Сверточная нейронная сеть для ИТ-диагностики легких


https://doi.org/10.21122/2309-4923-2024-1-59-64

Полный текст:




Аннотация

Предметом исследований является использовании технологии обработки голоса пациента в ИТ-медицине. Цель статьи разработать нейронную сеть для диагностики заболеваний легких с помощью звукового анализа голоса пациента. Исследование включает в себя обучение нейронной сети, разработку мобильной программы для сбора звука пациента, извлечение звуковых характеристик на стороне сервера, диагностику звуковых данных с использованием обученной нейронной сети и возврат результатов диагностики в мобильную программу приложения. Представлена блок-схема обработки голоса от исходного сигнала до извлечения аудиофайла, в качестве примера приведено извлечение функций MFCC и FBank. Приведена структура сверточной нейронной сети (CNN), которая была обучена на стандарном наборе данных респираторных заболеваний. Приведен упрощенный процесс классификации звуков дыхания, необходимых для прогнозирования заболеваний легких. Для практической реализации использована в среде программирования Pyton сеть VGGish, которая имеет сетевые параметры, обученные с помощью набора данных. Эксприменты проведены на платформе Android service framework, которая разделена на две части: Android front-end и серверную. Интерфейсная часть реализует интерактивную функцию пользователя и отвечает за ввод аудиоданных. После загрузки аудио сервер выполнит предварительную обработку аудио, и вызовет CNN для классификации аудио, результаты возвращаются во внешний модуль на смартфоне. Лучшая точность модели достигла 83,6 %.


Об авторах

В. А. Вишняков
Белорусский государственный университет информатики и радиоэлектроники
Беларусь

Вишняков Владимир Анатольевич, д.т.н., профессор, профессор БГУИР, кафедра ИКТ

г. Минск



Т. Хэ
Белорусский государственный университет информатики и радиоэлектроники
Беларусь

Хэ Тао, магистрант факультета ИКТ

г. Минск



Список литературы

1. Hwang E.J., Park S., Jin K.-N. et al. Development and Validation of a Deep Learning based Automatic Detection Algorithm for Active Pulmonary Tuberculosis on Chest Radiographs. Clinical Infectious Diseases, 2019, Vol. 69, Issue 5, pp. 739-747.

2. Little M.A., McSharry, P.E., Roberts, S.J. et al. Exploiting Nonlinear Recurrence and Fractal Scaling Properties for Voice Disorder Detection. BioMed Eng OnLine 6, 23 (2007). DOI: 10.1186/1475-925X-6-23

3. Das N., Topalovic M., Janssens W. Artificial intelligence in diagnosis of obstructive lung disease: current status and future potential. Current Opinion in Pulmonary Medicine, 2018, Volume 24, Issue 2, pp. 117–123.

4. Rocha B.M., Filos D., Mendes L. et al. Α Respiratory Sound Database for the Development of Automated Classification. In: Precision Medicine Powered by pHealth and Connected Health, Singapore: Springer Singapore. 2018, pp. 33-37. (IFMBE Proceedings; vol. 66).

5. Amoh J., Odame K. Deep Neural Networks for Identifying Cough Sounds. IEEE Transactions on Biomedical Circuits and Systems. 2016, Vol. 10, Issue 5, pp. 1003-1011.

6. Aykanat M., Kılıç Ö., Kurt B., Saryal S. Classification of lung sounds using convolutional neural networks. EURASIP Journal on Image and Video Processing, 2017, Vol. 2017, Issue 1, pp. 65.

7. The Robust Feature Extraction of Audio Signal by Using VGGish Model [Electronic resource]. − Access mode :https:// www.linkedin.com/pulse/robust-feature-extraction-audio-signal-using-vggish-ijcsis. − Access date: 20.10.2023.


Дополнительные файлы

Для цитирования: Вишняков В.А., Хэ Т. Сверточная нейронная сеть для ИТ-диагностики легких. «Системный анализ и прикладная информатика». 2024;(1):59-64. https://doi.org/10.21122/2309-4923-2024-1-59-64

For citation: Vishniakou U.A., He T. Convolutional neural network for IT lung diagnostics. «System analysis and applied information science». 2024;(1):59-64. (In Russ.) https://doi.org/10.21122/2309-4923-2024-1-59-64

Просмотров: 47

Обратные ссылки

  • Обратные ссылки не определены.


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2309-4923 (Print)
ISSN 2414-0481 (Online)