肺の音の分類のための低次元の時間的依存関係機能

呼吸音は、非線形および非定常信号として表され、その予測不可能性により、分類のために重要な機能を抽出することが困難になります。肺音響信号の分類に使用されているメル周波数cepstral係数（MFCC）などの静的係数が使用されています。ただし、それらは高次元のハイパースペクトル空間でモデル化されており、時間的依存情報も失います。したがって、肺の音分類の新しい特徴として、下面下部（SDC-L）のシフト[式：テキストを参照] - 下面（SDC-L）の脳係数を提案します。これは、元のSDCと同じ近くの複数のフレームの時間的依存関係情報を保存し、ハイパースペクトルの寸法を減らすことで特徴抽出を改善します。停止ルールを追加して、有限数の本質的なモード関数（IMF）を客観的に選択することにより、EMDアルゴリズムを変更しました。SDC-Lのパフォーマンスは、3つの機械学習技術（サポートベクターマシン（SVM）、K-Nearest Neighbor（K-NN）およびRandom Forest（RF））と2つの深い学習アルゴリズム（多層パーセプトロン（MLP）と畳み込み型）で評価されました。Neural Network（CNN））と、CNNと長期記憶（LSTM）を精度、精度、リコール、F1スコアの観点から組み合わせた1つのハイブリッドディープラーニングアルゴリズム。最初の2つのIMFは、機能を構築するのに十分であることがわかりました。SVM、MLP、およびハイブリッドディープラーニングアルゴリズム（CNN Plus LSTM）がSDC-Lでパフォーマンスを発揮し、他の分類器はすべての機能で同等の結果を達成しました。私たちの調査結果は、SDC-Lが肺音信号の分類のための有望な特徴であることを示しています。

Respiratory sounds are expressed as nonlinear and nonstationary signals, whose unpredictability makes it difficult to extract significant features for classification. Static cepstral coefficients such as Mel-frequency cepstral coefficients (MFCCs), have been used for classification of lung sound signals. However, they are modeled in high-dimensional hyperspectral space, and also lose temporal dependency information. Therefore, we propose shifted [Formula: see text]-cepstral coefficients in lower-subspace (SDC-L) as a novel feature for lung sound classification. It preserves temporal dependency information of multiple frames nearby same to original SDC, and improves feature extraction by reducing the hyperspectral dimension. We modified EMD algorithm by adding a stopping rule to objectively select a finite number of intrinsic mode functions (IMFs). The performances of SDC-L were evaluated with three machine learning techniques (support vector machine (SVM), k-nearest neighbor (k-NN) and random forest (RF)) and two deep learning algorithms (multilayer perceptron (MLP) and convolutional neural network (cNN)) and one hybrid deep learning algorithm combining cNN with long short term memory (LSTM) in terms of accuracy, precision, recall and F1-score. We found that the first 2 IMFs were enough to construct our feature. SVM, MLP and a hybrid deep learning algorithm (cNN plus LSTM) outperformed with SDC-L, and the other classifiers achieved equivalent results with all features. Our findings show that SDC-L is a promising feature for the classification of lung sound signals.