Экспериментальные оценки эффективности дихотомии звуков дыхания в условиях частичной априорной неопределенности
Рассмотрена задача дихотомии звуков дыхания на норму и патологию по данным их спектральной плотности мощности в условиях ограниченной априорной информации. Сформулированы основные принципы системного подхода и определены эффективные классификационные признаки для решения этой задачи. Предложены согл...
Saved in:
| Date: | 2007 |
|---|---|
| Main Authors: | , , |
| Format: | Article |
| Language: | Russian |
| Published: |
Інститут гідромеханіки НАН України
2007
|
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/1033 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Экспериментальные оценки эффективности дихотомии звуков дыхания в условиях частичной априорной неопределенности / В. В. Крижановский, В. В. Крижановский (мл.), В. А. Чернец // Акуст. вісн. — 2007. — Т. 10, N 1. — С. 39-53. — Бібліогр.: 22 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
nasplib_isofts_kiev_ua-123456789-1033 |
|---|---|
| record_format |
dspace |
| spelling |
Крижановский, В.В. Крижановский (мл.), В.В. Чернец, В.А. 2008-07-15T09:00:43Z 2008-07-15T09:00:43Z 2007 Экспериментальные оценки эффективности дихотомии звуков дыхания в условиях частичной априорной неопределенности / В. В. Крижановский, В. В. Крижановский (мл.), В. А. Чернец // Акуст. вісн. — 2007. — Т. 10, N 1. — С. 39-53. — Бібліогр.: 22 назв. — рос. 1028-7507 https://nasplib.isofts.kiev.ua/handle/123456789/1033 534.7 Рассмотрена задача дихотомии звуков дыхания на норму и патологию по данным их спектральной плотности мощности в условиях ограниченной априорной информации. Сформулированы основные принципы системного подхода и определены эффективные классификационные признаки для решения этой задачи. Предложены согласованные с заданными признаками алгоритмы классификации и определены их информативные характеристики. Определена адаптивная байесовская процедура настройки алгоритмов классификации в соответствующем информативном пространстве признаков. Предложена процедура выделения информативной полосы частот звуков дыхания по паузам. Определены ее характеристики, важные для решения задачи дихотомии. Проведена экспериментальная проверка эффективности процедур классификации и выполнен анализ полученных результатов. Показана возможность повышения эффективности дихотомии за счет совместного использовании результатов работы разных алгоритмов. Розглянуто задачу дихотомії звуків дихання на норму та патологію за даними їхньої спектральної щільності потужності в умовах обмеженої апріорної інформації. Сформульовані основні принципи системного підходу та визначені ефективні класифікаційні ознаки для розв'язання цієї задачі. Запропоновані узгоджені з заданими ознаками алгоритми класифікації та визначені їхні інформативні характеристики. Визначено адаптивну байєсівську процедуру настроювання алгоритмів класифікації у відповідному інформаційному просторі ознак. Запропоновано процедуру виділення інформативної смуги частот звуків дихання за паузами. Визначено її характеристики, важливі для розв'язання задачі дихотомії. Проведено експериментальну перевірку ефективності процедур класифікації та виконано аналіз одержаних результатів. Показано можливість підвищення ефективності дихотомії за рахунок сумісного використання результатів роботи різних алгоритмів. The paper deals with the problem of the respiratory sounds dichotomy to the norm and pathology according to their power spectral density in the conditions of limited a priori information. The main principles of the system approach are formulated and classification attributes, efficient for solving this problem are determined. The classification algorithms coordinated with preset attributes are offered and their informative characteristics are determined. The adaptive Bayesian procedure of the classification algorithm adjustment in the corresponding informative space of attributes is determined. The procedure is proposed for allocating the informative frequency band of the respiratory sounds according to pauses. Its characteristics, important for solving the dichotomy problem, are determined. The efficiency of the suggested classification procedures has been experimentally tested and the obtained results have been analyzed. The opportunity of increasing the dichotomy efficiency was shown, when simultaneously using the results of operation of different algorithms. ru Інститут гідромеханіки НАН України Экспериментальные оценки эффективности дихотомии звуков дыхания в условиях частичной априорной неопределенности Experimental estimates of the efficiency of the respiratory sounds dichotomy under partial a priori indeterminacy Article published earlier |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| title |
Экспериментальные оценки эффективности дихотомии звуков дыхания в условиях частичной априорной неопределенности |
| spellingShingle |
Экспериментальные оценки эффективности дихотомии звуков дыхания в условиях частичной априорной неопределенности Крижановский, В.В. Крижановский (мл.), В.В. Чернец, В.А. |
| title_short |
Экспериментальные оценки эффективности дихотомии звуков дыхания в условиях частичной априорной неопределенности |
| title_full |
Экспериментальные оценки эффективности дихотомии звуков дыхания в условиях частичной априорной неопределенности |
| title_fullStr |
Экспериментальные оценки эффективности дихотомии звуков дыхания в условиях частичной априорной неопределенности |
| title_full_unstemmed |
Экспериментальные оценки эффективности дихотомии звуков дыхания в условиях частичной априорной неопределенности |
| title_sort |
экспериментальные оценки эффективности дихотомии звуков дыхания в условиях частичной априорной неопределенности |
| author |
Крижановский, В.В. Крижановский (мл.), В.В. Чернец, В.А. |
| author_facet |
Крижановский, В.В. Крижановский (мл.), В.В. Чернец, В.А. |
| publishDate |
2007 |
| language |
Russian |
| publisher |
Інститут гідромеханіки НАН України |
| format |
Article |
| title_alt |
Experimental estimates of the efficiency of the respiratory sounds dichotomy under partial a priori indeterminacy |
| description |
Рассмотрена задача дихотомии звуков дыхания на норму и патологию по данным их спектральной плотности мощности в условиях ограниченной априорной информации. Сформулированы основные принципы системного подхода и определены эффективные классификационные признаки для решения этой задачи. Предложены согласованные с заданными признаками алгоритмы классификации и определены их информативные характеристики. Определена адаптивная байесовская процедура настройки алгоритмов классификации в соответствующем информативном пространстве признаков. Предложена процедура выделения информативной полосы частот звуков дыхания по паузам. Определены ее характеристики, важные для решения задачи дихотомии. Проведена экспериментальная проверка эффективности процедур классификации и выполнен анализ полученных результатов. Показана возможность повышения эффективности дихотомии за счет совместного использовании результатов работы разных алгоритмов.
