Wyniki wyszukiwania - BazTech

1

Machine learning in lung sound analysis: a systematic review

Palaniappan R., Sundaraj K., Ahamed N. U.

Biocybernetics and Biomedical Engineering

|

2013

|

Vol. 33, no. 3

129--135

EN

Machine learning has proven to be an effective technique in recent years and machine learning algorithms have been successfully used in a large number of applications. The development of computerized lung sound analysis has attracted many researchers in recent years, which has led to the implementation of machine learning algorithms for the diagnosis of lung sound. This paper highlights the importance of machine learning in computer-based lung sound analysis. Articles on computer-based lung sound analysis using machine learning techniques were identified through searches of electronic resources, such as the IEEE, Springer, Elsevier, PubMed and ACM digital library databases. A brief description of the types of lung sounds and their characteristics is provided. In this review, we examined specific lung sounds/disorders, the number of subjects, the signal processing and classification methods and the outcome of the analyses of lung sounds using machine learning methods that have been performed by previous researchers. A brief description on the previous works is thus included. In conclusion, the review provides recommendations for further improvements.

2

Analiza i modelowanie sygnałów osłuchu płuc

Wiśniewski M., Zieliński T.

Pomiary Automatyka Kontrola

|

2012

|

R. 58, nr 4

383-386

PL

Artykuł dotyczy problematyki modelowania sygnałów pozyskanych podczas osłuchu płuc. Oprócz modelu normalnego oddechu zdrowego pacjenta, przedstawiono opracowany model świstów astmatycznych, jednego z najpopularniejszych objawów zaburzenia oddychania. Biorąc pod uwagę fakt, że świsty osadzone są na tle normalnego oddechu, w artykule przedstawiono metodykę wyliczania poprawnego stosunku sygnałów tonalnych świstu do sygnału normalnego oddechu. Przeprowadzono również analizę przedziałów częstotliwości tonów występujących w świstach rzeczywistych.

EN

The paper addresses a problem of modelling lung sounds. Apart from typical human breath of a healthy person, the model of asthma wheeze, one of the most often breathing disorders, is presented. Since wheezes are embedded in normal human breath, the methodology of signal-to noise (wheeze-to-breath) ratio calculation is discussed in the paper. The frequency range of wheezes present in real recordings is investigated in this work, too. Section 2 specifies signals that are obtained during the chest auscultation. In Section 3 feature identification and signal modelling of normal lung sounds are made. In this section the distribution of signal samples and the mean signal spectrum are shown in the figures. Section 4 describes identification of real signal features and modelling of wheezes. This section presents histograms of SNR (Signal to Noise Ratio or Wheeze-to-Breath Ratio), number of tones in wheezes and tone frequencies for real signals and generated tonalities. The model verification results obtained with use of tonality detection algorithms are given in Section 6. The short conclusions and a list of references are at the end of the paper.

3

Wheezes recognition method with tonal index descriptor

Wiśniewski M., Zieliński T.

Elektronika : konstrukcje, technologie, zastosowania

|

2012

|

Vol. 53, nr 5

17-21

EN

In the paper a new wheezes detection method in lung auscultation is presented. The lungs auscultation is a non invasive test in asthma diagnose. On the basis of such tests, the medical doctors can evaluate preciselythe stage of the disease. The proposed method uses Tonal Index (TI), the descriptor taken from the MPEG-4 standard, adapted to the wheezes recognition problem. The SVM (Support Vector Machine) classifier was used. In the article TI is compared with the other features taken from literature: Kurtosis, Frequency Ratio, Spectral Peaks Entropy, Spectral Flatness and the modified Frequency Ratio called Energy Ratio (ER). The results of multi dimensional recognition using sets of a few features is presented also. The recognition process was carried out on artificial and real data.

PL

W artykule przedstawiono metodę do automatycznej detekcji świstów podczas osłuchu płuc. Osłuch klatki piersiowej to jedno z najstarszych, a zarazem bezinwazyjnych badań stosowanych w wielu chorobach płuc, m.in. w astmie. Na bazie tego badania lekarz może dokładnie ocenić postęp choroby pacjenta. Metoda jest oparta na Indeksie Tonalności, deskryptorze zaczerpniętym ze standardu MPEG-4, przystosowanym przez autorów do detekcji świstów. Do rozpoznawania użyto klasyfikatora SVM (Support Vector Machine). W artykule, Indeks Tonalności jest porównany z dotychczas stosowanymi deskryptorami, zaczerpniętymi z literatury: kurtozą, współczynnikiem częstotliwościowym, płaskością widmową oraz entropią maksimów częstotliwościowych. Dodatkowo przetestowano zmodyfikowany deskryptor współczynnika częstotliwościowego nazwanego współczynnikiem energii. Artykuł przedstawia również porównanie skuteczności wykrywania świstów przy użyciu zestawów kilku cech. Proces rozpoznawania wykonano na sygnałach rzeczywistych oraz zamodelowanych.