SavedAdd your journal

Journals / Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji / 2020 / Cilt: 8 - Sayı: 4

Akciğer Seslerinin Derin Öğrenme İle Sınıflandırılması

Mehmet Bilal ER
Pages
830–844
Publication Date
2022-10-18
DOI
—
🏛️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)

Ayrıca önerilen yöntemden elde edilen sonuçlar literatürde ki son yöntemlerle karşılaştırıldığında sınıflandırma başarısı bakımından daha iyi performans gösterdiği görülmektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Akciğer hastalıkları, insan sağlığını ciddi olarak tehdit eden hastalıklar arasındadır ve günümüzde birçok ölüm akciğer hastalıklarından kaynaklanmaktadır.
📊
Key Findings & Data:Akciğer rahatsızlığı olan hastaları değerlendirmek için doktorlar genellikle oskültasyon tekniğini kullanırlar.
💡
Conclusion & Impact:Ayrıca önerilen yöntemden elde edilen sonuçlar literatürde ki son yöntemlerle karşılaştırıldığında sınıflandırma başarısı bakımından daha iyi performans gösterdiği görülmektedir.
🔬Design:Review & Systematic Survey
📍Scope:2017 Verileri
⚙️Variables:Akciğer sesleri sınıflandırması · Konvolüsyonel Sinir Ağı · Derin Öğrenme

Özet

Akciğer hastalıkları, insan sağlığını ciddi olarak tehdit eden hastalıklar arasındadır ve günümüzde birçok ölüm akciğer hastalıklarından kaynaklanmaktadır. Akciğer sesleri sayesinde akciğer hastalıkları ile ilgili önemli çıkarımlar yapılabilmektedir. Akciğer rahatsızlığı olan hastaları değerlendirmek için doktorlar genellikle oskültasyon tekniğini kullanırlar. Ancak, bu tekniğin bazı dezavantajları vardır. Örneğin, doktor iyi bir tıp eğitimi almamışsa, bu yanlış tanıya neden olabilir. Ayrıca akciğer sesleri durağan olmadığından dolayı analiz, tanıma süreci karmaşıktır. Bu nedenle otomatik tanıma sistemlerinin geliştirilmesi daha kesin ve doğru tanılar koymada yardımcı olacaktır. Akciğer hastalıklarını teşhis etmek ve uzmanlara teşhislerinde yardımcı olmak için geleneksel ses işleme rutinlerine dayanan birçok çalışma önerilmiştir. Bu çalışmada akciğer seslerinin sınıflandırılması için derin öğrenmeye dayanan bir yöntem önerilmiştir. Bu amaç doğrultusunda Konvolüsyonel Sinir Ağı (KSA) tasarlanmıştır. Farklı yöntemlerin etkinliğini değerlendirmek deneyler literatürde kullanılan popüler veri set ile yapılmıştır. Bu veri seti dört sınıftan oluşan ICBHI 2017’ dir. Ortalama olarak %64,5 doğruluk elde edilmiştir. Deneysel sonuçlar, tasarlanan mimarinin akciğer seslerini sınıflandırma görevinde etkin bir şekilde kullanılabileceğini göstermektedir. Ayrıca önerilen yöntemden elde edilen sonuçlar literatürde ki son yöntemlerle karşılaştırıldığında sınıflandırma başarısı bakımından daha iyi performans gösterdiği görülmektedir.

🔖

Cite This Article

ER, M. B. (2022). Akciğer Seslerinin Derin Öğrenme İle Sınıflandırılması. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, Cilt: 8 - Sayı: 4, 830–844. https://ajindex.com/articles/521919

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (12)

  1. S. Lehrer, Understanding lung sounds. Steven Lehrer, 2018
  2. S. İçer and Ş. Gengeç, “Classification and analysis of non-stationary characteristics of crackle and rhonchus lung adventitious sounds,” Digit. Signal Process., vol. 28, pp. 18–27, 2014, doi: 10.1016/j.dsp.2014.02.001
  3. R. Naves, B. H. G. Barbosa, and D. D. Ferreira, “Classification of lung sounds using higher-order statistics: A divide-and-conquer approach,” Comput. Methods Programs Biomed., vol. 129, pp. 12–20, 2016, doi: 10.1016/j.cmpb.2016.02.013
  4. G.-C. Chang and Y.-P. Cheng, “Investigation of noise effect on lung sound recognition,” 2008 International Conference on Machine Learning and Cybernetics. IEEE, 2008, doi: 10.1109/icmlc.2008.4620605
  5. S. Reichert, R. Gass, C. Brandt, and E. Andrès, “Analysis of respiratory sounds: state of the art,” Clin. Med. Circ. Respirat. Pulm. Med., vol. 2, pp. 45–58, May 2008, doi: 10.4137/ccrpm.s530
  6. A. Kandaswamy, C. S. Kumar, R. P. Ramanathan, S. Jayaraman, and N. Malmurugan, “Neural classification of lung sounds using wavelet coefficients,” Comput. Biol. Med., vol. 34, no. 6, pp. 523–537, 2004, doi:
  7. S. ULUKAYA, G. SERBES, İ. ŞEN, and Y. P. KAHYA, “Akciğer Solunum Seslerinin Spektral Öznitelikler ile Sınıflandırılması,” Süleyman Demirel Üniversitesi Fen Bilim. Enstitüsü Derg., vol. 22, no. 2, p. 711, 2017, doi: 10.19113/sdufbed.84471
  8. A. Sovijärvi et al., “Characteristic of breath sounds and adventitious respiratory sounds,” Charact. Breath Sounds Adventitious Respir. Sounds, vol. 10, pp. 591–596, Jan. 2000
  9. G. Serbes, C. O. Sakar, Y. P. Kahya, and N. Aydin, “Pulmonary crackle detection using time–frequency and time–scale analysis,” Digit. Signal Process., vol. 23, no. 3, pp. 1012–1021, 2013, doi:
  10. F. Jin, F. Sattar, and D. Y. T. Goh, “New approaches for spectro-temporal feature extraction with applications to respiratory sound classification,” Neurocomputing, vol. 123, pp. 362–371, 2014, doi: 10.1016/j.neucom.2013.07.033
  11. M. Bahoura, “Pattern recognition methods applied to respiratory sounds classification into normal and wheeze classes.,” Comput. Biol. Med., vol. 39, no. 9, pp. 824–843, Sep. 2009, doi: 10.1016/j.compbiomed.2009.06.011
  12. A. D. Orjuela-Cañón, D. F. Gómez-Cajas, and R. Jiménez-Moreno, “Artificial Neural Networks for Acoustic Lung Signals Classification,” Advanced Information Systems Engineering. Springer Berl