EMDに基づく肺音分析のための新しい特徴抽出技術

背景と目的：聴診器ベースの聴診技術は、胸部音分析のための主要な診断ツールです。ただし、医師の経験、知識、信号の明確性に依存しているため、この方法のパフォーマンスは制限されています。この問題を克服するには、騒々しい環境で有能な自動化されたコンピューター支援診断システムが必要です。この論文では、パターン認識アルゴリズムに基づいて自動化された方法でさまざまな肺機能障害を識別するための新しい特徴抽出技術を導入します。 方法：この研究では、肺音の関連する特性と相関する疾患は、平均、分散、歪度、および尖度の統計分布パラメーターの観点から特定されています。これらの特徴は、経験的モード分解ドメインのマッピングされた信号の選択的形態学的成分から抽出されます。機能セットは、対応するクラスを区別するために分類モデルに供給されます。 結果：開発された機能の重要性は、監視された監視されていない分類器を使用していくつかの実験を実施することにより検証されます。さらに、提案された機能の識別力は、3種類のベースライン機能と比較されます。実験結果は統計分析によって評価され、医師の推論でも検証されます。 結論：提案された特徴抽出技術は、分類の精度、感度、特異性の観点からベースライン方法よりも優れていることがわかりました。開発された方法は、どんな状況でもベースラインメソッドと比較してより良い結果をもたらします。提案された方法は、人工ニューラルネットワーク分類器の94.16の精度、100の感度、93.75の特異性をより高くします。

BACKGROUND AND OBJECTIVE: The stethoscope based auscultation technique is a primary diagnostic tool for chest sound analysis. However, the performance of this method is limited due to its dependency on physicians experience, knowledge and also clarity of the signal. To overcome this problem we need an automated computer-aided diagnostic system that will be competent in noisy environment. In this paper, a novel feature extraction technique is introduced for discriminating various pulmonary dysfunctions in an automated way based on pattern recognition algorithms. METHOD: In this work, the disease correlated relevant characteristics of lung sounds signals are identified in terms of statistical distribution parameters: mean, variance, skewness, and kurtosis. These features are extracted from selective morphological components of the mapped signal in the empirical mode decomposition domain. The feature set is fed to the classifier model to differentiate their corresponding classes. RESULTS: The significance of features developed are validated by conducting several experiments using supervised and unsupervised classifiers. Furthermore, the discriminating power of the proposed features is compared with three types of baseline features. The experimental result is evaluated by statistical analysis and also validated with physicians inference. CONCLUSIONS: It is found that the proposed features extraction technique is superior to the baseline methods in terms of classification accuracy, sensitivity and specificity. The developed method gives better results compared to baseline methods in any circumstance. The proposed method gives a higher accuracy of 94.16, sensitivity of 100 and specificity of 93.75 for an artificial neural network classifier.