فایل ورد کامل دسته بندی نوع خس خس کردن با استفاده از روش نسبت انرژی بهینه مبتنی بر تبدیل موجی غیردوتایی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل دسته بندی نوع خس خس کردن با استفاده از روش نسبت انرژی بهینه مبتنی بر تبدیل موجی غیردوتایی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۳ صفحه

پیش زمینه و هدف: خس خس کردن در صداهای ریوی، اختلالی است که اغلب با نوع انسدادی بیماری های ریوی همراه است. کارهای قبلی روی دسته بندی انواع خس خس کردن ها اساسا” روی استفاده از دقت زمانی – بسامدی/ مقیاسی ثابت برمبنای تبدیلات فوریه و موجی متمرکز بودند. سهم اصلی روش پیشنهادی که در آن دقت زمانی – بسامدی می تواند برطبق سیگنال موردنظر میزان سازی شود، متمایزسازی خس خس کردن های تک صدایی و چند صدایی با دقتی بالاتر از روشهای قبلا” پیشنهاد شده ی مبتنی بر زمان و زمان – بسامد/ مقیاس می باشد.

روشها: یک تبدیل موجی بهینه اتساعی منطقی (RADWT) برمبنای روش انتخاب پارامتر نسبت پیک انرژی (PER)، برای متمایزسازی انواع خس خس کردن ها پیشنهاد می شود. از نسبت های بسامد چارکی قبلا” پیشنهاد شده، بی نظمی تقاطعی میانگین، دسته بندی چندگانه سیگنال، سپستروم بسامدی و دیدگاههای تبدیل موجی گسسته دوتایی نیز استفاده شد و برتری روش پیشنهادی در طرح های اعتبارسنجی تقاطعی LOO و LOSO با دسته بندی کننده های ماشین بردار پشتیبان (SVM)، نزدیکترین همسایه k (k-NN) و ماشین یادگیری کرانی (ELM) نشان داده می شود.

نتایج: نتایج نشان می دهند که روش پیشنهادی مبتنی بر RADWT برای همه دسته بندی کننده ها هم در شرایط اعتبارسنجی تقاطعی LOO و هم در LOSO، نسبت به دیدگاههای پیشرفته زمانی، بسامدی، زمانی – بسامدی و دامنه مقیاس زمانی، برتری دارد. وقتی که مشخصه های پیشنهاد شده PER به داخل SVM وارد شوند، بالاترین مقدار دقت در LOO و LOSO به ترتیب برابر با ۸۶ و ۹/۸۲ درصد به دست آمد.


نتیجه گیری: این نتیجه گرفته می شود که خصوصیات زمانی و دامنه بسامدی خس خس کردن ها پایدار نیستند و از این رو نمایش های تنظیم پذیر مقیاس زمانی در متمایزسازی خس خس کردن های تک صدایی و چند صدایی درمقایسه با نمایش های سنتی دارای دقت ثابت، موفق تر هستند.

کلیدواژه ها: صداهای ریه | صداهای تنفسی | متمایزسازی | خس خس کردن | تک صدایی | چند صدایی

عنوان انگلیسی:

Wheeze type classification using non-dyadic wavelet transform based optimal energy ratio technique

~~en~~ writers :

Sezer Ulukaya, Gorkem Serbes, Yasemin P: Kahya

Background and objective: Wheezes in pulmonary sounds are anomalies which are often associated with obstructive type of lung diseases. The previous works on wheeze-type classification focused mainly on using fixed
time-frequency/scale resolution based on Fourier and wavelet transforms. The main contribution of the proposed method, in which the time-scale resolution can be tuned according to the signal of interest, is to discriminate monophonic and polyphonic wheezes with higher accuracy than previously suggested time and timefrequency/scale based methods.

Methods: An optimal Rational Dilation Wavelet Transform (RADWT) based peak energy ratio (PER) parameter
selection method is proposed to discriminate wheeze types. Previously suggested Quartile Frequency Ratios,
Mean Crossing Irregularity, Multiple Signal Classification, Mel-frequency Cepstrum and Dyadic Discrete Wavelet
Transform approaches are also applied and the superiority of the proposed method is demonstrated in leave-oneout (LOO) and leave-one-subject-out (LOSO) cross validation schemes with support vector machine (SVM), k
nearest neighbor (k-NN) and extreme learning machine (ELM) classifiers.

Results: The results show that the proposed RADWT based method outperforms the state-of-the-art time, frequency, time-frequency and time-scale domain approaches for all classifiers in both LOO and LOSO cross validation settings. The highest accuracy values are obtained as 86% and 82.9% in LOO and LOSO respectively when
the proposed PER features are fed into SVM.

Conclusions: It is concluded that time and frequency domain characteristics of wheezes are not steady and hence,
tunable time-scale representations are more successful in discriminating polyphonic and monophonic wheezes
when compared with conventional fixed resolution representations.

Keywords: Respiratory sounds | Pulmonary sounds | Discrimination | Wheezing | Monophonic | Polyphonic

$$en!!