Oskültasyon seslerinden ampirik dalgacık dönüşümü analizi kullanılarak kronik obstrüktif akciğer hastalığının teşhisi

Abstract

Gelişen teknoloji ile birlikte bilim dünyasında büyük gelişmeler görülmektedir. Bu gelişmelerden klinik tanı ve tedavi uygulamaları da büyük ölçüde etkilenmiştir. Sağlık alanında yapılan çalışmalar sonucu geliştirilen sistemler gerek hastalıkların tanısının konmasında, gerekse hastalıkların tedavisinde kullanılmaktadır. Bu çalışmalarda temel amaç hızlı, güvenilir ve maliyeti az sistemler geliştirerek hata payını azaltmak ve hekimlere yardım etmektir. Bu tezde, oskültasyon yöntemi ile elde edilmiş veriler kullanılarak Kronik Obstrüktif Akciğer Hastalığı (KOAH) rahatsızlığının hızlı ve etkili bir şekilde sınıflandırılması için yeni bir yöntem geliştirilmiştir. Literatürde oskültasyon tabanlı analizler ile solunum hastalıkları teşhisi üzerine pek çok çalışma vardır. Ancak bu tezi oluşturan çalışmanın diğerlerinden farkı Ampirik Dalgacık Dönüşümü (ADD) tabanlı veriler üzerinde analizler yapılmış olmasıdır. ADD, verilen bir sinyali farklı modlara ayırmak için kullanılan bir yöntemdir. Uyarlanabilir bir dalgacık filtre bankasının tasarımına dayanır. Bu çalışmada kullanılan veri tabanı üzerinde ADD tekniği kullanılarak daha önce hiç çalışma yapılmamıştır. Veriseti olarak yapay zekâ temelli klinik tanı ve tedavi uygulamalarında kullanılabilecek, 12 kanallı akciğer seslerinden ve 4 kanallı kalp seslerinden oluşan RespiratoryDatabase@TR veri tabanı kullanılmıştır. RespiratoryDatabase@TR veri tabanı içerisinde kalp ve akciğer sesleri dışında göğüs filmi, solunum fonksiyon testi ölçümleri ve SGRQ-C anketinin cevapları da bulunmaktadır. Oskültasyon sesleri üzerinde gerekli ön işlemler yapıldıktan sonra ADD yöntemi uygulanarak sinyallerin farklı modları elde edilmiştir. Dönüşüm sonrasında elde edilen veriler üzerinde istatistiksel öznitelikler hesaplanmıştır. Son olarak geliştirilen sistemin başarısı 9 farklı sınıflandırma modelleri üzerinde uygulanıp, performansları değerlendirilmiştir.

Along with the developing technology, great developments are seen in the scientific world. Clinical advances in clinical diagnosis and treatment have also been greatly influenced by these developments. The systems developed as a result of the studies in the field of health are used both in the diagnosis of the diseases and in the treatment of the diseases. The main purpose of these studies is to reduce the margin of error and to help physicians by developing fast, reliable and cost-effective systems. In this thesis, a new method has been developed for the classification of Chronic Obstructive Pulmonary Disease (COPD) disease by using auscultation method. There are many studies in the literature on auscultation-based analysis and diagnosis of respiratory diseases. However, the difference of this study from the others is that Empirical Wavelet Transform (EWT) based data are analyzed. EWT is a method used to divide a given signal into different modes. It is based on the design of an adaptive wavelet filter bank. The database used in this study has never been studied before using the EWT technique. The RespiratoryDatabase@TR database, which consists of 12-channel lung sounds and 4-channel heart sounds, can be used in clinical diagnosis and treatment applications based on artificial intelligence. The RespiratoryDatabase@TR database includes heart and lung sounds as well as chest X-ray, pulmonary function test measurements, and answers to the SGRQ-C questionnaire. After the necessary pre-process were made on auscultation sounds, different modes of the signals were obtained by applying EWT method. Statistical characteristics were calculated on the data obtained after the transformation. Finally, the success of the system was applied on 9 different classification models and their performance was evaluated.