Classificação de sons respiratórios adventícios em crianças

Abstract

As doenças respiratórias assumem-se como uma das principais causas de morte, originando problemas de saúde, sociais e económicos em todo o mundo. Nesse sentido têm sido investigados métodos para melhorar o diagnóstico, acompanhamento e prognóstico de pacientes com essas doenças. A análise computacional de sons respiratórios é uma das formas de detetar as patologias respiratórias. Nesta dissertação pretende-se avaliar a capacidade de classificação de sons adventícios em crianças, realizando um estudo de "feature engineering" através das features mais utilizadas no estado de arte, e ainda comparar essa classificação à obtida para a população adulta. A metodologia adotada consistiu em estratificar por idades a base de dados da população infantil e utilizar 42 features em conjunto com 4 algoritmos de machine learning para classificar sibilâncias, fervores e sons normais. Procedeu-se à seleção de features por meio de 3 algoritmos distintos a fim de avaliar o desempenho das features. A combinação das features mais relevantes e a otimização de parâmetros do SVM permitiu obter uma f-measure média de 0,794; 0,891; 0,850; 0,882; 0,933; 0,842 para as amostras 0-2 anos, 3-6 anos, todos os sons de crianças, apenas fervores (crianças), apenas sibilâncias (crianças) e adultos, respetivamente. Em suma, os resultados foram bastante promissores, comprovando-se a grande potencialidade dessas features para a classificação de sons adventícios em crianças. Ficou também demonstrado que a estratificação por idades na população infantil é significante e melhora os resultados da classificação. Como trabalhos futuros propõe-se testar a classificação numa base de dados maior e estendê-la a outros sons adventícios, bem como averiguar a influência do local de aquisição do som respiratório e investigar as diferenças nas features selecionadas para a população infantil e adulta.

Respiratory diseases are considered one of the main causes of death, causing health, social and economic problems worldwide. In this sense, several methods to improve diagnosis, monitoring and prognostic of patients with these diseases have been investigated. The computational analysis of respiratory sounds is one of the ways to detect respiratory pathologies. This dissertation aims to evaluate the ability to classify adventitious sounds in children, carrying out a feature engineering study using the most used features in the state of the art, and also to compare this classification to that obtained for the adult population. The adopted methodology consisted of separating the children's population database by age and using 42 features along with 4 machine learning algorithms to classify wheezes, crackles and normal sounds. The selection of features was carried out using 3 different algorithms in order to evaluate the performance of features. The combination of the most relevant features and the optimization of SVM parameters allowed to obtain an average f-measure of 0.794; 0.891; 0.850; 0.882; 0.933; 0.842 for samples 0-2 years, 3-6 years, all sounds of children, only crackles (children), only wheezes (children) and adults, respectively. In sum, the results were very promising, proving the great potential of these features for the classification of adventitious sounds in children. It was also demonstrated that the separation by age in the child population is significant and improves the results of the classification. As future work, it is proposed to test the classification in a larger database and extend it to other adventitious sounds, as well as to investigate the infuence of the place of acquisition of the respiratory sound and investigate the differences in the select features for the child and adult population.