Методи машинного навчання для дослідження сигналівзвуківлегенів

Основний зміст сторінки статті

Anna Serhiivna Poreva
Valentyn Ihorovych Vaityshyn
Yevgeniy Serhiiovych Karplyuk

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.

Блок інформації про статтю

Як цитувати
[1]
A. S. Poreva, V. I. Vaityshyn, і Y. S. Karplyuk, «Методи машинного навчання для дослідження сигналівзвуківлегенів», Мікросист., Електрон. та Акуст., т. 22, вип. 6, с. 41–47, Груд 2017.
Розділ
Біомедичні прилади та системи
Біографії авторів

Anna Serhiivna Poreva, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»

Старший викладач,  кафедра Електронної інженерії, факультет електроніки

Valentyn Ihorovych Vaityshyn, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»

Студент,  кафедра Електронної інженерії, факультет електроніки

Yevgeniy Serhiiovych Karplyuk, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»

Доцент,  кафедра Електронної інженерії, факультет електроніки

Посилання

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

“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/.

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.

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

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

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

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

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

“Mashinnoe obychenie [Machine Learning].” [Online]. Available: http://www.machinelearning.ru/wiki/index.php?title=Machine_Learning.

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

V. N. Vapnik, Vosstanovlenie zavisimostej po empiricheskim dannim [Recovery of dependencies according to empirical data]. Moskow, USSR: Nauka, 1979.

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.

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

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

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

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

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

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