Use este identificador para citar ou linkar para este item:
http://repositorioinstitucional.uea.edu.br//handle/riuea/3730| Título: | Classificação de anomalias em sons respiratórios utilizando processamento digital de sinais de áudio e redes neurais artificiais |
| Título(s) alternativo(s): | Classification of anomalies in respiratory sounds using digital processing of audio signals and artificial neural networks |
| Autor(es): | Calheiro, Mauricio Souza |
| Orientador(es): | Silva, Edgard Luciano Oliveira da |
| Palavras-chave: | Sons pulmonares;Sinais de áudio;Rede neural convolucional;Lung sounds;Audio signals;Convolutional neural network |
| Data do documento: | 29-Dez-2021 |
| Editor: | Universidade do Estado do Amazonas |
| Resumo: | Nesta pesquisa foi elaborado um modelo de aprendizado de máquina para classificar sons pulmonares, com a finalidade de identificar a presença de sons anormais contínuos (sibilos) e descontínuos (estertores). Para tal, utilizou-se técnicas de processamento digital de sinais para processar e extrair características dos sinais de áudio (MFCCs e espectrogramas em escala Mel) e uma rede neural convolucional para realizar a classificação em dois cenários. Os dados utilizados foram obtidos de um dataset distribuído gratuitamente pela internet. No primeiro cenário, preocupou-se em classificar os sons presentes nos ciclos respiratórios, e o melhor resultado obtido foi a detecção de estertores, com acurácia de 82%. O segundo cenário consiste na classificação das comorbidades dos pacientes, onde obteve-se 94% de acurácia e F1- score (média macro). Os resultados mostram que é possível realizar a classificação com precisão apenas para algumas classes, o que indica que é preciso refinamento do método ou dos dados utilizados. sons pulmonares, sinais de áudio, rede neural convolucional |
| Abstract: | In this research, a machine learning model was developed to classify lung sounds, with the purpose of identifying the presence of continuous (wheezes) and discontinuous (crackles) abnormal sounds. Digital signal processing techniques were used to process audio signals and extract its features (MFCCs and Mel scale spectrograms) and a convolutional neural network was used to perform the classification in two scenarios. The data used were obtained from a dataset distributed free of charge on the internet. The first scenario is concerned with classifying the sounds present in the respiratory cycles, and the best result obtained was the detection of crackles, with 82% accuracy. The second scenario consists in classifying the patients' comorbidities, where 94% of accuracy and F1-score (macro average) were obtained. The results show that it is possible to perform the classification with precision only for some classes, which indicates that it is necessary to refine the method or data used. |
| URI: | http://repositorioinstitucional.uea.edu.br//handle/riuea/3730 |
| Aparece nas coleções: | EST - Trabalho de Conclusão de Curso Graduação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| Classificação de anomalias em sons respiratórios utilizando processamento digital de sinais de áudio e redes neurais artificiais.pdf | 3,13 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.