1 XX. Biyomedikal Mühendisliği Ulusal Toplantısı, 3-5 Kasım, İzmirMakine Öğrenmesini Kullanarak Solunum Sesinin Analizinin Değerlendirilmesi Gökhan Altan1,*, Yakup Kutlu2 1Mustafa Kemal Üniversitesi 2İskenderun Teknik Üniversitesi *Sorumlu yazar: 32 32 GİRİŞ Tablo 2: Literatürde Solunum sesleri üzerine kullanılan öznitelik çıkarma metotları ve sınıflandırıcılar BULGULAR VE TARTIŞMA İlgili Çalışmalar Öznitelikler Sınıflandırıcı Maksimum Başarım Ses Türü Kandaswamy vd. [3] Dalgacık Dönüşümü İstatistiksel öznitelikler YSA 92.00% Normal Anormal Charleston-Villalobos vd [21] Güç spektral yoğunluğu Autoregressive modelleri Sağlıklılar için:75.00% Hastalar için: 93.00% Crackles Mastorocostas vd. [18] Dinamik ortogonal En küçük-Kare metodu BSA Crackles için 98.18% Squawks için % Crackles Squawks Depeursinge vd. [22] Akciğer filmlerinden öznitelikler İstatistiksel 92.40% Mastorocostas vd. [19] 98.63% Kumar [23] HILSA BUS 47.60% Rhonchi Mor vd. [24] Solunum sesi haritalama aygıtı öznitelikleri 51.25%  Normal Tocchetto vd. [25] Dalgacık Paket Dönüşümü İstatistiksel öznitelikler 99.26% Normal Crackles Wheezes Riella vd. [26] Spektogram Spektral izdüşüm 84.82% Wheezes Mondal vd. [27] Doku bilgisi, örnek entropi, çarpıklık, basıklık AÖM DVM AÖM ile 92.86% DVM ile 91.50% Normal Anormal Bahoura vd. [28] GMM Mel frekans filtre katsayıları Spektral analiz YSA VN GMM YSA ile 78.54% VN ile 75.19% GMM ile 83.72 Normal Wheezes Uysal vd. [29] YSA DVM 100.00% Ortalama: 97.16% Himeshima vd. [30] HMM Gaussian olasılık yoğunluk fonksiyon GMM 90.00% Güler vd. [31] Fourier Güç spektrum dağılımı Spektral analiz ANN+ Genetik algoritmalar 93.8% Normal Wheeze Crackle Ayar vd. [32] Dalgacık öznitelikleri, Morfolojik Frekans domeni özellikleri Morfolojik solunum sesi özellikleri BK 96.29% Oskültasyon, iç organlarda meydana gelen seslerin stetoskop yardımıyla dinlenmesi olayına verilen genel isimdir. Oskültasyon aracılığıyla solunum sesi, bağırsak sesi ve kalp sesi gibi dolaşım sistemi ve solunum sisteminin çalışmasının incelenmesi ve çeşitli hastalıkların tanısının konmasında en sık rastlanan yöntemler içerisindedir [1]. Oskültasyon sırasında akciğerlerdeki solunum seslerinin yoğunluğu ve şiddeti hastalık tanısı koyma sürecinde kullanılan anormal ses türleri olarak tanımlanır. Akciğer sesleri ile pulmoner rahatsızlıklar arasında çok yakın bir ilişki vardır [3]. Bu sesler normal akciğer sesleri ve anormal (Adventitious) sesler olarak temel iki kategoride incelenebilir. Normal akciğer sesleri Hz arasındaki frekanslarda duyulabilen seslerdir. Ek sesler genellikle solunum bozukluğu türünden hastalarda rastlanan ses türüdür. Akciğerlerin anatomik ya da fonksiyonel durumları göz önünde bulundurularak normal ve anormal solunum seslerinin tespiti göğüs oskültasyonu olarak isimlendirilmiştir[4]. Murphy [5] genişletilmiş dalgacık analizi kullanarak anormal seslerin analizini gerçekleştirmiş, Baugman ve Loudon [6] anormal seslerde başlangıç sapma genişliği, 2 çevrimlik süre ve en geniş başlangıç sapma gibi