基于机器学习从健康调查肺音中检测爆裂音的特征提取
声音
2017-12-27 v2 机器学习
摘要
近年来，许多用于记录和查看听诊器声音的创新解决方案已经问世。然而，为了充分利用此类设备，需要一种自动检测异常肺音的方法，该方法应优于现有方法，后者通常使用小型且非多样化的数据集进行开发和评估。我们提出了一种基于机器学习的方法，用于检测在一次大规模健康调查中使用听诊器记录的肺音中的爆裂音。我们的方法使用由专家听者分类的 209 个包含爆裂音的文件进行训练和评估。我们的分析流程基于从音频文件中的小窗口提取的特征。我们评估了多种特征提取方法和分类器。我们使用包含 175 个爆裂音窗口和 208 个正常窗口的训练集对流程进行了评估。我们进行了 100 轮交叉验证，每轮之间打乱训练集。所有轮次的训练与评估划分比例均为 70%–30%。我们发现并评估了一个 5 维向量，其中包含四个来自时域的特征和一个来自频谱域的特征。我们评估了多种分类器，发现带有径向基函数核的支持向量机（SVM）表现最佳。我们的方法在窗口内分类爆裂音的精确率为 86%，召回率为 84%，这比在医务人员研究中发现的准确率更高。低维特征向量使得 SVM 运算非常快。该模型可在普通计算机上于 1.44 秒内完成训练，并在 1.08 秒内分类 319 个爆裂音。我们的方法可检测并可视化录制音频文件中的单个爆裂音。它准确、快速且资源需求低。可用于培训医务人员或作为蓝牙听诊器智能手机应用的一部分。
引用
@article{arxiv.1706.00005,
title = {Feature Extraction for Machine Learning Based Crackle Detection in Lung Sounds from a Health Survey},
author = {Morten Grønnesby and Juan Carlos Aviles Solis and Einar Holsbø and Hasse Melbye and Lars Ailo Bongo},
journal= {arXiv preprint arXiv:1706.00005},
year = {2017}
}