Time-frequency and time-scale analysis, decomposition and classification of adventitious pulmonary sounds

Abstract

Akciğer hastalıkları, yaşam kalitesini etkiler ve hastaları yaşamları boyunca rahatsız eder. Geleneksel stetoskobun bazı dezavantajlarından dolayı bilgisayarlı solunum sesi analizi ihtiyaç haline gelmiştir. Bu tezde, akciğer hastalıklarının birincil göstergelerini (çıtırtı ve üfürüm) çeşitli makina öğrenme algoritmaları ile ayrıştırmak, saptamak ve sınıflandırmak için, yeni diyadik olmayan tamamlanmış dalgacık dönüşümü tabanlı yöntemler önerilmiştir. Çıtırtı (patlayıcı ve kesikli), üfürüm (müzikal ve sürekli) ve normal akciğer sesleri, Kesirli Genişleyen Dalgacık Dönüşümü tabanlı öznitelikler kullanılarak sınıflandırılmış ve literatürde ilgili çalışmalarla karşılaştırılmıştır. Önerilen yöntemin rakiplerinden daha başarılı ve hızlı olduğu gösterilmiştir. Dahası, bir topluluk öğrenme şemasında, ilgili sinyalin eniyilenmiş gösterimlerinin önerilen yöntemi kullanarak gerçekleştirilebileceği gösterilmiştir. Uyarlanabilir Q-faktörlü Dalgacık Dönüşümü ve Morfolojik Bileşen Analizi teknikleri kullanılarak rezonansa dayalı ayrıştırma, akciğer ekseslerinin ayrıştırılması ve çıtırtıların başarıyla lokalize edilmesi için önerilmiştir. Önerilen yöntem, akciğer ekses ayrıştırma üzerine ilgili çalışmalarla karşılaştırılmış ve kök ortalama karesi hatası, çıtırtı lokalizasyon doğruluğu ve görsel doğrulama açısından diğer yöntemlerden daha iyi performans göstermiştir. Üfürüm tipi sınıflandırmadaki sınıfiçi problem, diyadik olmayan dalgacık tabanlı özellikler ve uyarlamalı tepe enerji oranı metriği kullanılarak araştırılmıştır. Dalgacık dönüşümünde sabit parametreli kurulum veya sabit zaman-frekans (ZF) tabanlı özniteliklerin kullanılması durumunda, eniyilenmiş gösterim ve yüksek performans elde edilemediği gösterilmiştir. Yapılan yoğun deneyler sonucunda, önerilen yeni dalgacık tabanlı yöntemler kullanılarak, eniyilenmiş ve daha iyi ZF ve zaman ölçekli gösterim elde edilebileceği gösterildi.

Pulmonary diseases affect the quality of life and disturb the patients throughout their life. Due to some disadvantages of auscultation with a traditional stethoscope, computerized lung sound analysis has become a necessity. In this thesis, novel non-dyadic overcomplete wavelet based methods are proposed to decompose, detect and classify primary indicators (crackle and wheeze) of pulmonary diseases using various machine learning algorithms. Crackle (explosive and discontinuous), wheeze (musical and continuous) and normal lung sounds are classified using Rational Dilation Wavelet Transform based extracted features and compared with related works. It is shown that the proposed method is more successful and faster than its competitors. Moreover, in an ensemble learning scheme it is shown that the optimal representations of signal of interest can be achieved employing the proposed method. Resonance based decomposition using Tunable Q-factor Wavelet Transform and Morphological Component Analysis techniques are proposed to decompose adventitious lung sounds and to localize crackles successfully. The proposed method is compared with related works on adventitious lung sound decomposition and is shown to perform better than other methods in terms of root mean square error, crackle localization accuracy and visual validation. Within class problem in wheeze type classification is explored using non-dyadic wavelet based features and adaptive peak energy ratio metric. It is shown that either using fixed parameter settings in wavelet transform or fixed time-frequency (TF) based features, the optimum representation and high performance can not be achieved. After repetitive experiments, it is shown that by using the proposed novel wavelet based methods, optimum and better TF and time-scale representation can be achieved.