time-domain özniteliklerini kullanarak crackle tespiti yapmış, Reyes [7] fine crackle ve coarsa crackle tespiti için zaman-frekans dağılımının belirlenmesi için kullanılan Hilbert-Huang spektrum analizini kullanarak, Wang [8] çok kaynaklı solunum sesleri titreşimleri ve zaman gecikmeleri arasındaki ilişkiyi baz alarak kepstrum analizini kullanarak, Mankar [9] solunum seslerindeki zamanlama, tekrar miktarı, crackles şekillerini önemli parametreler olarak nitelendirerek normal ve anormal solunum seslerinin ayrık zamanlı ve ardından ters ayrık zamanlı dönüşümünü kullanarak patolojik değişimler üzerinden çeşitli solunum seslerinin analizini gerçekleştirmiştir. Normal ve Anormal solunum seslerinin ayırt edilmesi için Saklı Markov Modelleri (HMM) kullanarak maksimum olasılık yaklaşımı gibi istatistiksel yöntemler kullanılmıştır [10], [11]. Bu çalışmanın amacı, solunum sesleri hakkında detaylı bilgi vermek ve farklı solunum seslerinin sınıflandırılması ve ikinci aşama olarak da anormal solunum seslerin analizini yaparak gerçekleştirilen hastalık teşhislerini açıklamaktır. Literatürdeki öncü çalışmalar ve gelişmeler karşılaştırılarak solunum sesi analizinde gelinen noktayı yorumlamak ve eksikliklerin belirlenmesi amaçlanmaktadır. 32 MATERYAL & METOD Solunum Sesleri Oskültasyon sesleri normal ve anormal solunum seslerinin olmak üzere iki temel türde sınıflandırılmak mümkündür. Normal solunum sesleri sağlıklı bireylerden alınan oskültasyon sesleri olarak nitelendirilirken, anormal solunum sesleri akciğerlerdeki hava akışında meydana gelen sürekli veya sürekli olmayan problemler sonucu hava duvarlarında oluşan titreşimlerden kaynaklanan ses türleridir [12]. Anormal solunum sesleri kardiyak ve respitoral bozukluklar hakkında önemli bilgiler taşıyabildiği gibi ve bu hastalıkların teşhisinde ve izlenmesi süreçlerinde büyük bir öneme sahiptir ve sıklıkla kullanılır. Anormal solunum sesleri kendi içinde çeşitli ses karakterlerine göre sınıflandırılabilir ve bu sesler çeşitli pulmoner rahatsızlıkların teşhisinde daha özellikli bilgilere sahip olabilir. Ral Sesler (Crackles): Sürekli olmayan veya kısa süreli kesik kesik duyulan çıtırtı niteliğindeki müzikal olmayan nitelikte anormal seslerdir. Inspirasyon sırasında akciğerlerdeki hava yollarında kapalı kısımların birdenbire açılarak basınç değişiminin sonucu olarak o hava yollarına temas eden diğer bronşların kuvvetli titreşim yapmaları ile oluşur [12], [13]. Ronküs Sesler (Rhonchi): Akciğerdeki hava yollarının dar olmasından kaynaklanan solunum sesleridir. Hava akımı sırasında birbirinden uzaklaşan yollar hava akımı esnasında titreşime dönüşür ve tek müzikal bir ses duyulur. Sesin frekansı genelde 200 Hz den düşük seviyededir [15]. Hırıltı Sesleri (Wheeze): Hırıltı ve Ronküs sesler birbirine çok yakın olan oskültasyon sesleridir. Hırıltının Ronküslerden ayrıldığı yer ıslıklı hırıltıya sahip olmalarıdır [12]. Kısmi tıkanma olan hava yollarından hava geçerken meydana gelen titreşimle oluşan solunum sesidir [14]. Stridor Sesler: Trake