27914

تشخيص بيماري(ريوي) از طريق تحليل صدا به كمك يادگيري ماشين

كارشناسي ارشد

مهندسي برق گرايش الكترونيك ديجيتال

1398

1401/8/23

دكتر ستار ميرزا كوچكي

مهندسي برق

بررسي صداي اندام‌هاي بدن يكي از روش‌هاي تشخيص بيماري‌هاي مختلف است كه توسط پزشكان براي تحليل صداهاي عارضه‌اي بكار گرفته ميشود، از آنجايي كه بيشتر مرگ و مير ناشي از بيماري،‌ در كشورهاي فقيري رخ ميدهد كه كمبود تجهيزات و متخصص دارند، ايجاد روش‌هاي تشخيصي مبتني بر يادگيري ماشين و پردازش صوت كه علاوه بر دردسترس بودن ، غيرتهاجمي و ارزان نيز ميباشند با تشخيص زودهنگام ميتوانند باعث نجات ميليون‌ها انسان شوند. در مطالعات پيشين غالبا ورودي‌هاي بازتاب‌كننده‌ي ويژگي‌هاي فركانسي صوت مورد استفاده قرار گرفته است، دراين مقاله علاوه بر آن از يك نمايش بازگشتي استفاده ميكنيم كه ويژگي‌هاي زماني صوت را بازتاب ميكند و به عنوان ورودي به شبكه‌هاي كانولوشني داده ميشود تا از مزيت‌هاي يادگيري انتقالي آن بهره‌مند شويم، با اضافه كردن مكانيزم توجه زماني و شبكه گيت‌هاي بازگشتي دوطرفه، توالي داده‌هاي صوتي كه يك سري زماني است مورد بررسي قرار ميگيرد و هر يك از داده‌ها با توجه به ارزشي كه دارند وزن‌دهي ميشوند. داده‌هاي استفاده شده در اين مقاله از پايگاه داده صداي ريه ICBHI است كه در مقاله‌هاي بسياري استفاده شده است. روش ارائه شده توانست در طبقه بندي صداي ريه به سه دسته‌ي سالم، بيماري انسداد مزمن ريوي(COPD) و ساير بيماري ها به دقت 97 درصد برسد كه نتيجه بهتري نسبت به ساير روش هاي بكار رفته براي اين پايگاه داده ميباشد.

1401/11/30

Diagnosing (pulmonary) disease through voice analysis with the help of machine learning

1/1/1900 12:00:00 AM

Analysis and examination of sound of organs can be utilized in order to diagnose various diseases and abnormal conditions. Diagnostic methods based on audio signal processing are non-invasive and inexpensive and can be especially useful in under-developed countries, where inadequate medical specialists and equipment has led to high fatality rates. Development of accessible methods based on machine learning can aid with early diagnosis. we used a convolutional network to attain the advantages of transfer learning. In previous studies, models have been proposed that feed spectrograms with frequency characteristics as inputs to the convolutional network. In this article, we propose a model which additionally employs a recurrent representation (Recurrence plot) that reflects the temporal characteristics of the sound. The audio data sequence is investigated by adding the temporal attention mechanism and the bi-directional recurrent gates for weighting data according to its informational value. Data used in this article is from the ICBHI lung sound database. The presented model was able to classify lung sounds into three categories: healthy, chronic obstructive pulmonary disease (COPD), and other diseases with an accuracy of 97%, which shows the superiority of the proposed method compared to results obtained from previous methods on the same database.

تشخيص بيماري،بيماري ريوي،پردازش صوت،نمايش بازگشتي،توجه زماني،شبكه بازگشتي،يادگيري انتقالي،يادگيري ماشين،

davoud saadati

dr.sattar mirzakuchaki