarak belirlemek için kullanılabilir. Bu çalışma, sınıflandırma işlemi için derin bir öğrenme tekniği kullanmaktadır. Uzun kısa süreli belleğe (LSTM) sahip bir Konvolüsyonel Sinir Ağı (CNN) yapısı, derin özellikleri çıkarmak ve sinyalleri normal ve anormal ana kategorilerine ayırmak için kullanılmıştır. Verilerin ön işleme adımlarında Butterworth filtresi adı verilen gürültü giderme yöntemi kullanılarak akciğer sesinden kaynaklanan gürültü giderilmiştir. Özniteliklerin çıkarılması için Kosinüs Benzerliği (CS) tabanlı Çok Düzeyli Ayrık Dalgacık Dönüşümü Ayrışımı (CS-MDWTD) adlı yeni bir yöntem önerilmiştir. DWT, bir sinyali farklı frekans bantlarına ayırabilir, farklı ölçeklerdeki sinyallerin CS'lerini karşılaştırarak, sinyalleri daha kapsamlı bir şekilde anlayabiliriz. Önerilen yöntem Solunum Sesi Veri Seti (ICBHI 2017) üzerinde test edilmiştir. Önerilen CS-MDWTD yöntemi, ICBHI veri seti üzerinde CNN-LSTM hibrit modeli kullanılarak değerlendirilmiştir. Deneysel sonuçlar, akciğer sesi sınıflandırmasının doğruluk oranlarının %80'ın üzerine ulaştığını göstermiştir. Akciğer sinyali ses sınıflandırma tekniklerinin diğer çalışmalarına/kıyaslamalarına kıyasla, sınıflandırma başarısı olasılık açısından yaklaşık olarak (%5) iyileştirilmiştir.

Özet (Çeviri)

It is possible to diagnose the early stages of respiratory illnesses by using lung sound signals. By analyzing this digital data, artificial intelligence techniques can be implemented to recognize respiratory ailments automatically such as asthma, pneumonia, bronchiolitis, and normal and abnormal lung sounds. To classify these sounds, a deep learning technique was used in this research to classify lung sound signals into the primary categories of normal and abnormal, a structure consisting of Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) is utilized to extract deep features. In the data preprocessing stage, a denoising method known as the Butterworth filter is utilized to remove noise from lung sound signals. For the extraction of the features, a novel-new technique termed Cosine Similarity (CS) based Multilevel Discrete Wavelet Transform Decomposition (CS-MDWTD) is suggested. By comparing the CS of signals at various scales, we can acquire a more thorough knowledge of the signals and the Discrete Wavelet Transform (DWT) can divide a signal into various frequency bands. The proposed technique was evaluated on the Respiratory Sound Database as per the ICBHI 2017 challenge. On the ICBHI dataset, the suggested CS-MDWTD approach is assessed utilizing the CNN-LSTM hybrid model. According to the findings of experimental research, lung sound categorization accuracy rates can reach 80%. Comparing the lung signal sound classification methodologies to other research and benchmarks, the classification success rate has increased by about 5%.

Geri Dön