Перейти до вмісту
Мікросистеми, Електроніка та Акустика
ISSN 2523-4447 · e‑ISSN 2523-4455 Відкритий доступ · CC BY-SA 4.0
Т. 22 · № 6 · 2017 гру 29, 2017 Біомедичні прилади та системи

Методи машинного навчання для дослідження сигналівзвуківлегенів

AP
Anna Serhiivna Poreva Відповідальний Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Україна
VV
Valentyn Ihorovych Vaityshyn Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Україна
YK
Yevgeniy Serhiiovych Karplyuk Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Україна
Сторінки41-47 Опублікованогру 29, 2017
PDF
ТОМ 22 · № 6 · 2017 Переглянути випуск

Анотація

В статті розглянуто основні методи машинного навчання з метою застосування їх до задачі класифікації звуків легень. На основі бази звуків легень було отримано ряд параметрів сигналів. Завданням дослідження було провести класифікацію звуків за допомогою п'яти різних методів машинного навчання, а також визначити з ряду параметрів сигналів ті, які дають в кінцевому рахунку найвищу точність. Таким чином було знайдено сім найбільш діагностично цінних властивостей звуків дихання та виявлено, що два методи машинного навчання - метод опорних векторів і метод дерева прийняття рішень - показали найкращі результати. Таким чином, дана методика класифікації може служити як допоміжний інструмент для лікаря-пульмонолога в постановці діагнозу. Бібл. 18, табл. 5.

Ключові слова

#звуки легень #машинне навчання #класифікатор #метод опорних векторів #метод дерева прийняття рішень

Посилання

  1. T. Kaur and E. N. Gupta, “Classification of Lung Diseases Using Optimization Techniques,” Int. J. Sci. Res. Dev., vol. 3, no. 8, pp. 852–854, Nov. 2015. URL: http://ijsrd.com/Article.php?manuscript=IJSRDV3I80412
  2. “Vsemirnaja organizacija zdravoohraneniya. 10 vedyshih smertej v mire [World Health Organization. 10 leading deaths in the world.],” WHO, 2017. [Online]. Available: http://www.who.int/mediacentre/factsheets/fs310/ru/ .
  3. A. A. Grinchenko, V. T. Makarenkov, A. P. Makarenkova, “Kompjuternaya auskultaciya - novij metod objektivizacii harakterictik zvykov dihaniya [Computer auscultation is a new method of objectifying the lung sounds characteristics],” Klin. Inform. i telemeditsina, vol. 6, no. 7, pp. 31–36, 2010.
  4. A. Jones, “A Brief Overview of the Analysis of Lung Sounds,” Physiotherapy, vol. 81, no. 1, pp. 37–42, Jan. 1995. DOI: 10.1016/S0031-9406(05)67034-4
  5. R. L. H. Murphy et al., “Automated lung sound analysis in patients with pneumonia.,” Respir. Care, vol. 49, no. 12, pp. 1490–7, Dec. 2004. PMID: 15571639
  6. D. Emmanouilidou, K. Patil, J. West, and M. Elhilali, “A multiresolution analysis for detection of abnormal lung sounds,” in 2012 Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2012, pp. 3139–3142. DOI: 10.1109/EMBC.2012.6346630
  7. S. Ulukaya, G. Serbes, I. Sen, and Y. P. Kahya, “A lung sound classification system based on the rational dilation wavelet transform,” in 2016 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 2016, pp. 3745–3748. DOI: 10.1109/EMBC.2016.7591542
  8. E. Shams, D. Karimi, and Z. Moussavi, “Bispectral analysis of tracheal breath sounds for Obstructive Sleep Apnea,” in 2012 Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2012, pp. 37–40. DOI: 10.1109/EMBC.2012.6345865
  9. “Mashinnoe obychenie [Machine Learning].” [Online]. Available: http://www.machinelearning.ru/wiki/index.php?title=Machine_Learning .
  10. T. Hastie, R. Tibshirani, and J. H. Friedman, The elements of statistical learning : data mining, inference, and prediction, Second. New York, NY, USA: Springer, 2009. ISBN: 978-0387848570
  11. V. N. Vapnik, Vosstanovlenie zavisimostej po empiricheskim dannim [Recovery of dependencies according to empirical data]. Moskow, USSR: Nauka, 1979.
  12. S. A. Ajvazyan, V. M. Byhshtaber, I. S. Jenyukov, and L. D. Meshalkin, Prikladnaya ststistika: klassifikasiya i snizheniye razmernosti [Applied statistics: classification and dimension reduction]. Moskow, USSR: Finansi a statistika, 1989.
  13. U. I. Zhyravlev, V. V. Ryazanov, and O. V. Senko, Raspoznavaniye. Matematicheskie metody. Programmnaya sistema. Prakticheskie primeneniya [Recognition. Mathematical methods Software system. Practical applications]. Moskow, Russia: Fazis, 2006. ISBN: 5-7036-0108-8
  14. D. M. W. Powers, “Evaluation: From Precision, Recall and F-Measure to ROC, Informedness, Markedness & Correlation,” J. Mach. Learn. Technol., vol. 2, no. 1, pp. 37–63, 2011. URL: https://www.bioinfopublication.org/viewhtml.php?artid=BIA0001114
  15. T. Fawcett, “An introduction to ROC analysis,” Pattern Recognit. Lett., vol. 27, no. 8, pp. 861–874, Jun. 2006. DOI: 10.1016/j.patrec.2005.10.010
  16. A. S. Poreva, A. A. Makarenkova, Y. S. Karplyuk, and A. A. Goncharenko, “Primeneniye polispectral’nogo analiza dlya opredeleniya diagnosticheskih priznakov v zvykah dihanija bol’nih HOBL [The using of polyspectral analysis for determining diagnostic signs in the lung sounds in COPD patients],” Visn. Nac. Teh. Univ. “KhPI,” no. 36, pp. 49–55, 2014. URI: http://repository.kpi.kharkov.ua/handle/KhPI-Press/9386
  17. A. Poreva, Y. Karplyuk, A. Makarenkova, and A. Makarenkov, “Detection of COPD’s diagnostic signs based on polyspectral lung sounds analysis of respiratory phases,” in 2015 IEEE 35th International Conference on Electronics and Nanotechnology (ELNANO), 2015, pp. 351–355. DOI: 10.1109/ELNANO.2015.7146908
  18. H. S. Porieva and D. Honcharova, “Doslidzhennia roboty klasyfikatoriv dlia optymizatsii postanovky diahnoziv bronkholehenevykh zakhvoriuvan [Research of classifiers’ work to optimize diagnoses bronchopulmonary diseases],” Electron. Commun., vol. 21, no. 4, pp. 44–48, Nov. 2016. DOI: 10.20535/2312-1807.2016.21.4.81930
§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.
Усі випуски

