طبقه‌بندی سیگنال‌های صوتی ریه با استفاده از یادگیری عمیق

طبقه‌بندی سیگنال‌های صوتی ریه با استفاده از یادگیری عمیق، یکی از چالش‌های مهم در حوزه پردازش سیگنال و پزشکی است. در این تحقیق سعی بر آن است تا با استفاده از شبکه‌های کانولوشنی و الگوریتم‌های مبتنی بر یادگیری عمیق، سیگنال‌های صوتی ریه بررسی و طبقه‌بندی ‌شوند. پس از پیش پردازش سیگنال های صوتی، شبکه های عصبی ویژگی هایی موثر استخراج می‌کنند به نحوی که دقت قابل قبولی در طبقه‌بندی حاصل شود. در گام نخست، تلاش شد تا از شبکه هایی موجود قبلی برای حل این مساله استفاده شود. پس از بررسی، مشخص شد که این شبکه ها کارایی لازم را نداشته و نتیجه مناسبی به همراه ندارند. از این رو با طراحی شبکه عصبی متناسب با این نوع داده، روند تحقیق ادامه یافت. پس از اعتبارسنجی شبکه آموزش دیده و آزمایش آن بر روی داده-های جدید، مشاهده شد که شبکه طراحی شده (پیشنهادی) می تواند با دقت 90 درصد طبقه بندی را انجام دهد؛ در حالی که به عنوان مبنای مقایسه، دقت حاصل از بکارگیری دو مدل موجود قبلی یعنی مدل lstm با پیش‌پردازش tfrecord و مدل موبایل‌نت با تابع هزینه فوکال به ترتیب برابر با 48٪ و 70٪ بوده است.