veya gırtlakta meydana gelen morfolojik veya dinamik tıkanlar sonucu oluşan çok yüksek seviyede hırıltılardır Hz üzerindeki frekans spektrumlarında karakterize edilebilen bir solunum sesi türüdür [2], [12]. Ciyaklama Sesleri (Squawks): Ral seslerindeki gibi küçük hava yollarında meydana gelen ani basınç değişimleri sonucu açılan hava yollarındaki titreşimlerden meydana gelen ciyaklama türü bir solunum sesidir [16]. Bu tür solunum sesleri Ral sesler ve hırıltı solunum seslerinin birleşimi olarak değerlendirilebilir [17]. Literatürdeki çalışmalarda bilgisayar tabanlı solunum seslerinin sınıflandırılmasında farklı makine öğrenmesi algoritmaları kullanılmıştır. En sık kullanılan analiz yöntemleri içerisinde Yapay Sinir Ağları (YSA) ve istatistiksel değerlendirmeler gelmektedir. Aşırı Öğrenme makineleri (AÖM), k-NN algoritması, bulanık uzman sistemler (BUS), vektör niceleme (VN), bulanık kümeleme (BK), bulanık sinir ağları (BSA), destek vektör makineleri (DVM), Saklı Markov Modeli (HMM) ve Gaussian Karışım Modeli (GMM) solunum seslerinin sınıflandırılmasında kullanılan diğer makine öğrenme algoritmalarıdır. Tablo 2’de solunum sesleri üzerine yapılan detaylı olarak incelenmiştir. 32 SONUÇ Yapılan çalışmalar farklı türden anormal sesler üzerine yoğunlaştığı için çok çeşitli pulmoner rahatsızlıkların teşhisi ya da solunum sesleri üzerindeki anormalliklerin tespiti üzerine yoğunlaşmıştır. Bu çalışmalar içerisinde bazıları solunum seslerinden haritalar oluşturarak oluşturulan resimlerden görüntü işleme yöntemleriyle öznitelik sağlarken [22], [24], [26], diğerleri direk olarak konuşma işlemede de yüksek başarımlara sahip olan dönüşüm yöntemleri (HMM, GMM, vb.) uygulanmıştır [10], [11], [25], [27]–[31]. Solunum sisteminde sıradan patolojik değişimler veya hastalıklar için tipik karakteristiklere sahip geniş yelpazede normal ve anormal solunum sesleri vardır. Hastalıklara sahip olan bireylerdeki solunum seslerinin akustik örüntülerinin analizi yeteneği pulmoner rahatsızlıkların patolojik ve fizyolojik bulgularının öğrenilmesini geliştirecektir. Bu durum klinik değerlendirmede kullanılacak bulguların elde edileceği cihazların üretilmesi, erken teşhis sistemlerinde kullanılması ve uzmana bağımlılığın azalması gibi avantajlarıyla ileriki yıllarda çokça çalışılacak bir alan olma özelliği taşımaktadır. Tablo 1: Anormal Solunum sesleri ve işaret ettiği olası hastalıklar Anormal Solunum Sesleri Teşhis edilebilecek olası hastalıklar Crackles Alveolit, pulmoner fibrozis, zatürree, asbestozis, kronik bronşit, bronşektazi, konjestif kalp yetmezliği Wheezes Obstruktif akciğer rahatsızlıkları (örn. Astım), kistik fibrozis  Stridor Larenjit, anatomik hipotez, gırtlak rahatsızlıkları, ses teli felci, hava yolu inflomasyonu, tümör, trakeal daralma  Squawks Alerjik iltihap, pulmoner fibrozis, intersitial fibrozis Rhonchi Tümörler, zatürree, Obstruktif pulmoner rahatsızlıklar TEŞEKKÜR 32 Bu çalışma TÜBİTAK 116E190 numaralı projeyi desteklemek için yapılan bir çalışmadır. 