Modell zur Erkennung von Lungengeräuschen basierend auf Deep Learning und Mergerfusion zur Diagnose von Atemwegserkrankungen

Zusammenfassung Dieser Artikel schlägt einen neuartigen Ansatz zur Erkennung von Lungengeräuschstörungen mit Hilfe von Deep Learning-Mergerfusion vor. Der Lungengeräuschedatensatz wird oversampled und in Spektrogrammbilder umgewandelt. Anschließend werden tiefe Merkmale aus CNN-Architekturen extrahiert, die auf groß angelegten Bilddatensätzen vortrainiert sind. Diese tiefen Merkmale erfassen reichhaltige Darstellungen der Spektrogrammbilder aus den Eingangssignalen, was eine umfassende Analyse von Lungenerkrankungen ermöglicht. Als Nächstes wird eine Fusionstechnik eingesetzt, um die extrahierten Merkmale aus mehreren CNN-Architekturen zu kombinieren, insgesamt 8064 Merkmale. Dieser Fusionsprozess verbessert die diskriminierende Fähigkeit der Merkmale und erleichtert die genauere und robustere Erkennung von Lungenerkrankungen. Um die Erkennungsleistung weiter zu verbessern, wird eine verbesserte CNN-Architektur verwendet. Um die Wirksamkeit des vorgeschlagenen Ansatzes zu bewerten, wurden Experimente an einem großen Datensatz von Lungenerkrankungssignalen durchgeführt. Die Ergebnisse zeigen, dass die fusionierten tiefen Merkmale aus verschiedenen CNN-Architekturen, kombiniert mit unterschiedlichen CNN-Schichten, eine überlegene Leistung bei der Erkennung von Lungenerkrankungen aufweisen. Im Vergleich zu einzelnen CNN-Architekturen erzielt der vorgeschlagene Ansatz höhere Genauigkeit, Sensitivität und Spezifität und reduziert effektiv falsch negative und falsch positive Ergebnisse. Das vorgeschlagene Modell erreicht eine Genauigkeit von 96,03 %, eine Sensitivität von 96,53 %, eine Spezifität von 99,424 %, eine Präzision von 96,52 % und einen F1-Score von 96,50 %, wenn es Lungenerkrankungen aus Audiodateien vorhersagt. Dieser Ansatz hat das Potenzial, Fachleute im Gesundheitswesen bei der frühen Erkennung und Diagnose von Lungenerkrankungen zu unterstützen, was letztendlich zu verbesserten Patientenergebnissen und verbesserten Gesundheitspraktiken führt.