CNN-LSTM HIBRIT MODELIYLE KOSINÜS BENZERLIGINE DAYALI ÇOK DÜZEYLI AYRIK DALGACIK DÖNÜSÜMÜ AYRISIMI KULLANARAK AKCIGER SES SINYALI SINIFLANDIRMASI

Abstract

Akciğer ses sinyalleri, solunum yolu rahatsızlıklarının ilk evrelerini teşhis etmek için kullanılabilir. Yapay zeka teknikleri, bu dijital veriler kullanılarak astım, zatürre ve bronşiyolit gibi solunum yolu hastalıklarını veya normal ve anormalleri otomatik olarak belirlemek için kullanılabilir. Bu çalışma, sınıflandırma işlemi için derin bir öğrenme tekniği kullanmaktadır. Uzun kısa süreli belleğe (LSTM) sahip bir Konvolüsyonel Sinir Ağı (CNN) yapısı, derin özellikleri çıkarmak ve sinyalleri normal ve anormal ana kategorilerine ayırmak için kullanılmıştır. Verilerin ön işleme adımlarında Butterworth filtresi adı verilen gürültü giderme yöntemi kullanılarak akciğer sesinden kaynaklanan gürültü giderilmiştir. Özniteliklerin çıkarılması için Kosinüs Benzerliği (CS) tabanlı Çok Düzeyli Ayrık Dalgacık Dönüşümü Ayrışımı (CS-MDWTD) adlı yeni bir yöntem önerilmiştir. DWT, bir sinyali farklı frekans bantlarına ayırabilir, farklı ölçeklerdeki sinyallerin CS'lerini karşılaştırarak, sinyalleri daha kapsamlı bir şekilde anlayabiliriz. Önerilen yöntem Solunum Sesi Veri Seti (ICBHI 2017) üzerinde test edilmiştir. Önerilen CS-MDWTD yöntemi, ICBHI veri seti üzerinde CNN-LSTM hibrit modeli kullanılarak değerlendirilmiştir. Deneysel sonuçlar, akciğer sesi sınıflandırmasının doğruluk oranlarının %80'ın üzerine ulaştığını göstermiştir. Akciğer sinyali ses sınıflandırma tekniklerinin diğer çalışmalarına/kıyaslamalarına kıyasla, sınıflandırma başarısı olasılık açısından yaklaşık olarak (%5) iyileştirilmiştir.