Безконтактний моніторинг параметрів вентиляційної функції легень за допомогою методу оптичного потоку

Oleh Kostiantynovych Bodilovskyi

В статті запропоновано метод, що дозволяє отримати розширений набір параметрів вентиляційної функції легень при безконтактному моніторингу за допомогою відеокамери…

#параметри дихання #оптичний потік #тривалість вдиху #тривалість видиху
с. 35-40
10.20535/2523-4455.2017.22.6.105527

Стабілізація якості термограм шляхом усунення терморозфокусування

Vladyslav Valentynovych Shlykov, Valentyna Anatoliivna Danilova, Olena Oleksandrivna Nazarchuk

В даній статті розглянуто проблему розфокусування об’єктива термографа під дією впливу температури навколишнього середовища. Запропоновано усунення даної проблеми…

#термограф #об’єктив #терморозфокусування #пасивна атермалізація
с. 34-39
10.20535/2523-4455.2017.22.5.96287

Квазістатична ідентифікація структури затінення сонячних панелей за методом векторів кардинальних чисел

PhD, доц. Олена Олегівна Абакумова, д-р техн. наук, проф. Валерій Якович Жуйков, Микола О. Лук'янов

У статті розглянуто проблему ідентифікації структури затінення сонячних панелей. Актуальність дослідження зумовлена необхідністю швидкої та адекватної реконфігурації…

#Сонячні панелі #Фотоелектрична поверхня #Моделювання структури тіней #Квазістатична ідентифікація
с. 362283.1-362283.7
10.20535/2523-4455.mea.362283

Схожі статті

1-10 з 65

Ви також можете розпочати розширений пошук схожих статей для цієї статті.