可调整的Q因子波段转换基于肺信号分解和统计特征提取,以有效地进行肺病分类
Berke Cansiz1, Coskuvar Utkan Kilinc1, Gorkem Serbes1
1Department of Biomedical Engineering, Yildiz Technical University, Esenler, Istanbul 34220, Turkey.
Computers in biology and medicine
|June 11, 2024
概括
这项研究引入了一种新型的计算机辅助肺部疾病诊断系统,使用可调的Q因子波形转换 (TQWT) 和机器学习. 该方法在分类肺部声音方面实现了高精度,改善了数字听觉以获得更好的患者结果.
科学领域:
- 医疗信息学 医疗信息学
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 肺部疾病是全球死亡的主要原因之一.
- 传统的听觉术由于模拟耳机和主观解释而存在局限性.
- 使用数字化肺声进行自动诊断是一个活跃的研究领域.
研究的目的:
- 开发和评估一种新的基于计算机的方法来对肺部疾病进行分类.
- 为了利用可调的Q因子波形转换 (TQWT) 来从肺部声音中提取特征.
- 通过个人和整体机器学习模型来提高分类性能.
主要方法:
- 使用从肺声的TQWT分解得出的统计测量来提取特征.
- 在提取的特征上训练单个机器学习模型 (例如SVM,随机森林).
- 采用集体方法 (硬和软投票) 来结合来自单个模型的预测,以提高准确性.
- 通过基于患者和基于样本的分类任务来评估方法.
主要成果:
- 在基于患者的评估中,在二元分类 (健康与非健康) 中获得了97.63%的准确性.
- 获得了高达66.32%的准确性为三类和53.42%为五类基于患者的分类.
- 与现有方法相比,在基于样本的分类中表现出优异的表现.
- 突出了TQWT用于信号分析的适应时间频率分辨能力.
结论:
- 拟议的基于TQWT的特征提取与集体学习相结合,显示了自动肺部疾病诊断的巨大潜力.
- 这种方法为开发更准确和客观的数字听觉技术提供了一个有希望的方向.
- 进一步的研究可以完善模型,使其具有更广泛的临床应用,并在各种肺部疾病中提高诊断准确性.
