Geri Dön

Cough sound analysis and classification

Öksürük sesinin analizi ve sınıflandırılması

PDF İndir

  1. Tez No: 973896
  2. Yazar: HATİCE KÜBRA TURAN
  3. Danışmanlar: PROF. DR. AHMET ADEMOĞLU, PROF. DR. ZEYNEP YASEMİN KAHYA
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mühendislik Bilimleri, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Boğaziçi Üniversitesi
  10. Enstitü: Biyomedikal Mühendislik Enstitüsü
  11. Ana Bilim Dalı: Biyomedikal Ana Bilim Dalı
  12. Bilim Dalı: Biyomedikal Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu çalışmanın temel amacı, öksürük seslerinin analiz edilerek, kuru ve ıslak öksürük türleri ile öksürük seslerini nefes, ses ve horlama gibi öksürük dışı seslerden ayırt eden bir sınıflandırma sistemi geliştirmektir. Çalışmada, öksürük seslerinin zaman ve frekans alanlarında özellikleri çıkarılarak, bunların sınıflandırma performansına etkileri değerlendirilmiştir. Zaman alanında Otoregresif (AR) katsayıları, frekans alanında ise Mel-Frekans Kepstral Katsayıları (MFCC) ve enerji dağılımını temsil eden yüzde frekans değerleri (25., 50., 75., 90.) kullanılmıştır. Öznitelik uzayının boyutunu azaltmak ve sınıflandırma performansını artırmak amacıyla Doğrusal Diskriminant Analizi (LDA) yöntemi uygulanmıştır. LDA ile elde edilen optimize edilmiş düşük boyutlu öznitelik uzayında, Makine Öğrenmesi yöntemlerinden Destek Vektör Makineleri (SVM), Rastgele Orman (Random Forest), k-En Yakın Komşuluk (k-NN) ve Karar Ağacı (Decision Tree) algoritmaları test edilmiştir. Çalışmada, Cambridge Üniversitesi tarafından oluşturulan ve COVID-19 ses veri tabanından alınan öksürük, nefes ve konuşma sesleri kullanılmıştır. Ayrıca Google'ın Audio Set veri tabanından horlama sesleri temin edilmiştir. Sınıflandırıcıların performansı, Leave-One-Out Cross Validation (LOOCV) yöntemi kullanılarak ölçülmüş; doğruluk, duyarlılık, özgüllük ve F1 skorları ile değerlendirilmiştir. Elde edilen sonuçlar, öksürük seslerinin analizinde MFCC, AR katsayıları ve enerji yüzdelik frekanslarının önemini ortaya koymaktadır. Bu tez çalışmasının sonuçları ile öksürük sesi analiz edilerek solunum yolu hastalıklarının teşhisi için geliştirilen non-invaziv ve mobil sistemlere katkı sunması hedeflenmektedir.

Özet (Çeviri)

The main objective of this study is to develop a classification system that analyzes cough sounds and distinguishes non-productive (dry) and productive (wet) cough types and cough sounds from non-cough sounds such as breath, voice, and snoring. The study extracted the features of cough sounds in time and frequency domains and considered their effects on classification performance. Autoregressive (AR) coefficients were used in the time domain, and Mel-Frequency Cepstral Coefficients (MFCC) and percentage frequency values representing energy distribution (25th, 50th, 75th, 90th) were used in the frequency domain. The Linear Discriminant Analysis (LDA) method was applied to reduce the feature space size and improve the classification performance. In the optimized low-dimensional feature space obtained with LDA, Support Vector Machines (SVM), Random Forest, k-Nearest Neighbors (k-NN), and Decision Tree algorithms from Machine Learning techniques were tested. The study used cough, breath, and speech sounds obtained from the COVID-19 audio database created by Cambridge University. In addition, snoring sounds were obtained from Google's Audio Set database. The performance of the classifiers was measured using the Leave-One-Out Cross-Validation (LOOCV) approach and evaluated with accuracy, sensitivity, specificity, and F1 scores. The results reveal the importance of MFCC, AR coefficients, and energy percentage frequencies in analyzing cough sounds. The results of this thesis study aim to contribute to non-invasive and mobile systems developed for diagnosing respiratory diseases by analyzing cough sounds.

Benzer Tezler

  1. Tez No

    991350

    Makine öğrenmesi ile öksürük seslerinden akciğer hastalıklarının sınıflandırılması

    Classification of lung diseases from cough sounds using machine learning

    AYŞEN ÖZÜN TÜRKÇETİN

    Doktora

    Türkçe

    Türkçe

    2026

    Makine MühendisliğiSüleyman Demirel Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TURGAY KOÇ

  2. Tez No

    790915

    Farklı işitme eşiklerinin ses parametreleri üzerindeki etkisinin objektif ve subjektif olarak değerlendirilmesi

    Objective and Subjective Evaluation of the Effect of Different Hearing Thresholds on Sound Parameters

    VELİ KIRBAÇ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    Kulak Burun ve BoğazAydın Adnan Menderes Üniversitesi

    Kulak Burun Boğaz Ana Bilim Dalı

    DOÇ. DR. MUSTAFA ŞAHİN

  3. Tez No

    879922

    Solunum yolu hastalıklarının öksürük analizi ile tespiti

    Detection of respiratory diseases through cough analysis

    ASEEL WADEEA SHUKRI AL-DOORI

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiOndokuz Mayıs Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. Begüm KORUNUR ENGİZ

  4. Tez No

    464020

    Adenoid vejetasyona bağlı nazal obstrüksiyonun nazal ses analizi ile değerlendirilmesi

    Evaluation of nasal obstruction due to adenoid vegetation via nasal sound analysis

    ALİ RIZA GÖKDUMAN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2017

    Kulak Burun ve BoğazSağlık Bilimleri Üniversitesi

    Kulak Burun Boğaz Ana Bilim Dalı

    PROF. DR. ÖZGÜR YİĞİT

  5. Tez No

    382316

    İşitsel sahnelerin tanınması için çevresel ses analizi

    Audio event analysis for auditory scene recognition

    SELVER EZGİ KÜÇÜKBAY

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBaşkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. MUSTAFA SERT

Geri Dön