Multivariate modeling and diagnostic classification of pulmonary sounds

Abstract

Bilgisayarlı solunum sesleri analizi, stetoskop ile dinlemenin aksine nicel ve nesnel değerlendirme imkanı sunması ile, son bir kaç onyılda öne çıkmıştır. Çok değişkenli yöntemler, çok kanallı ölçümlerin barındırdığı uzamsal bilgiyi açığa çıkararak, akciğerlerde gelişmiş patolojik koşullardan dolayı değişen sistem özelliklerini araştırmaya olanak sağlar. Bu çalışmada, çok değişkenli matematiksel bir model olan vektör öz-bağlanımlı (VÖB) model ele alınmış, solunum ses verisini ifade eden eniyi VÖB model, veri ve uygulama için özel olarak önerilen yeni başarım kriterleri kullanılarak araştırılmıştır. Kestirilen model parametreleri, klinik ortamlar için tanıya yönelik bir sınıflandırıcı geliştirme nihai amacı ile, $k$-en yakın komşu ($k$-EYK) algoritması, destek vektör makineleri (DVM) ve Gauss karışım modelleri (GKM) kullanılarak sınıflandırılmıştır. En işe yarar sınıflandırıcıyı tasarlamak amacı ile farklı veri kümeleri üzerinde çeşitli sınıflandırıcı tasarımları denenmiştir. Sağlıklı ve hasta gruplar başarılı bir şekilde ayrışmaktadır. Sağlıklı grubu ve tıkayıcı ve sınırlayıcı hastalık tiplerini içeren durumların sınıflandırılmasında hiyerarşik bir yapı önerilmiştir. Genel olarak, sağlıklı ve sınırlayıcı gruplar tıkayıcı gruptan daha başarılı şekilde ayrışmaktadır. GKM genel olarak tüm sınıflandırıcılar içinde en yetkini olmakla birlikte, belirli öznitelik düzenlemeleri için DVM de başarılıdır. Tanısal sınıflandırıcının klinik ortama uygun hale gelecek şekilde geliştirilmesi problemi halen, özellikle tıkayıcı hastalıkların karıştırılmasını önleyecek şekilde ayırdedici özellikleri daha da vurgulayan ek öznitelikler ile, araştırılmaya açıktır.

Computerized pulmonary sounds analysis has become prevalent in the recent decades as it provides means for quantitative and objective evaluation, contrary to the limited and subjective nature of stethoscope auscultation. Multi-variate methods disclose the inherent spatial information in the multi-channel measurements and enable to explore the system characteristics altered due to pathological conditions that have developed in the lungs. In this study, a multi-variate mathematical model, namely, vector auto-regressive (VAR) model, has been considered, and the optimal VAR model to represent the pulmonary sounds data is pursued through new goodness of fit criteria proposed specifically for the data and the application. The estimated model parameters are employed in classification using the $k$-nearest neighbor ($k$-NN), support vector machine (SVM), and Gaussian mixture model (GMM) classifiers, with an eventual aim to develop a diagnostic classifier for clinical setups. Various classifier schemes are experimented with different data sets in the quest for the most useful classifier design. The healthy and the pathological groups are discriminated successfully. In the classification of conditions including the healthy group and the obstructive and restrictive types of pathologies, a hierarchical framework is suggested. Generally, the healthy and the restrictive groups are discriminated more successfully than the obstructive group. GMM is generally the most competent classifier among all, however, SVM is also successful for certain feature arrangements. The improvement of the diagnostic classifier so as to make it appropriate for clinical setups is still open for exploration, especially with additional features to enhance the distinctive characteristics further as to prevent the confusion of the obstructive diseases.