Deep Learning para Segmentação e Classificação Automática de Sons Respiratórios Adventícios

Detalhes bibliográficos
Autor(a) principal: Lebreiro, Ana Sofia Besteiro
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/97987
Resumo: Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia
id RCAP_44a2baf3ffe3b533279a02b2ff5153af
oai_identifier_str oai:estudogeral.uc.pt:10316/97987
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Deep Learning para Segmentação e Classificação Automática de Sons Respiratórios AdventíciosDeep Learning for Segmentation and Automatic Classification of Adventitious Breathing SoundsFeatures EngineeringSegmentaçãoClassificaçãoSons Respiratórios AdventíciosAprendizagem ProfundaFeatures EngineeringSegmentationClassificationAdventitious Respiratory SoundsDeep LearningDissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e TecnologiaAs patologias do foro respiratório são das mais mortíferas em todo o mundo. A maioria dos pacientes com doenças respiratórias possuem uma respiração caraterizada pela existência de sons adventícios, como sibilâncias e fervores, ao longo do ciclo respiratório.Neste trabalho propomos estudar a aplicabilidade de arquiteturas de aprendizagem profunda para classificar e segmentar automaticamente sons adventícios (sibilâncias e fervores) e sons normais existentes nos ciclos respiratórios dos pacientes. Serão avaliadas diversas arquiteturas de aprendizagem profundas como CNN, LSTM e outras variantes, assim como modelos clássicos SVM e KNN, em conjunto com técnicas de processamento de som, de forma a criar modelos otimizados, tanto em ambientes controlados como em ambientes reais de operação.Na fase de classificação de eventos pré segmentados manualmente, compararam-se abordagens clássicas de feature engineering e machine learning, e modelos de classificação de aprendizagem profunda com diferentes tipos de features de entrada. A metodologia adotada passou por um pré-processamento dos ficheiros de áudio através da filtragem do som de forma a concentrar a análise na gama de frequências relevantes para o estudo. A partir do som filtrado foram extraídas features para construir diferentes conjuntos de dados a aplicar nos classificadores. De forma a conhecer melhor os dados e a proceder-se a uma seleção de features, foi realizada uma análise exploratória. A seleção foi realizada a partir de dois algoritmos distintos para compreender o desempenho dos classificadores com diferentes features evitando redundância de dados. Os classificadores foram avaliados segundo a base de dados Respiratory Sound Database, calculando várias métricas estatísticas. O classificador CNN alcançou um resultado máximo 81% de accuracy e 81% de sensibilidade superando os classificadores clássicos com resultados máximos de 76,17%. Na fase de segmentação automática e classificação, foram explorados diversos mecanismos para aplicar a segmentação sonora, prosseguindo para uma classificação frame a frame com vista a identificar a localização temporal dos eventos adventícios. A avaliação desta fase foi realizada a diferentes níveis: frame a frame detetando 48,4% das frames de sibilâncias e 50,1% de fervores, por evento e por paciente.Respiratory pathologies are among the deadliest in the world. Most patients with respiratory diseases have a breathing characterized by adventitious sounds, such as wheezes and crackles, throughout the respiratory cycle.In this work we propose to study the applicability of deep learning architectures to automatically classify and segment adventitious sounds (wheezes and crackles) and normal sounds existing in patients' breathing cycles. Several deep learning architectures such as CNN, LSTM and other variants will be evaluated, as well as some classical models, i.e., SVM and KNN, together with sound processing techniques, in order to create optimized models, both in controlled environments and in real-life operation scenarios.In the phase of event classification of manually segmented events, classical feature engineering and machine learning approaches were compared against deep learning classification models with different types of input features. The methodology adopted involved the pre-processing of audio files through sound filtering, in order to focus the analysis on the range of frequencies relevant to the study. From some filters, resources were extracted to build different datasets to be applied to the classifiers. In order to better understand the data and proceed with a selection of resources, an exploratory analysis was performed. The selection was carried out using two different algorithms to understand the performance of the classifiers with different features, avoiding data redundancy. The classifiers were evaluated using the Respiratory Sound Database, calculating various statistical metrics. The best results obtained by the CNN classifier were 81% accuracy and 81% recall, beating the classic classifiers which obtained maximum results of 76,17%In the automatic segmentation and classification phase, several mechanisms were explored to perform sound segmentation, proceeding to a frame-by-frame classification in order to identify the temporal location of adventitious events. The evaluation of this phase was carried out at different levels: frame by frame, which detected 48,4% of the wheezes frames and 50,1% of the crackles, by event and by patient.Universidade de Coimbra - O trabalho foi financiado através de uma Bolsa de Investigação com o nº de referência UIDB/00326/2020_L.726806, no âmbito do projeto de I&D Centro de Informática e Sistemas da Universidade de Coimbra, com a referência UIDB/00326/2020, com uma duração de quatro meses.2021-11-10info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/97987http://hdl.handle.net/10316/97987TID:202921050porLebreiro, Ana Sofia Besteiroinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2022-05-25T03:35:22Zoai:estudogeral.uc.pt:10316/97987Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:15:55.509020Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Deep Learning para Segmentação e Classificação Automática de Sons Respiratórios Adventícios
Deep Learning for Segmentation and Automatic Classification of Adventitious Breathing Sounds
title Deep Learning para Segmentação e Classificação Automática de Sons Respiratórios Adventícios
spellingShingle Deep Learning para Segmentação e Classificação Automática de Sons Respiratórios Adventícios
Lebreiro, Ana Sofia Besteiro
Features Engineering
Segmentação
Classificação
Sons Respiratórios Adventícios
Aprendizagem Profunda
Features Engineering
Segmentation
Classification
Adventitious Respiratory Sounds
Deep Learning
title_short Deep Learning para Segmentação e Classificação Automática de Sons Respiratórios Adventícios
title_full Deep Learning para Segmentação e Classificação Automática de Sons Respiratórios Adventícios
title_fullStr Deep Learning para Segmentação e Classificação Automática de Sons Respiratórios Adventícios
title_full_unstemmed Deep Learning para Segmentação e Classificação Automática de Sons Respiratórios Adventícios
title_sort Deep Learning para Segmentação e Classificação Automática de Sons Respiratórios Adventícios
author Lebreiro, Ana Sofia Besteiro
author_facet Lebreiro, Ana Sofia Besteiro
author_role author
dc.contributor.author.fl_str_mv Lebreiro, Ana Sofia Besteiro
dc.subject.por.fl_str_mv Features Engineering
Segmentação
Classificação
Sons Respiratórios Adventícios
Aprendizagem Profunda
Features Engineering
Segmentation
Classification
Adventitious Respiratory Sounds
Deep Learning
topic Features Engineering
Segmentação
Classificação
Sons Respiratórios Adventícios
Aprendizagem Profunda
Features Engineering
Segmentation
Classification
Adventitious Respiratory Sounds
Deep Learning
description Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia
publishDate 2021
dc.date.none.fl_str_mv 2021-11-10
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10316/97987
http://hdl.handle.net/10316/97987
TID:202921050
url http://hdl.handle.net/10316/97987
identifier_str_mv TID:202921050
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799134055456833536

Registros relacionados