32 KAYNAKLAR [1] H. Melbye, “Auscultation of the lungs--still a useful examination?,” Tidsskr. den Nor. lægeforening Tidsskr. Prakt. Med. ny række, vol. 121, no. 4, pp. 451–4, 2001. [2]S. McGee, “Chapter 28--Auscultation of the lungs,” Evidence-based Phys. diagnosis (third Ed. Philadelphia WB Saunders, pp. 251–266, 2012. [3]A. Kandaswamy, C. S. Kumar, R. P. Ramanathan, S. Jayaraman, and N. Malmurugan, “Neural classification of lung sounds using wavelet coefficients,” Comput. Biol. Med., vol. 34, no. 6, pp. 523–537, 2004. [4]A. R. A. Sovijarvi, L. P. Malmberg, vd., “Characteristics of breath sounds and adventitious respiratory sounds,” Eur. Respir. Rev., vol. 10, no. 77, pp. 591–596, 2000. [5]R. L. H. Murphy Jr, E. A. Del Bono, and F. Davidson, “Validation of an Automatic Crackle (Rale) Counter1, 2,” Am Rev Respir Dis, vol. 140, pp. 1017–1020, 1989. [6]R. P. Baughman and R. G. Loudon, “Quantitation of wheezing in acute asthma.,” CHEST J., vol. 86, no. 5, pp. 718–722, 1984. [7]B. A. Reyes, S. Charleston-Villalobos, R. Gonzalez-Camarena, and T. Aljama-Corrales, “Analysis of discontinuous adventitious lung sounds by Hilbert-Huang spectrum.,” in Annual International Conference of the IEEE Engineering in Medicine and Biology Society., 2008, vol. 2008, pp. 3620–3. [8]B. Wang, L. Miao, H. Dong, and Z. Zheng, “The research of lung sound signals based on cepstrum analysis,” in Biomedical Engineering and Biotechnology (iCBEB), 2012 International Conference on, 2012, pp. 934–938. [9]J. V Mankar and P. K. Malviya, “Analysis of lung diseases and detecting deformities in human lung by classifying lung sounds,” in Communications and Signal Processing (ICCSP), 2014, pp. 1059–1063. [10]S. Matsunaga, K. Yamauchi, M. Yamashita, and S. Miyahara, “Classification between normal and abnormal respiratory sounds based on maximum likelihood approach,” in 2009 IEEE International Conference on Acoustics, Speech and Signal Processing, 2009, pp. 517–520. [11]M. Yamashita, S. Matsunaga, and S. Miyahara, “Discrimination between healthy subjects and patients with pulmonary emphysema by detection of abnormal respiration,” in 2011 IEEE (ICASSP), 2011, pp. 693–696. [12]R. Loudon and R. L. Murphy, “Lung sounds.,” Am. Rev. Respir. Dis., vol. 130, no. 4, pp. 663–73, 1984. [13]A. Vyshedskiy, R. M. Alhashem, R. Paciej, M. Ebril, I. Rudman, J. J. Fredberg, and R. Murphy, “Mechanism of inspiratory and expiratory crackles,” Chest, vol. 135, no. 1, pp. 156–164, 2009. [14]L. Vannuccini, J. E. Earis, P. Helisto, B. M. G. Cheetham, M. Rossi, A. R. A. Sovijarvi, and J. Vanderschoot, “Capturing and preprocessing of respiratory sounds,” Eur. Respir. Rev., vol. 10, no. 77, pp. 616–620, 2000. [15]S. Lehrer, Understanding lung sounds. WB Saunders Company, 1984. [16]H. Pasterkamp, S. S. Kraman, and G. R. Wodicka, “Respiratory sounds: Advances beyond the stethoscope,” American Journal of Respiratory and Critical Care Medicine, vol. 156, no. 3 I. pp. 974–987, 1997. [17]S. S. Kraman, “Lung sounds: an introduction to the interpretation of the auscultatory finding,” 1993. [18]P. Mastorocostas, D. Stavrakoudis, and J. Theocharis, “A pipelined recurrent fuzzy model for real-time analysis of lung sounds,” Eng. Appl. Artif. Intell., vol. 21, no. 8, pp. 1301–1308, 2008. [19]P. A. Mastorocostas, “A recurrent fuzzy filter for the analysis of lung sounds,” Fuzzy Sets Syst., vol. 157, no. 4, pp. 578–594, 2006. [20]T. H. Falk and W.