Tez No	İndirme	Tez Künye	Durumu
181227		Multi-channel K-NN classifications of respiratory sounds / Çoklu kanallı solunum sesi en yakın komşu sınıflandırmaları Yazar:CEMİLE ASLI YILMAZ Danışman: DOÇ.DR. YASEMİN KAHYA Yer Bilgisi: Boğaziçi Üniversitesi / Fen Bilimleri Enstitüsü / Sistem ve Kontrol Mühendisliği Ana Bilim Dalı Konu:Elektrik ve Elektronik Mühendisliği = Electrical and Electronics Engineering Dizin:	Onaylandı Yüksek Lisans İngilizce 2006 77 s.
Bu çalışmada temel amacımız her kanalın eşit ağırlıklı olarak değerlendirildiği çoklukanallı sınıflandırma algoritmasının farklı iki özellik seti için karşılaştırmasını yapmaktır.Sınıflandırma hastalıklı ve sağlıklı olmak üzere iki grup ses verisi için gerçekleştirilmektedir.Sınıflandırıcının performansı hastalıklı ve sağlıklı sesleri birbirinden ne kadar iyiayırdedebildiğine bağlıdır.Bu amaçla, 12 mikrofonun sırta yerleştirilmesi ile paralel kaydedilen solunum sesleri,sınıflandırıcıya temel teşkil edecek özellik setlerini oluşturmak için kullanılmıştır. Hastalıklıve sağlıklı solunum sesleri frekans spektrumu ve AR modelleme kullanılarak analizedilmiştir.Akciğerin fizyolojisi nedeniyle, sırtın farklı noktalarında duyulan solunum sesi, iletimözellikleri, dolayısıyla, spektral özellikleri bakımından farklılaşmaktadır. Bu nedenle referanskütüphaneleri oluşturulurken, sırtta yer alan her mikrofon lokasyonu ayrı özellik kütüphanesigrupları yaratmak için kullanılmıştır. Her denek 12 farklı kanal için, o kanaldan kaydedilmişolan bir veya birden fazla solunum döngüsü ile temsil edilmiştir. Solunum döngüsünün herkanal için bir veya birden fazla olması özellik çıkarma metodolojisine bağlıdır. Sağlıklı vehastalıklı şeklinde iki referans kütüphanesi, çoklu kanallı solunum sesini baz alarak, herkanaldaki nefes alma ve verme fazları için ayrı ayrı oluşturulmuştur. En yakın komşuluksınıflandırıcısı kullanan çoklu kanallı bir sınıflandırıcı kurgulanmıştır. Frekans sıklığı ve ARmodel parametrelerini özellik seti olarak kullanan iki sınıflandırıcı nefes alma ve vermefazları için ayrı ayrı karşılaştırılmıştır.
Our main interest in this study is to compare two different feature sets derived fromrespiratory sounds for optimum classification where multi-channel classification algorithmwith each channel weighted equally is used. Two class recognition problem made of healthyand pathological sound data is addressed. The performance of our classifier is based on howwell it differentiates between healthy and pathological sounds.For this purpose, parallel recording from 12 microphones placed on the posterior chestwere used to extract two different group of sets of features for classification. Respiratorysounds of pathological and healthy subjects were analyzed via frequency spectrum andautoregressive (AR) model parameters.Since due to the physiology of the lungs, the transmission characteristics and thereforethe spectral characteristics differ for respiratory sounds heard at different locations on thechest, separate reference libraries were built for each microphone location. Each subject isrepresented by 13 channels of respiratory sound data of a single or multiple respiration cyclesdepending on applied feature extraction methodology. Two reference libraries, pathologicaland healthy, were built based on multi-channel respiratory sound data for each channel andfor each respiration phase, inspiration and expiration, separately. A multi-channelclassification algorithm using k nearest neighbor (k-NN) classification method was designed.Performances of the two classifiers using quantile frequencies and AR model parameters asfeature sets, are compared separately for inspiration and expiration phases.