Akciğer seslerinin makine öğrenmesi yöntemleri ile sınıflandırılması
Classification of lung sounds using machine learning techniques
- Tez No: 858377
- Danışmanlar: PROF. DR. HERMAN SEDEF
- Tez Türü: Doktora
- Konular: Biyomühendislik, Elektrik ve Elektronik Mühendisliği, Bioengineering, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik Bilim Dalı
- Sayfa Sayısı: 108
Özet
Akciğer hastalıkları ölüm oranı en yüksek olan hastalıkların başında gelmektedir. Doğru teşhis ve uygun tedavi ile birçok solunum yolu rahatsızlığı tedavi edilebilmekte ve hayat kalitesi korunmaktadır. Doğru teşhis için uzman doktorların yetişmesi ve teşhiste kalite standartlarının yakalanması uzun zaman almaktadır. Bu yüzden otomatik teşhis sitemleri üzerine uzun yıllardır araştırmalar yapılmaktadır. Otomatik sistemler, elektronik stetoskoplarla elde edilen solunum sesleri üzerinde çalışarak sinyal işleme teknikleri ve yapay zeka yöntemleriyle başarılı sonuçlar elde etmektedir. Bu tez çalışmasında; 238 denekten elde edilen, 12 sınıftan oluşan 1256 akciğer ses kaydı kullanılmıştır. Bu çalışmada akciğer hastalıklarının sınıflandırılmasına yönelik yeni ve etkili bir öznitelik çıkartım yöntemi önerilmektedir. Önerilen metot, Mel Frekans Kepstral Katsayıları (MFCC) ve Yüksek Boyutlu Model Gösterilimi (HDMR) olmak üzere iki önemli tekniği birleştiren melez bir yöntemdir. MFCC yönteminin, insan kulağının yüksek frekanslarda var olan logaritmik ölçekte duyma yeteneğini taklit etme becerisine sahip olduğu bilinmektedir. Dolayısıyla stetoskopla elde edilen akciğer seslerini elektronik olarak karakterize etmede kullanılan yaygın ve yetkin bir yöntemdir. Diğer yandan Yüksek Boyutlu Model Gösterilimi çok boyutlu veri üzerinde korelasyon ve gürültü giderme işlemlerini gerçekleştirir. HDMR yönteminin en önemli kabiliyeti ise yüksek boyutta ifade edilen yüksek sayıdaki özniteliklerin daha düşük boyutlarda ve sayıda temsil edilmesine olanak sağlamasıdır. MFCC işleminin çıktısı olarak elde edilen iki boyutlu ve toplamda 6972 öznitelikten oluşan matris, HDMR yönteminin uygulanmasıyla beraber bir boyutlu ve toplamda 512 bileşenli olarak ifade edilir. İlgili bileşenler, daha sonra karar ağaçları, destek vektör makineleri, en yakın komşu algoritması, çekirdek ve topluluk öğrenmesi gibi makine öğrenmesi sınıflandırma algoritmalarına beslenen öznitelik vektörleri olarak kabul edilir ve ardından sınıflandırma doğruluk yüzdeleri hesaplanır. Sonuçlara göre önerilen yöntem, literatürdeki diğer mevcut en gelişmiş yöntemlerle rekabet edebilecek düzeyde olan %97.2 doğruluğa ulaşmaktadır. Bu çalışmanın önerdiği melez MFCC ve HDMR tekniği, sınıflandırma verimliliğini artırırken, eğitim süresini de önemli ölçüde azaltmaktadır. Sonuçlar HDMR'nin akciğer hastalığı türlerinin sınıflandırmasında etkin bir yöntem olarak kullanılabileceğini vurgulamaktadır.
Özet (Çeviri)
Lung diseases have one of the highest mortality rates among all diseases. Many respiratory disorders can be treated and quality of life preserved with accurate diagnosis and appropriate treatment. The emergence of expert doctors for accurate diagnosis and the establishment of certain diagnostic standards takes a long time. Therefore, researchers have studied automatic diagnostic systems for many years. Automatic systems achieve successful results by working on respiratory sounds obtained with electronic stethoscopes using signal processing techniques and artificial intelligence methods. In this thesis study, 1256 lung sound recordings obtained from 238 subjects consisting of 12 classes were used. This study proposes a new and effective feature extraction method for the classification of lung diseases. The proposed method is a hybrid approach that combines two important techniques: Mel Frequency Cepstral Coefficients (MFCC) and High Dimensional Model Representation (HDMR). It is known that the MFCC method has the ability to mimic the logarithmic scale hearing of the human ear in the presence of high frequencies. Therefore, it is a widely applied and competent method for characterizing lung sounds obtained using electronic stethoscopes. However, High-Dimensional Model Representation performs decorrelation and noise reduction processes on multidimensional data. Another crucial capability of the HDMR method is to represent a large number of features expressed in high dimensions in lower dimensions and numbers. The matrix obtained as the output of the MFCC process, with two dimensions and 6972 features, is expressed in a less dimensional form with 512 features through the application of the HDMR method. These components are then accepted as feature vectors fed to machine learning classification algorithms such as decision trees, support vector machines, k-nearest neighbors algorithm, kernel, and ensemble learning, and then classification accuracy percentages are calculated. According to the results, the proposed method achieves an accuracy of 97.2%, which competes with state-of-the-art methods currently available in the literature. The hybrid MFCC and HDMR technique suggested by this study not only enhances classification efficiency but also significantly reduces training time. The results emphasize the effectiveness of HDMR as a method for classifying lung disease types.
Benzer Tezler
- 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
- Biyomedikal seslerin analizi ve sınıflandırılması
Analysis and classification of biomedical sounds
FATMA ZEHRA GÖĞÜŞ
Yüksek Lisans
Türkçe
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
PROF. DR. BEKİR KARLIK
- Konuşma olmayan sinyallerin evrişimsel sinir ağları tabanlı yaklaşımlar ile sınıflandırılması
Classification of non-speech signals with convolutional neural network based approaches
FATİH DEMİR
Doktora
Türkçe
2020
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Teknolojileri Ana Bilim Dalı
PROF. DR. ABDULKADİR ŞENGÜR
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- 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
Doktora
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMustafa Kemal ÜniversitesiEnformatik Ana Bilim Dalı
YRD. DOÇ. DR. YAKUP KUTLU