Automatic identification of abnormal lung sounds by machine learning methods

การระบุเสียงผิดปกติของปอดแบบอัตโนมัติด้วยวิธีการเรียนรู้ของเครื่อง

Name: Rattanathon Phettom

LCSH: Lungs -- Diseases

LCSH: Neural networks (Computer science)

LCSH: Machine learning

Abstract: This study introduces an automated approach for identifying abnormal lung sounds from audio recordings utilizing time-frequency analysis and convolutional neural networks. Acoustic signals captured via a stethoscope are subjected to noise removal using a bandpass filter. Subsequently, distinctive features are extracted via a short-time Fourier transform to represent frequency components in the form of a spectrogram. The spectrogram facilitates the segmentation of breathing cycles by identifying the highest and lowest peaks, thereby quantifying the number of breathing cycles within the audio signal. Following this segmentation, the breathing cycle is partitioned into training and test datasets, with the convolutional neural networks trained on the former to optimize model performance. Experimental findings demonstrate that the proposed method effectively achieves the accuracies of 85.34 percent, 68.20 percent, and 60.64 percent for wheezing sounds, crackle sounds, and normal sounds, respectively.

Abstract: งานวิจัยนี้นำเสนอการระบุเสียงผิดปกติของปอดจากสัญญาณเสียงแบบอัตโนมัติโดยใช้การ วิเคราะห์ความถี่เชิงเวลา และโครงข่ายประสาทเทียมแบบคอนโวลูชัน โดยใช้สัญญาณเสียงที่บันทึก ได้จากการใช้สเต็ทโตสโคป ซึ่งจะถูกกำจัดสัญญาณรบกวนด้วยการใช้ตัวกรองความถี่แถบผ่าน จากนั้นนำไปสกัดคุณลักษณะเด่นโดยใช้การแปลงฟูริเยร์แบบช่วงเวลาสั้นเพื่อให้ได้องค์ประกอบทาง ความถี่ในรูปแบบสเปกโตรแกรม จากนั้นสเปกโตรแกรมจะถูกนำมาตรวจหาเพื่อแบ่งรอบการหารหายใจ โดยอาศัยการหายอดที่สูงที่สุดและต่ำที่สุด เพื่อให้ทราบจำนวนรอบการหายใจตลอดสัญญาณเสียง จากนั้นรอบการหายใจทั้งหมดจะถูกแบ่งเป็นข้อมูลฝึกสอนและข้อมูลทดสอบ โดยโครงข่ายประสาท เทียมแบบคอนโวลูชันจะอาศัยข้อมูลฝึกสอนดังกล่าวในการเรือนรู้เพื่อให้ได้ต้นแบบที่ดีที่สุด จากผล การทดลองด้วยวิธีการที่นำเสนอ สามารถจำแนกเสียงการหายใจแบบหวืด เสียงแชมการหายใจ และ เสียงการหายใจแบบปกติ ได้อย่างมีประสิทธิภาพโดยมีความถูกต้องที่ระดับร้อยละ 85.34 ร้อยละ 68.20 และร้อยละ 60.64 ตามลำดับ

Chiang Mai University. Library

Address: CHIANG MAI

Email: cmulibref@cmu.ac.th

Name: Nipon Theera-Umpon

Role: Advisor

Created: 2024

Modified: 2024-12-01

Issued: 2024-12-01

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Master of Engineering

Level: Master's Degree

Descipline: Biomedical Engineering

Grantor: Chiang Mai University

©copyrights Chiang Mai University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	632635901.pdf	1.64 MB

ใช้เวลา

0.01835 วินาที