КЛАССИФИКАЦИЯ ЗВУКОВ АСТМАТИЧЕСКОГО ДЫХАНИЯ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ 

Бердибаева Гульмира Куанышевна, докторант, Казахский национальный исследовательский технический университет имени К. И. Сатпаева (Республика Казахстан, Алматы, ул. Сатпаева, 22а), horli@mail.ru
Бодин Олег Николаевич, доктор технических наук, профессор, кафедра информационно-измерительной техники и метрологии, Пензенский государственный университет (Россия, г. Пенза, ул. Красная, 40), bodin_o@inbox.ru
Фирсов Дмитрий Сергеевич, магистрант, Пензенский государственный университет (Россия, г. Пенза, ул. Красная, 40), firsov.d.7.58@gmail.com

004.616

DOI

10.21685/2307-5538-2018-2-11

Актуальность и цели. Объектом исследования являются респираторные звуки астматических пациентов и здоровых лиц. Предметом исследования является анализ звуковых сегментов респираторных звуков с использованием дискретного вейвлет-преобразования (DWT) и вейвлет-пакетного преобразования (WPT). Целью работы является классификация звуковых сигналов дыхания нормального и астматического состояний с помощью использования искусственной нейронной сети (ANN).
Материалы и методы. Изложены алгоритм последовательной обработки сигнала через банк фильтров с учетом психоакустической природы слуха и результаты классификации полученных векторов-признаков с помощью аппарата искусственных нейронных сетей.
Результаты. Нормальные и астматические звуковые сигналы дыхания делятся на сегменты, которые включают в себя один цикл дыхания как вдох и выдох. Анализ этих звуковых сегментов осуществляется с использованием как дискретного вейвлет-преобразования (DWT), так и вейвлет-пакетного преобразования (WPT). Каждый сегмент звука разбивается на частотные поддиапазоны с использованием DWT и WPT. Функциональные векторы создаются путем извлечения статистических признаков из поддиапазонов. Результаты классификации DWT и WPT сравниваются друг с другом с точки зрения точности классификации.
Выводы. Дыхательный анализ звука с использованием методов обработки сигналов имеет важное значение для диагностики заболеваний легких, таких как астма. Существует много исследований по анализу дыхательных звуков. В этих исследованиях показано, что нейронные сети дают высокий коэффициент успеха. Таким образом, мы используем методы анализа DWT, WPT и классификатор ANN для анализа наших звуков дыхания. Мы сравниваем эти методы анализа с точки зрения точности классификации. Как видно из итогов, DWT немного лучше, чем WPT в нашем исследовании. Полученные результаты весьма перспективны для выявления болезни астмы.

Ключевые слова

респираторные звуки, сегменты, дискретное вейвлет-преобразование, вейвлет-пакетное преобразование, искусственная нейронная сеть

 Скачать статью в формате PDF

1. Барский, А. Б. Нейронные сети: Распознавание, управление, принятие решений / А. Б. Барский. – М. : Финансы и статистика, 2004. – 354 с.
2. Титов, Ю. Н. Математическая модель органа слуха для автоматического распознавания речи / Ю. Н. Титов // Научно-технический вестник информационных технологий, механики и оптики. – 2007. – № 37. – С. 307–310.
3. Güler, İ. Combining neural network and genetic algorithm for Prediction of Lung Sounds / İ. Güler, H. Polat, U. Ergün // Journal of Medical Systems. – 2005. – Vol. 29. – P. 217–231.
4. Салюшин, С. А. Методика экспериментального определения структурных параметров нейросети для распознавания звуковых сигналов / С. А. Салюшин // Научная сессия МИФИ–2004 : сб. науч. тр. МИФИ. – М., 2004. – С. 34–39.
5. Алдошина, И. А. Основы психоакустики / И. А. Алдошина // Звукорежиссер. – 2002. – № 3. – С. 86–92.
6. Spieth, P. M. Analyzing lung crackle sounds: Stethoscopes and beyond / P. M. Spieth, H. Zhang // Intensive Care Med. – 2011. – Vol. 37. – P. 1238–1239.
7. Новиков, Л. В. Основы вейвлет-анализа сигналов / Л. В. Новиков. – СПб. : Модус, 1999. – 152 с.
8. Neural classification of lung sounds using wavelet coefficients / A. Kandaswamy, C. S. Kumar, Rm. Pl. Ramanathan, S. Jayaraman, N. Malmurugan // Computers in Biology and Medicine. – 2004. – Vol. 34. – P. 523–537.
9. Kizilaslan, R. Combination neural networks forecasters for monthly natural gas consumption prediction / R. Kizilaslan, B. Karlik // Neural Network World. – 2009. – Vol. 19, № 2. – P. 191–199.
10. Yeğiner, M. Feature extraction for pulmonary crackle representation via wavelet networks / M. Yeğiner, Y. P. Kahya // Applied Signal Processing. – 2009. – Vol. 39. – P. 713–721.