طبقه‌بندي سيگنال‌هاي صوتي ريه با استفاده از يادگيري عميق

طبقه‌بندي سيگنال‌هاي صوتي ريه با استفاده از يادگيري عميق، يكي از چالش‌هاي مهم در حوزه پردازش سيگنال و پزشكي است. در اين تحقيق سعي بر آن است تا با استفاده از شبكه‌هاي كانولوشني و الگوريتم‌هاي مبتني بر يادگيري عميق، سيگنال‌هاي صوتي ريه بررسي و طبقه‌بندي ‌شوند. پس از پيش پردازش سيگنال هاي صوتي، شبكه هاي عصبي ويژگي هايي موثر استخراج مي‌كنند به نحوي كه دقت قابل قبولي در طبقه‌بندي حاصل شود. در گام نخست، تلاش شد تا از شبكه هايي موجود قبلي براي حل اين مساله استفاده شود. پس از بررسي، مشخص شد كه اين شبكه ها كارايي لازم را نداشته و نتيجه مناسبي به همراه ندارند. از اين رو با طراحي شبكه عصبي متناسب با اين نوع داده، روند تحقيق ادامه يافت. پس از اعتبارسنجي شبكه آموزش ديده و آزمايش آن بر روي داده-هاي جديد، مشاهده شد كه شبكه طراحي شده (پيشنهادي) مي تواند با دقت 90 درصد طبقه بندي را انجام دهد؛ در حالي كه به عنوان مبناي مقايسه، دقت حاصل از بكارگيري دو مدل موجود قبلي يعني مدل LSTM با پيش‌پردازش TFRecord و مدل موبايل‌نت با تابع هزينه فوكال به ترتيب برابر با 48٪ و 70٪ بوده است.