haku: @keyword neural network / yhteensä: 37
viite: 4 / 37
| Tekijä: | Kallio, Kari Hannu |
| Työn nimi: | Hengitysäänien luokittelu itseorganisoituvilla piirrekartoilla |
| Classification of Lung Sounds by Using Self-Organizing Feature Maps | |
| Julkaisutyyppi: | Diplomityö |
| Julkaisuvuosi: | 2010 |
| Sivut: | ix + 214 s. + liitt. 22 Kieli: fin |
| Koulu/Laitos/Osasto: | Informaatio- ja luonnontieteiden tiedekunta |
| Oppiaine: | Lääketieteellinen tekniikka (Tfy-99) |
| Valvoja: | Koskelainen, Ari |
| Ohjaaja: | Helistö, Panu |
| OEVS: | Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossaOppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa. Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/ Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.
Kirjautuminen asiakaskoneille
Opinnäytteen avaaminen
Opinnäytteen lukeminen
Opinnäytteen tulostus
|
| Sijainti: | P1 Ark Aalto 172 | Arkisto |
| Avainsanat: | classification lung sound neural network pattern recognition self-organizing map SOM hahmontunnistus hengitysääni itseorganisoituva piirrekartta IOK luokittelu neuroverkko |
| Tiivistelmä (fin): | Hengityselinsairaudet, erityisesti astma ja allergia, ovat ympäristötekijöiden ja muuttuneiden elinolojen vuoksi jo pitkään lisääntyneet. Paluuta luontoon ei ole näköpiirissä eikä tupakointikaan ole ratkaisevasti vähentynyt, joten keuhkojen ongelmat ovat tulleet jäädäkseen. Hengitysäänitutkimus on voimistunut nopeasti uuden tekniikan suomien mahdollisuuksien ansiosta. Hengitysäänien analyysi perustuu perinteisesti lääkärin stetoskoopilla tekemään auskultointiin ja kuultujen äänien kokemusperäiseen tunnistamiseen. Signaalinkäsittely ja hahmontunnistus tarjoavat uusia välineitä hengitysäänien erotteluun. Itseorganisoituva piirrekartta (IOK, SOM) on biologisen hermojärjestelmän tapaan toimiva neuroverkko, jota on menestyksellisesti hyödynnetty puheentunnistuksessa jo kolmen vuosikymmenen ajan. Tässä diplomityössä on ensimmäisenä maailmassa sovellettu akateemikko Teuvo Kohosen luomaa itseorganisoituvaa piirre-karttamenetelmää hengitysäänien luokitteluun. Piirrevektori koostetaan puheentunnistuksesta saadun mallin mukaan signaalin tehollisarvosta ja FFT-spektristä poimituista taajuuskomponenteista. Työssä on laadittu Kohosen teorian pohjalle ohjelmisto, joka sisältää hahmolaskennan, itseorganisoituvan kartan opetuksen, hengitysäänien tunnistuksen sekä luokitustulosten havainnollistamisen. Menetelmä järjestää opetusääniryhmien hahmot kartalle muodostaen niistä klustereita äänien piirteiden perusteella. Organisoitunutta karttaa voidaan käyttää erilaisten normaalien ja poikkeavien hengitysäänien tunnistamiseen ja sairauksien erotteluun. Työssä tehtyjen useiden luokittelututkimusten tulokset osoittavat, että menetelmä sopii hengitysäänien luokitteluun. Työssä kuitenkin havaittiin, että puheentunnistuksessa käytetty piirrevektori ei hieman muokattunakaan ole paras mahdollinen. Työssä on tehty melko laaja kirjallisuuskatsaus. Julkaisuihin ja oman tutkimusryhmän saavutuksiin viitaten työssä arvioidaan alustavasti joitakin vaihtoehtoisia piirrevektoreita. Pohdinnoissa tehdään selvitys uuden piirrevektorin suunnittelun pohjaksi. Jatkotutkimusaiheiksi ehdotetaan tässä työssä tehtyjä havaintoja menetelmän kehittämiseksi ja luokitustulosten parantamiseksi. Tulevaisuudennäkymissä todetaan, että luokittelun edellytyksiä parantavat eurooppalaisen standardointityön tulosten hyödyntäminen ja merkittävään rooliin astuneet kansainväliset tietoverkot. Nämä helpottavat myös rajat ylittävän tutkimus-tietokannan perustamista ja hengitysäänien keräämistä. Lisäksi työssä ehdotetaan mallia älykkään automaattisen luokittelijan rakentamiseksi hengitysäänien laadunvalvontaan ja varsinaiseen luokitteluun. |
| Tiivistelmä (eng): | Lung and bronchial diseases, especially asthma and allergies, have been increasing in frequency for a long time because of environmental factors and the changed living circumstances. Returning to nature is not possible and smoking has not decreased remarkably therefore lung problems have come to stay. Lung sound research has rapidly become intensified with the possibilities granted by new technology. Traditionally respiratory sound analysis is based on the auscultation made by the doctor with the stethoscope and the sounds heard and empirically recognized. Signal processing and pattern recognition offer new tools for the separation of breath sounds. Self-organizing feature map (SOM) is a neural network that imitates the biological neural system. It has successfully been utilized in speech recognition already during three decades. In this thesis, we have for the first time in the world applied the method of self-organizing feature map created by academician Teuvo Kohonen for the classification of lung sounds. The feature vector is assembled according to the model used in speech recognition with signal rms-value and FFT frequency components. The program composed according to Kohonen's theory comprises pattern computation, teaching of the self-organizing map, recognition of lung sounds and visualization of classification results. The method organizes the teaching sound patterns on the map forming clusters of the lung sound groups according to their features. The organized map can be used for the recognition of normal and adventitious breath sounds and for the separation of diseases. The results of the experiments indicate that the method is suit-able for classification of lung sounds. However, the findings of this study suggest that the feature vector modified from speech recognition is not the best possible. A fairly extensive literature review has been done in this study. Tentatively, some alternative feature vectors have been evaluated referring to publications concerning classification of lung sounds. Preliminary suggestions are given to plan a new feature vector. Based on the findings of the present study, future research should focus on the improvements of the method and the classification results. New possibilities to significantly improve the process of classification have been opened by European lung sound standards and the growing international networks. These will also facilitate the set up of a cross-border research database and the collection of respiratory sounds. In addition this thesis proposes a model to build up an intelligent automated classifier for lung sound quality control and the actual classification. |
| ED: | 2010-06-11 |
INSSI tietueen numero: 39792
+ lisää koriin
INSSI