Enhancing Machine Learning Algorithms in Healthcare with Electronic Stethoscope

Abstract

Bu çalışmada, 1.630 denekten elektronik stetoskop ile kaydedilen 17.930 ses ve metin verisinden oluşan bir veri kümesinde, konvolüsyonel sinir ağları (CNN), destek vektör makineleri (SVM), k en yakın komşuluk (k-NN) ve Gaussian Bayes (GB) algoritmaları kullanılarak, solunum seslerinin ve akciğer hastalıklarının sınıflandırılması amaçlanmıştır. Solunum seslerini sınıflandırmak için; Mel frekanslı kepstral katsayısı (MFCC) özellikleri ile SVM, k-NN, GB ve ayrıca 28x28 ve 600x600 spektrogram görüntüleri ile CNN kullandık. Solunum seslerini sınıflandırmak için 4 veri kümesi hazırladık: (1) sağlıklı ve patolojik ses; (2) ral, ronküs ve normal ses; (3) tekil solunum sesi tipi; ve (4) tüm ses türlerini içeren sınıflandırma. Kesinlik sonuçları yüzde olarak sırasıyla; (1) CNN 86 ve 95, SVM 86, k-NN 85, GB 58, (2) CNN 80 ve 93, SVM 80, k-NN 79, GB 42, (3) CNN 76 ve 85, SVM 75, k-NN 76, GB 22, (4) CNN 62 ve 77, SVM 62, k-NN 61, GB 15 olarak bulundu. Hastaları hastalıklarına göre sınıflandırmak için 6 veri kümesinde SVM, k-NN ve GB algoritmaları çalıştırıldı; (1) metin verisine göre hasta veya sağlıklı, (2) ses verisindeki MFCC özelliklerine göre hasta veya sağlıklı, (3) ses verisindeki MFCC özellikleri ve metin verileri ile hasta veya sağlıklı, (4) metin verilerine göre 12 hastalık, (5) ses verisindeki MFCC özelliklerine göre 12 hastalık, (6) ses verisindeki MFCC özellikleri ve metin verileri ile 12 hastalık. Kesinlik sonuçları yüzde olarak sırasıyla SVM için 75, 88, 64, 73, 63, 70; k-NN için 95, 92, 92, 67, 64, 66; GB için 98, 91, 97, 58, 48, 58 olarak bulundu. Geleneksel ve elektronik stetoskobu karşılaştırmak için 3 uzman doktor, 100 sesi değerlendirdi. Kappa istatistik yöntemi ile 2. ile 3. doktor arasında iyi düzeyde, 1. ile 3. ve 1. ile 2. doktor arasında ise ortalama düzeyde tutarlılık gözlemlendi.