Airflow estimation from respiratory sounds

Abstract

Bu çalışmanın amacı soluk akış hızını ve yönünü sırttan alınan solunum seslerinikullanarak tahmin etmektir. Soluk akış hızının mutlak değerini tahmin etmek içinzamanla değişen özbağlanımlı (ZDÖB) model katsayıları kullanılmıştır. ZDÖB modelkatsayıları üç farklı yöntem ile hesaplanmıştır: kayan pencereler, doğuray vektörlerile modelleme, Kalman süzgeci ile modelleme. Sıklık bantlarındaki genliğin zamandadeğişimi de soluk akış hızının kestirimi olarak kullanılmıştır. Wiener süzgeci yaklaşımıfarklı kestirimlerin kaynaşımı için kullanılmıştır. Mutlak akış hızı için 0.75, akış hızıiçin 0.72 ilinti katsayılarına ulaşılmıştır. Bu çalışmanın ikinci kısmında soluk evreleriyapay sinir ağları ve akış hızı kestirimi kullanılarak kestirilmiştir. ZDÖB model kat-sayıları, Shannon entropi kestirimi, yüzdelik frekanslar, değişinti, spektral genlik vekurtosis yapay sinir ağının girdisi olarak kullanılmıştır. Bu özelliklerin farklı evreleriçin dağılımları arasındaki Kullback-Leibler ıraksaklıkları sunulmuştur. Akış hızı ke-stiriminden evre kestirilmesi için yerel en küçükleri ve geçiş noktaları bulmak içinbuluşsal yöntemler sunulmuştur. Yapay sinir ağları ile kestirimde geçiş noktalarındansapma soluk verme evresinden alma evresine ve alma evresinden verme evresine geçiştesırasıyla 97 ve 83 milisaniye (tam bir soluk alış veriş döngüsünün %3 ve %2.6'sı) olarakhesaplanmıştır. Bu değerler, buluşsal yöntemler ile akış hızı kestirimi kullanılmasıdurumunda 120 (%3.8) ve 131 (%4.1) milisaniye olarak hesaplanmıştır.

The aim of this study is estimate the respiratory airflow and phases from therespiratory sounds recorded at the chest wall. In order to estimate the absolute airflowcurve, time varying autoregressive (TVAR) model coefficients are used. TVAR coeffi-cients are calculated with three approaches: windowing based autoregressive modeling,TVAR modeling with basis functions, TVAR modeling with Kalman filter. Then evolu-tion in magnitudes of spectral band is used as an estimation of airflow curve. A Wienerfilter approach is presented for fusion of different features to estimate the airflow curve.Average of correlation coefficients up to 0.75 for absolute airflow and 0.72 for airfloware achieved. In the second part of this thesis, respiratory phases are estimated usinga neural network and the estimated absolute airflow curve. TVAR coefficients, Shan-non entropy estimate, percentile frequencies, variance, spectral magnitude and kurtosisare used as inputs. Distributions of these features for different phases and KullbackLeibler divergence of these distributions are presented. For phase estimation from es-timated airflow, heuristic methods are used for local minima extraction and selectionof the transition points. 97 and 83 milliseconds (3% and 2.6% of average full cycle)of average deviation from true transition point are achieved with neural networks forinspiration to expiration and expiration to inspiration transitions respectively. 120 and131 milliseconds (3.8% and 4.1% of average full cycle) of average deviation from truetransition point are achieved with heuristic methods for inspiration to expiration andexpiration to inspiration transitions, respectively.