Tez Arşivi

Tez aramanızı kolaylaştıracak arama motoru. Yazar, danışman, başlık ve özete göre tezleri arayabilirsiniz.


Boğaziçi Üniversitesi / Fen Bilimleri Enstitüsü

Classification of respiratory sounds using autoregressive and crackle parameters

Solunum seslerinin özbağlanım ve çıtırtı parametreleri kullanılarak sınıflandırılması

Teze Git (tez.yok.gov.tr)

Bu tezin tam metni bu sitede bulunmamaktadır. Teze erişmek için tıklayın. Eğer tez bulunamazsa, YÖK Tez Merkezi tarama bölümünde 139354 tez numarasıyla arayabilirsiniz.

Özet:

IV ABSTRACT CLASSIFICATION OF RESPIRATORY SOUNDS USING AR AND CRACKLE PARAMETERS The objective of this thesis was to observe whether there would be any improvement in different classification algorithms if crackle parameters were included in the feature vector which consists of autoregressive parameters. Since crackles are short duration events, they have negligable bearing on the frequency spectrum and consequently are not well represented by autoregressive parameters. However they contain significant information regarding the pathology of the lung. By including them in the feature vector, their information content is utilized in classification. Breath sound recordings were obtained from subjects in Cerrahpaşa Medical School, Istanbul University, Istanbul. The sound signals were recorded simultaneously from left and right basilars of the chest. From each subject's breath sound recording, one inspiration and one expiration cycle were chosen to represent the subject. Each cycle was divided into 30 segments to meet the stationarity requirements. Then the autoregressive (AR) parameters of each segment were calculated using Yule-Walker method. Crackles extracted from lung sounds recorded from pathological subjects, were represented using crackle parameters, initial deflection width (IDW) and two cycle duration (2CD). Also the percentages of the air volume at the time of occurrance of the crackles were calculated. The AR parameters, volume data and crackle parameters were combined in a feature vector in order to represent each segment in classification process. Two types of classifiers were used: Artificial Neural Networks (ANN), and k- Nearest Neighborhood (k-NN) Classifier. Considerable improvements in classifications results were observed in all classifiers with inclusions of crackle parameters.

Summary:

ÖZET SOLUNUM SESLERİNİN ÖZBAĞLANIM VE ÇITIRTI PARAMETRELERİ KULLANILARAK SINIFLANDIRILMASI Bu tezin amacı, özbağlanım parametrelerinden oluşan özellik vektörüne çıtırtı parametreleri eklendiğinde değişik sınıflandırma algoritmalarının performansında herhangi bir iyileşme olup olmayacağım gözlemlemektir. Çıtırtılar kısa süreli olaylar olduğu için frekans spektrumuna etkileri önemsenmeyecek kadar azdır ve özbağlanım parametreleri ile temsil edilemezler. Oysa ki akciğerin hastalığı hakkında önemli bilgiler içermektedirler. Çıtırtı parametreleri özellik vektörüne eklenerek, çıtırtıların sahip oldukları bilgi sınıflandırma işleminde değerlendirilmektedir. Solunum ses kayıtlan İstanbul'daki Cerrahpaşa Tıp Fakültesi 'nden alınmıştır. Ses sinyalleri aynı anda göğsün sağ ve sol alt bölgelerinden kaydedilmiştir. Her deneğin ses kaydından, onu temsil edecek birer adet nefes alış ve nefes veriş evresi seçilmiştir. Durağanlık şartını sağlamak için her evre 30 bölüte ayrılmış, sonra Yule- Walker Metodu kullanılarak özbağlanım parametreleri hesaplanmıştır. Ayrıksı bireylerin akciğer seslerinden çıkarılan çıtırtılar başlangıç saptırma genişliği (IDW) ve iki çevrim süresi (2CD) çıtırtı parametreleri ile temsil edilmiştir. Aynı zamanda çıtırtıların görüldüğü andaki alınan veya verilen havanın hacim yüzdesi de hesaplanmış ve üçüncü parametre olarak kullanılmıştır. Özbağlanım ve çıtırtı parametreleri ile hacim bilgisi biraraya getirilerek her bölütü sınıflandırma işleminde temsil edecek özellik vektörü oluşturulmuştur. Sınıflandırma metodu olarak iki adet metod uygulanmıştır: Yapay Sinir Ağlan ve k-yakm komşuluk. Çıtırtı parametrelerinin eklenmesiyle tüm sınıflandıncılann sonuçlannda önemli gelişmeler gözlenmeştir.