Using of the Machine Learning Methods to Identify Bronchopulmonary System Diseases with the Use of Lung Sounds

Скорочена інформація про документ
dc.contributor.authorChekhovych, M. G.
dc.contributor.authorPoreva, A. S.
dc.contributor.authorTimofeyev, V. I.
dc.contributor.authorHenaff, P.
dc.contributor.authorЧехович, М. Г.
dc.contributor.authorПорєва, Г. С.
dc.contributor.authorТимофєєв, В. I.
dc.contributor.authorХенаф, П.
dc.contributor.authorЧехович, М. Г.
dc.contributor.authorПорева, А. С.
dc.contributor.authorТимофеев, В. И.
dc.contributor.authorХенафф, П.
dc.date.accessioned2018-09-04T09:21:22Z
dc.date.available2018-09-04T09:21:22Z
dc.date.issued2018
dc.description.abstractenThis study reviews the main approaches to the analyzing of modern methods of digital processing of lung sounds. It is shown that each of the existing methods gives a definite result in solving a particular problem. However, none of the methods that were reviewed, can’t be called universal and completely convenient for using in the real conditions of the hospital. Certain numerical parameters can be obtained, as a result of the work of each method. In this study it is showed that machine learning can serve as a unifying mechanism for the considered methods. A set of different parameters can be the input arguments of the classifier, which will be properly trained. As a result, the primary opinion in a convenient and accessible form can be presented to the doctor.uk
dc.description.abstractruСовременные технические и электронные средства позволяют проводить медицинскую диагностику на более высоком уровне, быстрее, точнее и комфортнее для пациента и врача. Способность записывать легочные звуки позволяет обрабатывать сигналы и использовать технологии машинного обучения, чтобы автоматически анализировать записанные звуки для обеспечения диагностической поддержки. Анализ легочных звуков, собранных путем аускультации является основным компонентом диагностики заболеваний легких для первичной медицинской помощи и общего мониторинга состояния пациентов. Разработка компьютерных алгоритмов для изучения легочного звука дает более широкие исследовательские возможности. В работе исследованы и проанализированы современные методы цифрового анализа звуков легких. Каждый из существующих методов дает определенный результат в решении конкретной проблемы, это может быть, как и шумоподавление сигнала, так и нахождение тех или иных артефактов звуков дыхания. Также в статье рассмотрена возможность применения классификаторов, что является основой машинного обучения, для оптимизации постановки диагнозов заболеваний легких. Рассмотрена работа нескольких классификаторов на основе предварительно рассчитанных параметров с использованием аппарата статистики высших порядков. Было установлено, что метод опорных векторов, а также дерево принятия решений являются простыми и точными классификаторами для реализации и для работы с базой звуков дыхания. Полученная точность работы классификаторов является достаточно высокой. Симбиоз различных методов цифровой обработки с современными инструментами машинного обучения позволит существенно повысить точность работы методов, а также значительно облегчить работу врача.uk
dc.description.abstractukСучаснi технiчнi та електроннi засоби дозволяють проводити медичну дiагностику на бiльш високому рiвнi, швидше, точнiше i комфортнiше для пацiєнта та лiкаря. Здатнiсть записувати легеневi звуки дозволяє обробляти сигнали та використовувати технологiї машинного навчання, щоб автоматично аналiзувати записанi звуки для забезпечення дiагностичної пiдтримки. Аналiз легеневих звукiв, зiбраних шляхом аускультацiї є основним компонентом дiагностики захворювань легень для первинної медичної допомоги та загального монiторингу стану пацiєнтiв. Розробка комп’ютерних алгоритмiв для вивчення легеневого звуку дає бiльш широкi дослiдницькi можливостi. В роботi дослiдженi i проаналiзованi сучаснi методи цифрового аналiзу звукiв легень. Кожен з iснуючих методiв дає певний результат у вирiшеннi конкретної проблеми, це може бути, як i обезшумлення сигналу, так i знаходження тих чи iнших артефактiв звукiв дихання. Також у статтi розглянуто можливiсть застосування класифiкаторiв, що є основою машинного навчання, для оптимiзацiї постановки дiагнозiв захворювань легень. Розглянуто роботу декiлькох класифiкаторiв, на основi попередньо розрахованих параметрiв з використанням апарату статистик вищих порядкiв. Було встановлено, що метод опорних векторiв, а також дерево прийняття рiшень є простими та найточнiшими класифiкаторами для реалiзацiї i для роботи з базою звукiв дихання. Отримана точнiсть роботи класифiкаторiв є досить високою. Симбiоз рiзних методiв цифрової обробки з сучасними iнструментами машинного навчання дозволить iстотно пiдвищити точнiсть роботи методiв, а також значно полегшити роботу лiкаря.uk
dc.format.pagerangeС. 55–62uk
dc.identifier.citationUsing of the Machine Learning Methods to Identify Bronchopulmonary System Diseases with the Use of Lung Sounds / M. G. Chekhovych, A. S. Poreva, V. I. Timofeyev, P. Henaff // Вісник НТУУ «КПІ». Радіотехніка, радіоапаратобудування : збірник наукових праць. – 2018. – Вип. 73. – С. 55–62. – Бібліогр.: 18 назв.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/24415
dc.language.isoenuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.sourceВісник НТУУ «КПІ». Радіотехніка, радіоапаратобудування: збірник наукових праць, Вип. 73uk
dc.status.pubpublished
dc.subjectelectronic stethoscopeuk
dc.subjectlung sounduk
dc.subjectspectral analysisuk
dc.subjectwavelet transformuk
dc.subjectmachine learninguk
dc.subjectзвук легеньuk
dc.subjectспектральний аналiзuk
dc.subjectвейвлет-перетворенняuk
dc.subjectмашинне навчанняuk
dc.subjectзвук легкихuk
dc.subjectспектральный анализuk
dc.subjectвейвлет-преобразованияuk
dc.subjectмашинное обучениеuk
dc.titleUsing of the Machine Learning Methods to Identify Bronchopulmonary System Diseases with the Use of Lung Soundsuk
dc.title.alternativeВикористання методiв машинного навчання для iдентифiкацiї захворювань бронхолегеневої системи з використанням звукiв легеньuk
dc.title.alternativeИспользование методов машинного обучения для идентификации заболеваний бронхолегочной системы с использованием звуков легкихuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
10.pdf
Розмір:
431.9 KB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
7.74 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Вісник НТУУ «КПІ». Радіотехніка, радіоапаратобудування : збірник наукових праць, Вип. 73