Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Machine learning approach for automatic lungs sound diagnosis from pulmonary signals

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F21%3APU141505" target="_blank" >RIV/00216305:26220/21:PU141505 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://dx.doi.org/10.1109/TSP52935.2021.9522663" target="_blank" >http://dx.doi.org/10.1109/TSP52935.2021.9522663</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1109/TSP52935.2021.9522663" target="_blank" >10.1109/TSP52935.2021.9522663</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Machine learning approach for automatic lungs sound diagnosis from pulmonary signals

  • Popis výsledku v původním jazyce

    Chronic Respiratory Diseases (CRDs) are the most common diseases that affect people in today’s world. In COVID 19 pandemic many people are suffering from different types of respiratory diseases. There is a shortage of medical professionals and hence there is a requirement of artificial intelligence-based tools for automatic diagnosis of pulmonary diseases in the lungs. This paper presents a machine learning-based automatic classification method for the diagnosis of multiple pulmonary diseases from lung sounds. This work uses comprehensive lung sound categories labeled by a medical professional for use in machine learning-based classification. The proposed work uses four machine-learning classifiers (SVM, KNN, Naïve Bayes, and ANN) for the different discriminant features of lung sounds such as wheezing sound that can be used for diagnosis of asthma. For the detection of multiple lung sound in a noisy environment, data augmentation is used in training data and then trained the model where ANN using 5-fold cross-validation gives the average accuracy of 95.6%. The proposed method has low time complexity, is robust and non-invasive making it ideal for real-time applications to diagnose pulmonary diseases.

  • Název v anglickém jazyce

    Machine learning approach for automatic lungs sound diagnosis from pulmonary signals

  • Popis výsledku anglicky

    Chronic Respiratory Diseases (CRDs) are the most common diseases that affect people in today’s world. In COVID 19 pandemic many people are suffering from different types of respiratory diseases. There is a shortage of medical professionals and hence there is a requirement of artificial intelligence-based tools for automatic diagnosis of pulmonary diseases in the lungs. This paper presents a machine learning-based automatic classification method for the diagnosis of multiple pulmonary diseases from lung sounds. This work uses comprehensive lung sound categories labeled by a medical professional for use in machine learning-based classification. The proposed work uses four machine-learning classifiers (SVM, KNN, Naïve Bayes, and ANN) for the different discriminant features of lung sounds such as wheezing sound that can be used for diagnosis of asthma. For the detection of multiple lung sound in a noisy environment, data augmentation is used in training data and then trained the model where ANN using 5-fold cross-validation gives the average accuracy of 95.6%. The proposed method has low time complexity, is robust and non-invasive making it ideal for real-time applications to diagnose pulmonary diseases.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    20203 - Telecommunications

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2021

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    44th International Conference on Telecommunications and Signal Processing (TSP)

  • ISBN

    978-1-6654-2933-7

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    6

  • Strana od-do

    366-371

  • Název nakladatele

    IEEE

  • Místo vydání

    Virtual Conference

  • Místo konání akce

    Brno

  • Datum konání akce

    26. 7. 2021

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku

    000701604600078