Étude des techniques d'extraction de caractéristiques des sons respiratoires en vue d'optimiser leur classification automatique

Taoug, Abderahmane (2022). Étude des techniques d'extraction de caractéristiques des sons respiratoires en vue d'optimiser leur classification automatique. Mémoire. Rimouski, Université du Québec à Rimouski, Département de mathématiques, informatique et génie, 88 p.

Prévisualisation

PDF Télécharger (2MB) | Prévisualisation

Résumé

RÉSUMÉ : L'asthme, la maladie pulmonaire obstructive chronique (MPOC) et de nombreux autres types de maladies pulmonaires constituent une cause majeure de décès dans le monde, selon l'Organisation mondiale de la santé. Dû à ces maladies, des sons respiratoires anormaux, tels que les crépitants et les sifflements, sont surajoutés aux sons respiratoires normaux. Compte tenu de la nature subjective de l'information obtenue à partir de l'auscultation par stéthoscope, nous sommes dans le besoin de réaliser un système de classification objective des sons respiratoires basé sur l'apprentissage machine. Notre projet consiste à la réalisation d'un système d'aide au diagnostic permettant la classification automatique des sons respiratoires, en 4 classes (Normaux, sifflements, crépitants et le cas contenant les sifflements et les crépitants simultanément) utilisant la base de données ICBHI 2017. Globalement le système opère en deux étapes principales : l'extraction des caractéristiques des sons respiratoires et ensuite leurs classifications. Pour atteindre cet objectif, nous proposons de tester quinze systèmes obtenus par l'utilisation de cinq techniques d'extraction de caractéristiques (les coefficients cepstraux à l'échelle de Mel (MFCC), les coefficients cepstraux en fréquences Gammatone (GFCC), la transformée par paquets d'ondelettes (WPT), une combinaison des coefficients MFCC et WPT, et une combinaison des coefficients GFCC et WPT), en combinaison avec les trois modèles de classification (le perceptron multicouche (MLP), les machines à vecteur de support (SVM) et le k-plus proches voisins (k-NN)). Une phase de prétraitement a été effectuée sur les sons respiratoires avant de les présenter à ces systèmes de caractérisation/classification. Les meilleurs résultats ont été obtenus avec la combinaison de la technique d'extraction de caractéristiques basé sur les coefficients GFCC-WPT et le classifieur SVM, avec plus de 90 % d'exactitude et de score ICBHI. Les classifieurs à base de réseaux de neurones MLP et de k-NN ont également révélé des résultats prometteurs pour la classification, avec plus de 87 % d'exactitude et de score ICBHI. -- Mot(s) clé(s) en français : Sons respiratoires, MPOC, crépitants, sifflements, extraction des caractéristiques, GFCC, WPT, Classification automatique, MLP, SVM, k-NN. --
ABSTRACT : Asthma, chronic obstructive pulmonary disease (COPD) and many other types of lung diseases are a major cause of death across the world, according to the World Health Organization. Due to these diseases, abnormal breath sounds, such as crackles and wheezes, are added to the normal breath sound. Given the subjective nature of the information obtained from stethoscope auscultation, we need an objective classification system for respiratory sounds based on machine learning. Our project consists in the realization of a diagnostic aid system allowing the automatic classification of respiratory sounds, in 4 classes (Normal, Wheezes, Crackles and the case containing wheezes and crackles simultaneously) using the ICBHI 2017 database. Overall, the system operates in two main steps: feature extraction of the respiratory sounds and then their classifications. To achieve this goal, we propose to test fifteen systems obtained by using five feature extraction techniques (Mel-scale cepstral coefficients (MFCC), Gammatone frequency cepstral coefficients (GFCC), the wavelet packet transform (WPT), a combination of the MFCC and WPT coefficients, and a combination of the GFCC and WPT coefficients), in combination with the three classification models (the multilayer perceptron (MLP), the support vector machines (SVM), and the k-nearest neighbor (k-NN)). A preprocessing phase was performed on the breath sounds before presenting them to these characterization/classification systems. The best results were obtained with the combination of the GFCC-WPT coefficient-based feature extraction technique and the SVM classifier, with over 90% accuracy and ICBHI score. The MLP and k-NN based neural network classifiers also showed promising results for classification, with over 87% accuracy and ICBHI score. -- Mot(s) clé(s) en anglais : Breath sounds, COPD, crackles, wheezes, feature extraction, GFCC, WPT, Automatic classification, MLP, SVM, k-NN.

Type de document :	Thèse ou mémoire de l'UQAR (Mémoire)
Directeur(trice) de mémoire/thèse :	Bahoura, Mohammed
Information complémentaire :	Mémoire présenté dans le cadre du programme de maîtrise en ingénierie en vue de l'obtention du grade de maître ès sciences appliquées (M. Sc. A.).
Mots-clés :	Appareil respiratoire; Bruits; Diagnostic; Sibilances; Sifflements; Crépitements; Apprentissage automatique; Classification automatique; Coefficients cepstraux.
Départements et unités départementales :	Département de mathématiques, informatique et génie > Génie
Déposé par :	DIUQAR UQAR
Date de dépôt :	22 mars 2023 15:24
Dernière modification :	22 mars 2023 15:24
URI :	https://semaphore.uqar.ca/id/eprint/2136

Actions (administrateurs uniquement)

Éditer la notice