Você está aqui: Página Inicial curitiba Estrutura do Câmpus Diretorias Diretoria de Pesquisa e Pós-Graduação Mestrado e Doutorado CPGEI Edital de Defesas 2015 CPGEI (Doutorado): Veronica Isabela Quandt-23/07/15

CPGEI (Doutorado): Veronica Isabela Quandt-23/07/15

Defesa Pública de Doutorado do Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial
Quando 23/07/2015
das 13h30 até 17h30
Onde Sede Central: Sala C-301
Nome do Contato Prof. Sérgio Francisco Pichorim
Participantes Prof. Sérgio Francisco Pichorim, Dr. Orientador UTFPR
Banca examinadora:
Prof. Sérgio Francisco Pichorim, Dr. Presidente UTFPR
Prof. Raimes Moraes, Dr. UFSC
Prof. Leonardo Silva Resende, Dr. UFSC
Profa. Lúcia Valeria Ramos de Arruda, Dra. UTFPR
Prof. Humberto Remigio Gamba, Dr. UTFPR
Adicionar evento ao calendário vCal
iCal

Contribuições para a investigação de estertores em sons respiratórios utilizando transformada Wavelet

Resumo: Estertores são sons respiratórios adventícios e descontínuos que ocorrem em patologias pulmonares. Parâmetros no domínio do tempo classificam os estertores como finos, médios e grossos, e podem ter polaridade positiva ou negativa. Este trabalho investiga métodos e ferramentas para caracterizar e classificar estertores. Amostras de sons respiratórios contendo estertores foram normalizadas e reamostradas em 8 kHz. Foram realizados diversos ensaios utilizando a transformada wavelet discreta (DWT), a análise de discriminante linear (LDA), o k-NN, e avaliados com análise ROC. Um sistema de reconhecimento de padrões foi implementado com DWT, LDA e k-NN para classificar estertores finos, grossos e sons respiratórios normais. Os resultados indicam o uso do LDA como uma boa alternativa à rede neural num sistema de reconhecimento de estertores. O ensaio com diferentes métodos de extensão de borda do sinal durante a decomposição DWT mostrou a influencia nos resultados da caracterização. Os resultados indicam que os métodos ZPD, SP0, SYMH, SYMW, ASYMH, PPD e PER são recomendados, enquanto que os métodos SP1 e ASYMW não são recomendados para a decomposição e caracterização de estertores, pois geram características diferentes nas sub-bandas mais altas. Outro ensaio mostrou que a caracterização dos estertores utilizando DWT pode ser feita utilizando-se algumas sub-bandas de decomposição (D3, D4 e D5, no caso de sinais amostrados em 8 kHz), reduzindo-se desta forma o esforço computacional. Outro sistema de classificação implementado utilizando DWT e LDA mostrou que os estertores podem ser classificados indicando a polaridade com elevado grau de acerto (AUC de até 0,9943 para Symlet 19). Dois ensaios foram realizados para seleção da wavelet-mãe que melhor caracterize estertores. O primeiro ensaio avaliou quantitativamente a semelhança entre o estertor e diversas wavelet-mães através do índice de correlação de Pearson. As wavelet-mãe que resultaram uma forte correlação com o estertores, se mostrando mais indicadas para serem utilizadas foram: Reverse Biorthogonal 3.7, Reverse Biorthogonal 5.5, Reverse Biorthogonal 3.5, Daubechies 5, Symlet 5, Daubechies 6, Symlet 7 e Daubechies 7. O segundo ensaio selecionou a wavelet-mãe pela concentração de energia nas sub-bandas. Ensaios anteriores já mostravam que a energia dos estertores decompostos pela DWT se concentrava em poucas sub-bandas, então foram selecionadas wavelet-mães que concentrassem maior porcentagem da energia em uma sub-banda específica, que foram: Daubechies 7, Symlet 7, Coiflet 3 e Symlet 12. O último ensaio realizado foi uma combinação de wavelet-mães para melhorar a separabilidade de estertores e sons respiratórios normais. O ensaio mostrou que um sistema de classificação utilizando DWT, LDA e um classificador linear pode separar totalmente as duas classes (índice AUC = 1) quando é utilizada a combinação de wavelet-mães para gerar o vetor de características dos sinais.
Palavras-chave: Estertores, Transformada Wavelet Discreta, Sons Respiratórios, Classificação de Estertores

