Please use this identifier to cite or link to this item: http://hdl.handle.net/10316/97913
Title: Differential Diagnosis of Respiratory Pathologies: a Data-Driven Approach based on Respiratory Sounds
Other Titles: Diagnóstico diferencial de patologias respiratórias: uma abordagem baseada em dados de sons respiratórios
Authors: Bastos, Daniel Filipe Simões
Orientador: Carvalho, Paulo Fernando Pereira de
Paiva, Rui Pedro Pinto de Carvalho e
Keywords: Classificação; Machine Learning; Sons Respiratórios; Features; Diagnóstico Diferencial de Doenças Respiratórias; Classification; Machine Learning; Respiratory Sounds; Features; Differential Diagnosis of Respiratory Diseases
Issue Date: 23-Nov-2021
Serial title, monograph or event: Differential Diagnosis of Respiratory Pathologies: a Data-Driven Approach based on Respiratory Sounds
Place of publication or event: DEI
Abstract: Doenças respiratórias são uma das principais causas de morte no mundo, causando uma série de problemas económicos e sociais. Para tentar contrariar isso, novos e melhores métodos de diagnóstico e acompanhamento têm sido procurados, havendo um grande investimento nessa área. A análise computacional de sons respiratórios é uma área que se tem desenvolvido bastante para tentar parar este tipo de doenças.Esta dissertação tem o objetivo de avaliar a possibilidade de criação de um sistema de diagnóstico diferencial de patologias respiratórias, usando uma abordagem baseada em dados de sons sonoros. A metodologia adotada consistiu em extrair um conjunto de features das 3 bases de dados de sons respiratórios disponíveis, onde um total de 81 features são extraídas de cada gravação de som respiratório. De seguida foram usados 3 tipos de classificadores de machine learning para tentar classificar cada gravação em diferentes classes. Para além de usar todas as features para a classificação, métodos de seleção de features também foram usados de forma a tentar selecionar as melhores features e obter melhores resultados. Os melhores resultados foram possíveis usando a base de dados do ICBHI, classificando entre a classe de patologias crónicas e patologias não crónicas. No entanto estes foram os únicos resultados satisfatórios.Concluindo, grande parte dos resultados tiveram uma performance bastante baixa, provando-se que, usando estes métodos e materiais, não é possível criar um sistema de diagnóstico de patologias respiratórias. Como trabalhos futuros propõe-se ser testado o uso de outras features, o uso de bases de dados maiores e mais balanceadas, e tendo bases de dados maiores, o uso de técnicas de deep learning.
Respiratory diseases are one of the main causes of death in the world, causing a series of economical and social problems. Trying to counter that, new and better diagnosing and monitoring methods are being searched, having a great investment in that area. Computational analysis of respiratory sounds is an area that is being developed in order to try to resolve this problem.This dissertation has the main goal of evaluating the possibility of the creation of a differential diagnosis system of respiratory pathologies, using respiratory sounds data. The adopted methods consist of extracting a set of features from the 3 available respiratory sounds databases, where a total of 81 features are extracted from each respiratory sound recording. Then 3 types of machine learning classifiers are used to try to classify each recording in different classes. Besides using all features, feature selection methods are also used in order to try to select the best features and achieve better results. The best results are achieved using the ICBHI database, classifying between Chronic and Non-Chronic pathologies. However, these were the only satisfactory results.In conclusion, a big part of the results obtained have a low performance, proving that, using these methods and materials, it is not possible to create a differential diagnosis system of respiratory pathologies. As future work it is proposed that new features are tested, the use of bigger and better balanced databases, and using bigger databases, the use of deep learning techniques.
Description: Dissertação de Mestrado Integrado em Engenharia Biomédica apresentada à Faculdade de Ciências e Tecnologia
URI: http://hdl.handle.net/10316/97913
Rights: openAccess
Appears in Collections:UC - Dissertações de Mestrado

Files in This Item:
File Description SizeFormat
Tese Daniel Bastos.pdf887.1 kBAdobe PDFView/Open
Show full item record

Page view(s)

20
checked on Aug 12, 2022

Download(s)

26
checked on Aug 12, 2022

Google ScholarTM

Check


This item is licensed under a Creative Commons License Creative Commons