Classification of lung sounds using wavelet-based neural networks

Abstract

SOLUNUM SESLERİNİN DALGACIK TABANLI SINIR AĞLARI İLE SINIFLANDIRILMASI ÖZET Geçen yüzyılın ikinci yansında, bilgisayar tabanlı sistemler tıbbın farklı alanlarında hastalık tanısında yaygın halde kullanılmıştır. Benzer çalışmalar, akciğer sesine dayanan tanıların da güvenilirliğini artırmaya yönelik olarak yapılmaya başlanmıştır. Bu çalışmada, iki tip sınırlandırıcı kullanılmıştır. Bunlar dalgacık tabanlı sinir ağlan ve yapay sinir ağlandır (YSA). Bu sınıflandırıcıların sağlıklı ve iki farklı sınıf patolojik akciğer seslerini sınılandırmadaki başarımları karşılaştırılmıştır. Bu sesler, hava akışıyla eşzamanlı olarak, sırtın iki tarafına yerleştirilen mikrofonlar kullanılarak alınmıştır. Sınıflandırıcıların girdileri 'çift-tek ayırımı' ve 'birini-dışarıda-bırakma' yöntemleri kullanılarak düzenlenmiştir. İçsoluma ve dışsoluma evrelerine ait akciğer sesleri %25 örtüşme ile otuz bölüte ayrılmıştır. Dalgacık tabanlı sinir ağlarında, bu bölütlere ait sinyaller dalgacık dönüşümüyle sıklık uzayında beş seviyeye ayrıştırılmış ve her seviye için yeniden yapılandırılan sinyaller özbağlanım kaysayılarıyla ifade edilmiştir. Bu katsayılarla birlikte solunum döngüsünün alt evrelerinin (erken-orta-geç) ifadesi olan hacim katsayıları sınıflandırıcıda girdi olarak kullanılmıştır. Her oktava ait sinir ağının çıktısı, sınıflandırıcının sıklık aralıklarındaki başarımını ölçmek için biraraya getirilmiştir. YSA'da ise, bölütlere ait sinyallerden elde edilen özbağlanım katsayılarıyla beraber hacim sabiti, sınıflandırıcının girdilerini oluşturmuştur. Sınıflandırıcı solunum döngüsünün iki evresine de uygulanmıştır. Sınıflandırıcının bu evrelere ait başarımları karşılaştırıldığında, dışsoluma seslerinin tamda kullanılmasının daha uygun olduğunu görülmüştür. Anahtar sözcükler: Akciğer sesleri, yapay sinir ağlan, dalgacık tabanlı sinir ağlan, çoklu çözünürlük analizi.

IV CLASSIFICATION OF LUNG SOUNDS USING WAVELET-BASED NEURAL NETWORKS ABSTRACT Computer-based systems for diagnosing diseases have been widely used in various areas of medicine in the last decades and similar studies have been performed to parameterize and increase the reliability of lung-sound based diagnosis by using computational techniques. In this study, two types of classifiers, namely wavelet-based neural network and conventional artificial neural network (ANN), are used and compared for the classification of healthy and two-class pathological lung sounds which are acquired using two microphones on the chest wall along with the air-flow signal. The inputs of classifiers are organized using two different methods, 'even-odd partitioning' and 'leave-one-out'. The lung sound signals belonging to inspiratory or expiratory phases are divided into thirty segments with 25% overlapping. In wavelet-based classifiers, the signals belonging to segments are decomposed to five levels using wavelet transforms and the reconstructed signal at each level is represented by AR parameters at the input of the network along with a volume constant indicating the sub-phases (early, mid, and late) of the respiratory cycle. The outputs of five networks belonging to five octaves are later combined to determine the performance of the classifier with respect to the frequency intervals used. For the ANN, the AR parameters obtained from the segments and the volume constant are used as inputs for the network. The classifiers operate on the respiration phases separately and a comparison between the results of the two phases indicates that expiration is more useful in diagnosis. Keywords: Lung sounds, artificial neural networks, wavelet-based neural networks, multiresolution analysis.