Buscar

 

RI UFLA (Universidade Federal de Lavras) >
DEG - Departamento de Engenharia >
DEG - Programa de Pós-graduação >
DEG - Engenharia de Sistemas e Automação - Mestrado (Dissertações) >

Please use this identifier to cite or link to this item: http://repositorio.ufla.br/jspui/handle/1/10496

Title: Um estudo de reconhecimento de sons pulmonares baseado em técnicas de inteligência computacional
???metadata.dc.creator???: Naves, Raphael
???metadata.dc.contributor.advisor1???: Barbosa, Bruno Henrique Groenner
???metadata.dc.contributor.advisor-co1???: Ferreira, Danton Diego
???metadata.dc.contributor.referee1???: Ferreira, Danton Diego
???metadata.dc.contributor.referee2???: Magalhães, Ricardo Rodrigues
???metadata.dc.contributor.referee3???: Cerqueira, Augusto Santiago
Keywords: Sons Pulmonares
Reconhecimento de padrões
Estatísticas de ordem superior
Algoritmos genéticos
Pulmonary sounds
Pattern recognition
Higher-Order statistics
Genetic algorithm
???metadata.dc.date.submitted???: 8-Aug-2015
Issue Date: 19-Oct-2015
???metadata.dc.description.sponsorship???: Coordenação de Aperfeiçoamento do Pessoal de Nível Superior (Capes)
Citation: REZENDE, J. F. Novo gene de resistência ao PepYMV em Capsicum annuum L. 2015. 94 p. Dissertação (Mestrado em Engenhria de Sistemas e Automação)-Universidade Federal de Lavras, Lavras, 2015.
???metadata.dc.description.resumo???: Este trabalho descreve o uso de técnicas da Inteligência Computacional visando à classificação de sons pulmonares em sons normais e adventícios. Os sons normais são auscultados em indivíduos saudáveis. Os sons adventícios são auscultados em indivíduos que possuem algum tipo de doença pulmonar e são classificados em duas categorias: sons contínuos (sibilos e roncos) e descontínuos (estertores). Cada um desses sons se relaciona com disfunções pulmonares fazendo com que sua classificação seja importante no auxílio ao diagnóstico clínico. Além disso, os sons pulmonares são sinais nãoestacionários, o que os tornam difíceis de analisar e distinguir quando é utilizado um método de ausculta tradicional como o estetoscópio. Assim, o desenvolvimento de uma técnica que permita a classificação automática desses sons oferece uma alternativa para o profissional, podendo auxiliar no seu diagnóstico. Dessa forma, neste estudo, propõe-se o desenvolvimento de um classificador de sons pulmonares, utilizando Estatísticas de Ordem Superior (EOS) para extrair características, Algoritmos Genéticos e Análise Discriminante Linear para redução da dimensionalidade e Árvores de Decisão, k-vizinhos mais próximos, Classificador Bayesiano e Máquinas de Vetores Suporte para a classificação. As classes de sons pulmonares utilizadas são: normais, estertores finos, estertores grossos, sibilos monofônicos e sibilos polifônicos. Os resultados obtidos mostram que o uso de uma abordagem dividir para conquistar, utilizando os classificadores bayesiano e k-vizinhos mais próximos é mais adequada ao propósito de classificação de sons pulmonares, pois alcançou um melhor desempenho em comparação com o uso de apenas um classificador para resolver todo o problema. O resultado médio de acerto de classificação obtido pela abordagem foi de 91,1%, o que mostra a eficiência do método proposto.
Abstract: This work describes the use of Computational Intelligence techniques to classify pulmonary sounds from normal to adventitious. Normal sounds are auscultated in healthy subjects. Adventitious sounds are auscultated in subjects with lung disease, and are divided into two categories: continuous sounds (wheezes and rhonchus) and discontinuous sounds (crackles). Each is related to pulmonary dysfunctions, making it important to classify these sounds to support clinical diagnosis. In addition, pulmonary sounds are non-stationary signals, which makes them difficult to analyze and hard to distinguish when using traditional auscultation methods such as a stethoscope. Thus, the development of a technique to classify these sounds may aid professionals in performing clinical diagnosis. This study proposes the development of a pulmonary sound classifier using higher-order statistics (HOS) to extract features, Genetic Algorithms (GA) and Linear Discriminant Analysis to reduce dimensionality and Decision Trees, k-Nearest Neighbor, Bayesian Classifier and Support Vector Machines in order to classify pulmonary sound events. The pulmonary sound classes are: normal, fine crackles, coarse crackles, monophonic wheezes and polyphonic wheezes. The results obtained in this work revealed that the divide-and-conquer approach, employing k-Nearest Neighbor and Bayesian classifier, is most appropriate for the purpose of pulmonary sound classification, given that this approach achieved better performance in comparison with the use of only one classifier. The mean validation classification accuracy obtained by the divide-and-conquer approach was of 91.1%, which shows the efficiency of the proposed method.
URI: http://repositorio.ufla.br/jspui/handle/1/10496
Publisher: Universidade Federal de Lavras
???metadata.dc.language???: por
Appears in Collections:DEG - Engenharia de Sistemas e Automação - Mestrado (Dissertações)

Files in This Item:

File Description SizeFormat
DISSERTACAO_Um estudo de reconhecimento de sons pulmonares baseado em.pdf2.62 MBAdobe PDFView/Open

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.


View Statistics

 


DSpace Software Copyright © 2002-2010  Duraspace - Feedback