-Y. Y. Chan, “Modulation filtering for heart and lung sound separation from breath sound recordings.,” Conf. Proc Annu. Int. Conf. {IEEE} Eng. Med. Biol. Soc. {IEEE} Eng. Med. Biol. Soc. Annu. Conf., vol. 2008, pp. 1859–1862, 2008. [21]S. Charleston-Villalobos, G. Martinez-Hernandez, and others, “Assessment of multichannel lung sounds parameterization for two-class classification in interstitial lung disease patients,” Comp. Biol. Med., vol. 41, no. 7, pp. 473–482, 2011. [22]A. Depeursinge, A. Vargas, A. Platon, A. Geissbuhler, P. A. Poletti, and H. Müller, “Building a reference multimedia database for interstitial lung diseases,” Com. Med. Imaging Graph.,vol. 36, no. 3,pp. 227–238, 2012. [23]B. H. Kumar, “A fuzzy expert system design for analysis of body sounds and design of an unique electronic stethoscope (development of HILSA kit),” Biosens. Bioelectron., vol. 22, no. 6, pp. 1121–1125, 2007. [24]R. Mor, I. Kushnir, J.-J. Meyer, J. Ekstein, and I. Ben-Dov, “Breath sound distribution images of patients with pneumonia and pleural effusion.,” Respir. Care, vol. 52, no. 12, pp. 1753–1760, 2007. [25]M. A. Tocchetto, A. S. Bazanella, and others, “An Embedded Classifier of Lung Sounds based on the Wavelet Packet Transform and ANN,” IFAC Proc. Vol., vol. 47, no. 3, pp. 2975–2980, 2014. [26]R. J. Riella, P. Nohama, and J. M. Maia, “Method for automatic detection of wheezing in lung sounds,” Brazilian J. Med. Biol. Res., vol. 42, no. 7, pp. 674–684, 2009. [27]A. Mondal, P. Bhattacharya, and G. Saha, “Detection of lungs status using morphological complexities of respiratory sounds,” Sci. World J., vol. 2014, 2014. [28]M. Bahoura and C. Pelletier, “Respiratory sounds classification using cepstral analysis and Gaussian mixture models.,” Conf. Proc. IEEE Eng. Med. Biol. Soc., vol. 1, no. 2, pp. 9–12, 2004. [29]S. Uysal, H. Uysal, B. Bolat, and T. Yildirim, “Classification of normal and abnormal lung sounds using wavelet coefficients,” in nd Sig. Proc. and Com. App. Conference (SIU), 2014, pp. 2138–2141. [30]M. Himeshima, M. Yamashita, S. Matsunaga, and S. Miyahara, “Detection of abnormal lung sounds taking into account duration distribution for adventitious sounds,” in Signal Processing Conference (EUSIPCO), 2012 Proceedings of the 20th European, 2012, pp. 1821–1825. [31]I. Güler, H. Polat, and U. Ergün, “Combining neural network and genetic algorithm for prediction of lung sounds,” J. Med. Syst., vol. 29, no. 3, pp. 217–231, 2005. [32]F. Ayar, M. Ksouri, and A. Alouani, “A new scheme for automatic classification of pathologic lung sounds,” IJCSI Int. J. Comput. Sci., vol. 9, no. 4, pp. 448–458, 2012.