Görüntüleme
10
İndirme
3
Son yıllarda biyomedikal sinyal işleme alanındaki gelişmelere rağmen, akciğer rahatsızlıklarının tespiti üzerine hızlı ve yüksek doğrulukta çalışan teşhis sistemlerine duyulan ihtiyaç artmaktadır. Yapılan çalışmada fiziki muayene ile 94 farklı kişiden, solunum döngülerinin otomatik olarak tespit edilmesiyle elde edilen 150 adet normal ve 444 adet normal olmayan akciğer sesleri veri tabanı olarak kullanılmıştır. Sınıflandırma işleminde öznitelik olarak frekans ve zaman bölgesinde 12 farklı yöntem uygulanmıştır. Tüm veriler %80 eğitim %20 test aşamasında kullanılacak şekilde ikiye bölünmüştür. Elde edilen öznitelikler gömülü ve sarıcı öznitelik seçim yöntemleri kullanılarak değerlendirilmiştir. Bu yöntemler; özyinelemeli öznitelik eliminasyonu, uyarlanabilir yapı öğrenimi ile öznitelik seçimi, bağımlılık kılavuzlu denetimsiz öznitelik seçimi, sıralı yerellik ile denetimsiz öznitelik seçimi, içbükey küçültme yoluyla öznitelik seçimi, en küçük mutlak büzülme ve seçim operatörü öznitelik seçim yöntemleri olarak isimlendirilmektedir. İncelenen bu öznitelikler doğrusal destek vektör makineleri, k en yakın komşuluk, karar ağaçları ve naive bayes yöntemleri ile sınıflandırılmıştır. Sonuç olarak öznitelik sayısının sınırlandırılmadığı durum için, özyinelemeli öznitelik eliminasyonu yönteminin k en yakın komşuluk sınıflandırma ile beraber kullanıldığı durum için %97,3 doğruluk değerindeki başarıma ulaşılmaktadır. Öznitelik sayısının üç ile sınırlandırıldığı durumda ise uyarlanabilir yapı öğrenimi ile öznitelik seçimi yönteminin karar ağaçları yöntemi ile beraber kullanılması ile %91,4 değerinde başarıma ulaşılmıştır.
Despite the advances in biomedical signal processing in recent years, the need for fast and highly accurate diagnostic systems for the detection of lung disorders continues. In the study, 150 normal and 444 abnormal lung sounds obtained by automatic detection of respiratory cycles from 94 different people by physical examination were used as a database. Then, 12 different feature extraction methods were applied in the time and frequency domain. Features were evaluated using embedded and wrapper feature selection methods. These methods are recursive feature elimination, adaptive structure learning, dependence-guided unsupervised feature selection, unsupervised feature selection with ordinal locality, feature selection via concave minimization, least absolute shrinkage, and selection operator feature selection methods. Features are classified by linear support vector machines, k nearest neighbor, decision trees, and naive Bayes classification methods. As a result, when the number of features is not limited, 97.3% accuracy is obtained when the recursive feature elimination method is used together with the k nearest neighbor classifier. In the case where the number of features is limited to three, the classification accuracy of 91.4% was achieved using the adaptive structure learning feature selection method and the decision trees.
Alan : Mühendislik; Fen Bilimleri ve Matematik
Dergi Türü : Uluslararası
Makale Detay 
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Alıntı Yap
Bu Sayfayı Yazdırın
Paylaş
Mendeley
