Detecção de Anormalidades em Sons Pulmonares Baseada em FFT e Máquinas de Vetores Suporte

Mota, Frederico Lucas Oliveira; Dias, Guilherme Lopes; Ribeiro, Eduardo Godinho; Barbosa, Bruno Henrique Groenner; Ferreira, Danton Diego; Neto, Ernesto L. Andrade

doi:10.21528/cbic2017-69

Cited by 1 publication

(1 citation statement)

References 14 publications

(24 reference statements)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Com a expectativa de atenuar o erro e dependência humana, durante o procedimento de ausculta e diagnósticos, a utilização de técnicas de reconhecimento de padrões tem sido empregada para superar estas lacunas (Naves, R., 2016;Dias et al, 2018;Mota et al, 2017). Por exemplo, em Amaral et al (2015), foi desenvolvido um sistema para tornar mais confiável a técnica de oscilação forçada (do inglês forced oscillation technique -FOT) na categorizacão do nível de obstrução das vias aéreas em pacientes com DPOC, basedo em três classificadores: o k-Nearest Neighbours (k-NN), Floresta Aleatória (RF) e Máquinas de Vetores de Suporte (SVM).…”

Section: Introductionunclassified

Classificação de Sons Pulmonares com Redes Convolucionais e SVM

Dias

Mota

Ribeiro

et al. 2019

Anais Do 14º Simpósio Brasileiro De Automação Inteligente

View full text Add to dashboard Cite

Pulmonary auscultation has a great importance for clinical evaluation, and requires adequate environment and an experienced evaluator. This study aims to present an acquisition system to classify three classes of lung sounds (vesicular, wheezy and crackles) using two techniques. The first is based on Fast Fourier Transform (FFT), Genetic Algorithms and Support Vector Machine (SVM). It was possible to classify lung sounds with sensitivity of 87.5% and specificity of 93.7%. The second technique uses the spectrograms with Convolutional Neural Networks (CNN) and has sensibility of 95.8% and the specificity of 87.5%, and is able to classify wheezes and crackles with 96% and 92 % of accuracy, respectively. Therefore, the SVM technique is superior in tracking and classifying lung sounds, at the cost of a higher rate of positive failures. In this wise, the digital stethoscope presented in this paper can be used to analyse lung sounds. Resumo: A ausculta pulmonar tem grande importância para a decisão diagnóstica na prática médica e requer ambiente apropriado e um avaliador experiente. Este trabalho tem por objetivo apresentar um sistema de aquisição e classificação de três classes de sons pulmonares que são: vesiculares, sibilos e estertores, utilizando duas técnicas diferentes. Na primeira técnica, Algoritmos Genéticos são utilizados para selecionar as melhores componentes da Transformada Rápida de Fourier (FFT) dos sinais em conjunto com Máquinas de Vetores Suporte (SVM). Foi possível a classificação dos sons pulmonares com sensibilidade de 87, 5% e especificidade de 93, 7%. A segunda técnica utiliza os espectrogramas dos sons e Redes Neurais Convolucionais (RNCs), nesse caso a sensibilidade foi de 95, 8% e especificidade de 87, 5%, eé capaz de classificar os sibilos com 96% e estertores com 92% de acertos. Logo a RNCé superior em detectar e classificar os sons anormais,às custas de um maioríndice de falsos positivos. Dessa forma, o estetoscópio digital apresentado pode ser empregado na análise de sons pulmonares.

show abstract

Section: Introductionunclassified