Empirical Mode Decomposition and Grey Level Difference for Lung Sound Classification
Notice bibliographique
Résumé
Lung sound is one of the parameters of respiratory health. This sound has a specific character if there is a disease in the lungs. In some cases, it is difficult to distinguish one type of lung sound to another. It takes the expertise, experience and sensitivity of clinicians to avoid misdiagnosis. Therefore, many studies have proposed a feature extraction method combined with automatic classification method for the detection of lung disease through lung sound analysis. Since the complex nature of biological signals which are produced by complex processes, the multiscale method is an interesting feature extraction method to be developed. This study proposes an empirical mode decomposition (EMD) and a modified gray level difference (GLD) for a lung sound classification. The EMD was used to decompose the signal, and then GLD was measured on each decomposed signal as a feature set. There are five classes of lung sounds which were simulated in this study, including normal, wheeze, crackle, pleural rub, and stridor. Performance evaluation was carried out using a multilayer perceptron (MLP) and 3-fold cross-validation. This proposed method yielded the highest accuracy of 96.97%. This study outperformed several previous studies which were simulated on the same dataset. It is hoped that in the future, the proposed methods can be tested on larger datasets to determine the robustness of the methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».