Normal ile Ral/Ronküs Patolojilerini İçeren Solunum Seslerinin Sınıflandırılması

Creative Commons License

Cinyol F., Baysal U., Gelir E., Babaoğlu E., Sarınç Ulaşlı S., Köksal D.

SIU 2020 28.IEEE Sinyal İşleme ve İletişim Uygulamaları Kurultayı, Gaziantep, Türkiye, 5 - 07 Ekim 2020, ss.1-4

  • Yayın Türü: Bildiri / Tam Metin Bildiri
  • Basıldığı Şehir: Gaziantep
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.1-4
  • Hacettepe Üniversitesi Adresli: Evet

Özet

Göğüs hastalıklarının teşhisinde, oskültasyon ile uzman tarafından yapılan teşhis sırasında bilgisayarlı
karar destek sistemleri ile yapılan sınıflandırma başarısı gün geçtikçe artmaktadır. Bu çalışmada, rutin
klinik protokollere uygun olarak 15 saniye süresince elektronik stetoskop ile toplanan, 4kHz ile
örneklenmiş toplam 287 adet (105 adet Normal, 115 adet Ral ve 67 adet Ronküs sesi) solunum
sesi verisi kullanılmıştır ve başka hasta verisi kullanılmamıştır. Bu seslerin hem Spektrogram
görüntüleri elde edilerek hem de direk ses bilgisi Evrişimsel Sinir Ağı’ na (ESA) giriş olarak verilerek
sınıflandırılması gerçekleştirilmiştir. Eğitim (training) kümesi 227 adet, test kümesi de 60 adet olarak
belirlenmiş ve çalışma sonrasında sınıflandırma başarısı sırasıyla %80 ve %76.66 olarak
gerçekleşmiştir. ESA’ nın solunum seslerinde kullanılmasında %80’ lik sınıflandırma başarısıyla klinik
verilerle Spektrogram görüntülerinin daha iyi sonuç verdiği gösterilmiş olup en yüksek başarı oranının
üç Katmanlı ESA mimarisi ile sağlandığı da gösterilmiştir.

In the diagnosis of chest diseases, the success of classification with computerized decision assistance
systems during auscultation and diagnosis by the specialist is increasing day by day. In this study, 287
respiratory sounds (105, 115 Rale and 67 Rhonchi) sampled at 4kHz, collected by electronic
stethoscope for 15 seconds in accordance with routine clinical protocols, were used and no further
patient data were used. Classification of these sounds was obtained by acquiring Spectrogram images
as well as direct sound information as an introduction to the Convolutional Neural Network (CNN).The
training set was determined as 227 and the test set as 60, and the success of classification after the
study was 80% and 76.66 %, respectively. With 80% classification success in the use of CNN in
respiratory sounds, spectrogram images have been shown to give better results, and the highest
success rate has also been shown to be achieved with three layer CNN architecture.