تشخیص بیماری های ریه با استفاده از تبدیل موجک و ماشین بردار پشتیبان

گوش دادن به صداهای ریه برای تشخیص و تجزیه و تحلیل اختلات تنفسی بسیار مهم است. بسیاری از برنامه های کامپیوتری برای کمک به پزشکان در تشخیص بیماری های ریه اجرا می شوند. در این مقاله، یک روش طبقه بندی برای صداهای ریه (مثلا پلی فونیک یا استریدور ) ارائه شده است. پلی فونیک صدایی بلند، آهنگین و ممتد است که در دم و بازدم رخ می دهد. این صدا روی قدام، خلف و کنار قفسه سینه شنیده می شود. استریدور در اثر باریک شدن یا انسداد مجرای هوای فوقانی ایجاد می شود.. استریدور صدای تنفسی بلندی با اوج بالا است که حین دم شنیده می شود اما ممکن است در تمام چرخه تنفس هم شنیده شود که علتش بدتر شدن حال بیمار است. ابتدا ویژگی ها با استفاده از تبدیل موجک گسسته DWT استخراج می شوند. سپس، ضرایب کپسترال پیش بینی خطی LPCC محاسبه می شوند. پس از آن دلتا و دلتا-دلتای LPCCها استخراج می شوند. واریانس و کشیدگی LPCCها، دلتا LPCCها و دلتا-دلتا LPCCها به عنوان ویژگی های صداهای ریه استخراج می شوند. طبقه بندی صداهای ریه با استفاده از ماشین بردار پشتیبان (SVM) انجام می شود. روش دیگری این است که، انتخاب ویژگی را با استفاده از یادگیری بدون نظارت توسط خودرمزگذار انباشته (SAE) و ماشین بردار پشتیبان (SVM) به عنوان طبقه بندی کننده ترکیب می کند.

کلیدواژه ها:

یادگیری ماشین ، هوش مصنوعی ، ریه ، ارتعاشات ، اصوات