SavedAdd your journal

Journals / Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi / 2026 / Cilt: 22 Sayı: 2

Akciğer Solunum Seslerinin Spektral Öznitelikler ile Sınıflandırılması

Görkem Serbes
Sezer Ulukaya
İpek Şen
Yasemin P. Kahya
Pages
711–716
Publication Date
2018-08-15
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

MFKK ve ADÖ yöntemlerinin sınıflandırma doğruluğunun model derecesine oldukça bağlı olduğu gözlemlenmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bu çalışmada güç spektrum yoğunluğu, mel frekans kepstral katsayıları (MFKK) ve algısal doğrusal öngörü (ADÖ) yöntemleri; çıtırtı, üfürüm ve normal akciğer solunum seslerini ayrıştırmak amacıyla kullanılan öznitelik çıkarıcılar olarak görevlendirilmiştir.
📊
Key Findings & Data:Çıtırtı, üfürüm ve normal sınıfları (% 94, % 95.5, % 95.5 sırasıyla) için en iyi sonuçlara ADÖ tarafından ulaşılmıştır.
💡
Conclusion & Impact:MFKK ve ADÖ yöntemlerinin sınıflandırma doğruluğunun model derecesine oldukça bağlı olduğu gözlemlenmiştir.
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:Akciğer solunum sesleri · Çıtırtı · Üfürüm

Özet

Bu çalışmada güç spektrum yoğunluğu, mel frekans kepstral katsayıları (MFKK) ve algısal doğrusal öngörü (ADÖ) yöntemleri; çıtırtı, üfürüm ve normal akciğer solunum seslerini ayrıştırmak amacıyla kullanılan öznitelik çıkarıcılar olarak görevlendirilmiştir. Ham özniteliklerden sekiz alt öznitelik kümesi (enerji, entropi, en küçülten, en büyülten, ortalama, standart sapma, eğrilik ve basıklık) çıkarılarak k -en yakın komşu ve destek vektör makineleri sınıflandırıcılarına birini dışarıda bırak şeması kullanılarak beslenmiştir. Önerilen algısal doğrusal öngörü katsayıları yöntemi güç spektrum yoğunluğundan daha iyi performans sergilerken mel frekans kepstral katsayıları ile başa baş performans göstermiştir. ADÖ yönteminin üç gruplu sınıflandırma performansı var olan literatürle karşılaştırılmıştır. Çıtırtı, üfürüm ve normal sınıfları (% 94, % 95.5, % 95.5 sırasıyla) için en iyi sonuçlara ADÖ tarafından ulaşılmıştır. Diğer taraftan tüm sınıf doğruluklarının en iyi ortalama sonucuna % 91.3 ile MFKK tarafından ulaşılmıştır. MFKK ve ADÖ yöntemlerinin sınıflandırma doğruluğunun model derecesine oldukça bağlı olduğu gözlemlenmiştir.

🔖

Cite This Article

Serbes, G., Ulukaya, S., Şen, İ., Kahya, Y. P. (2018). Akciğer Solunum Seslerinin Spektral Öznitelikler ile Sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Cilt: 22 Sayı: 2, 711–716. https://doi.org/10.19113/sdufbed.84471

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (16)

  1. Gavriely, N., Cugell, D. W. 1995. Breath sounds methodology, CRC Press.
  2. Leng, S., Tan, R. S., Chai, K. T. C., Wang, C., Ghista, D., Zhong, L. 2015. The electronic stethoscope, Biomedical Engineering Online, 1-37.
  3. Oliveira, A., Marques, A. 2014. Respiratory sounds in healthy people: a systematic review, Respiratory medicine 108, 4(2014), 550-570.
  4. Reichert, S., Gass, R., Brandt, C., Andres, E. 2008. Analysis of respiratory sounds: state of the art, Clinical medicine. Circulatory, respiratory and pulmonary medicine, 2(2008), 45-58.
  5. Piirila, P., Sovijarvi, A. R. 1995. Crackles: recording, analysis and clinical significance, European Respiratory Journal, 8(1995), 2139-2148.
  6. Sankur, B., Güler, E. C., Kahya, Y. P. 1996. Multiresolution biological transient extraction applied to respiratory crackles, Computers in Biology and Medicine, 26(1996), 25-39.
  7. Meslier, N., Charbonneau, G., Racineux, J. L. 1995. Wheezes, European Respiratory Journal, 8(1995), 1942-1948.
  8. Güler, I., Polat, H., Ergün, U. 2005. Combining neural network and genetic algorithm for prediction of lung sounds, Journal of Medical Systems, 29(2005), 217-231.
  9. Matsunaga, S., Yamauchi, K., Yamashita, M., Miyahara, S. 2009. Classification between normal and abnormal respiratory sounds based on maximum likelihood approach. in: Acoustics, Speech and Signal Processing (ICASSP), IEEE International Conference on, 517-520.
  10. Mayorga, P., Druzgalski, C., Morelos, R. L., Gonzalez, O. H., Vidales, J. 2010. Acoustics based assessment of respiratory diseases using GMM classification, in: Engineering in Medicine and Biology Society (EMBC), 32nd Annual International Conference of the IEEE, 6312-6316.
  11. Abbas, A., Fahim, A. 2010. An automated computerized auscultation and diagnostic system for pulmonary diseases, Journal of Medical Systems, 34(2010), 1149-1155.
  12. Hermansky, H. 1990. Perceptual linear predictive PLP analysis of speech, The Journal of the Acoustical Society of America, 87(1990), 1738-1752.
  13. Sen, I., Kahya, Y. P. 2005. A multi-channel device for respiratory sound data acquisition and transient detection, in: Engineering in Medicine and Biology Society (EMBC), 27th Annual International Conference of the IEEE, 6658-6661.
  14. Welch, P. D. 1967. The use of fast Fourier transform for the estimation of power spectra: A method based on time averaging over short, modified periodograms, IEEE Transactions on Audio and Electroacoustics 15, 2(1967), 70-73.
  15. Ulukaya, S., Kahya, Y. P. 2014. Respiratory sound classification using perceptual linear prediction features for healthy-pathological diagnosis. In 18th National Biomedical Engineering Meeting (BIYOMUT)
  16. Abbas, A., Fahim, A. 2010. An automated computerized auscultation and diagnostic system for pulmonary diseases, Journal of Medical Systems, 34(2010), 1149-1155.