Contributions for the investigation of respiratory crackles using Wavelet transform

Abstract: Crackles are adventitious and discontinuous breath sounds that occur in lung diseases. Time domain parameters classify the crackles as fine, medium, and coarse, and may have positive or negative polarity. This work investigates methods and tools to characterize and classify crackles. Samples of breath sounds containing crackles were normalized and resampled at 8 kHz. Several experiments using the discrete wavelet transform (DWT), linear discriminant analysis (LDA), and k-NN have been performed, and evaluated with ROC analysis. A pattern recognition system was implemented with DWT, LDA and k-NN to classify fine and coarse crackles, and normal breath sounds. The results indicate the use of LDA as a good alternative to a neural networks in crackles recognition systems. The experiment with different signal border extension methods during DWT decomposition showed the influence on the results of the characterization. The results indicate that the methods ZPD, SP0, SYMH, SYMW, ASYMH, PPD and PER are recommended, while SP1 and ASYMW methods are not recommended for the decomposition and characterization of crackles because they generate different characteristics in the higher subbands. Another experiment showed that the characterization of crackles using DWT can be made using certain decomposition subbands (D3, D4, and D5 with signal sampled at 8 kHz), thus reducing the computational effort. Another classification system implemented using LDA and DWT showed that crackles can be classified by their polarity indicating a high degree of accuracy (AUC rate up to 0.9943 for Symlet 19). Two experiments were conducted for mother-wavelet selection that best characterizes crackles. The first one quantitatively evaluated the similarity between the crackle and several mother-wavelets using Pearson's correlation coefficient. The mother-wavelet that resulted a strong correlation with the crackles, being most indicated for use were: Reverse Biorthogonal 3.7, 5.5 Biorthogonal Reverse, Reverse Biorthogonal 3.5, Daubechies 5, Symlet 5, Daubechies 6, 7, and Symlet Daubechies 7. The second experiment selected mother-wavelets by the power concentration in subbands. Previous trials already shown that the energy of the crackles decomposed by DWT are concentrated in a few subbands, so mothers-wavelet that concentrate larger percentage of the energy in a specific subband were selected, which were Daubechies 7, Symlet 7, Coiflet 3 and Symlet 12. The final experiment performed was a combination of mother-wavelets to improve the separability of crackles and normal breath sounds. The experiment showed that a classification system using DWT, LDA, and a linear classifier may totally separate the two classes (AUC ratio = 1) when the combination of mother-wavelets to generate the feature vector of the signals is used.
Keywords: Crackles, Discrete Wavelet Transform, Respiratory Sounds, Crackles Classification

Lista de publicações:

QUANDT, V. I.; PACOLA, E. R.; SOVIERZOSKI, M. A.; DELGADO, M. R., PICHORIM, S. F. Separação de sons adventícios descontínuos de sons respiratórios utilizando lógica fuzzy. In: V Latin American Congress on Biomedical Engineering CLAIB 2011, IFMBE Proceedings 33. [S.l.: s.n.], 2011. v. 33, p. 1174–1177. Doi: 10.1007/978-3-642-21198-0\_298

QUANDT, V. I.; PACOLA, E. R.; ARRUDA, L. V. R.; PICHORIM, S. F., SOVIERZOSKI, M. A. Reconhecimento de padrões em sons pulmonares utilizando wavelets, lda e k-nn. In: Anais do XXIII Congresso Brasileiro em Engenharia Biomédica – XXIII CBEB. [S.l.: s.n.], 2012.

QUANDT, V. I.; PACOLA, E. R.; PICHORIM, S. F., SOVIERZOSKI, M. A. Border extension in the wavelet analysis of lung sounds. In: World Congress on Medical Physics and Biomedical Engineering, IFMBE Proceedings. [S.l.: s.n.], 2012. v. 39, p. 597–600. Doi: 10.1007/978-3-642-29305-4\_156

QUANDT, V. I.; PACOLA, E. R.; PICHORIM, S. F.; GAMBA, H. R., SOVIERZOSKI, M. A. Pulmonary crackle characterization: Approaches in the use of discrete wavelet transform regarding border effect, mother-wavelet selection, and subband reduction. Research on Biomedical Engineering (new title of the Brazilian Journal of Biomedical Engineering), Accepted 11/05/2015.

Ações do documento