Розглянуто задачу дихотомії звуків дихання на норму та патологію за даними їхньої спектральної щільності потужності в умовах обмеженої апріорної інформації. Сформульовані основні принципи системного підходу та визначені ефективні класифікаційні ознаки для розв'язання цієї задачі. Запропоновані узгоджені з заданими ознаками алгоритми класифікації та визначені їхні інформативні характеристики. Визначено адаптивну байєсівську процедуру настроювання алгоритмів класифікації у відповідному інформаційному просторі ознак. Запропоновано процедуру виділення інформативної смуги частот звуків дихання за паузами. Визначено її характеристики, важливі для розв'язання задачі дихотомії. Проведено експериментальну перевірку ефективності процедур класифікації та виконано аналіз одержаних результатів. Показано можливість підвищення ефективності дихотомії за рахунок сумісного використання результатів роботи різних алгоритмів.
The paper deals with the problem of the respiratory sounds dichotomy to the norm and pathology according to their power spectral density in the conditions of limited a priori information. The main principles of the system approach are formulated and classification attributes, efficient for solving this problem are determined. The classification algorithms coordinated with preset attributes are offered and their informative characteristics are determined. The adaptive Bayesian procedure of the classification algorithm adjustment in the corresponding informative space of attributes is determined. The procedure is proposed for allocating the informative frequency band of the respiratory sounds according to pauses. Its characteristics, important for solving the dichotomy problem, are determined. The efficiency of the suggested classification procedures has been experimentally tested and the obtained results have been analyzed. The opportunity of increasing the dichotomy efficiency was shown, when simultaneously using the results of operation of different algorithms.
|
| issn |
1028-7507 |
| url |
https://nasplib.isofts.kiev.ua/handle/123456789/1033 |
| citation_txt |
Экспериментальные оценки эффективности дихотомии звуков дыхания в условиях частичной априорной неопределенности / В. В. Крижановский, В. В. Крижановский (мл.), В. А. Чернец // Акуст. вісн. — 2007. — Т. 10, N 1. — С. 39-53. — Бібліогр.: 22 назв. — рос. |
| work_keys_str_mv |
AT križanovskiivv éksperimentalʹnyeocenkiéffektivnostidihotomiizvukovdyhaniâvusloviâhčastičnoiapriornoineopredelennosti AT križanovskiimlvv éksperimentalʹnyeocenkiéffektivnostidihotomiizvukovdyhaniâvusloviâhčastičnoiapriornoineopredelennosti AT černecva éksperimentalʹnyeocenkiéffektivnostidihotomiizvukovdyhaniâvusloviâhčastičnoiapriornoineopredelennosti AT križanovskiivv experimentalestimatesoftheefficiencyoftherespiratorysoundsdichotomyunderpartialaprioriindeterminacy AT križanovskiimlvv experimentalestimatesoftheefficiencyoftherespiratorysoundsdichotomyunderpartialaprioriindeterminacy AT černecva experimentalestimatesoftheefficiencyoftherespiratorysoundsdichotomyunderpartialaprioriindeterminacy |
| first_indexed |
2025-11-26T17:36:12Z |
| last_indexed |
2025-11-26T17:36:12Z |
| _version_ |
1850765835932532736 |
| fulltext |
ISSN 1028 -7507 Акустичний вiсник. 2007. Том 10, N 1. С. 39 – 53
УДК 534.7
ЭКСПЕРИМЕНТАЛЬНАЯ ОЦЕНКА ЭФФЕКТИВНОСТИ
ДИХОТОМИИ ЗВУКОВ ДЫХАНИЯ В УСЛОВИЯХ
ЧАСТИЧНОЙ АПРИОРНОЙ НЕОПРЕДЕЛЕННОСТИ
В. В. К РИ Ж А Н ОВ СК И Й, В. В. К РИ Ж А Н ОВ СК И Й (мл.), В. А. Ч Е РН Е Ц
Институт гидромеханики НАН Украины, Киев
Получено 26.11.2006
Рассмотрена задача дихотомии звуков дыхания на норму и патологию по данным их спектральной плотности мощ-
ности в условиях ограниченной априорной информации. Сформулированы основные принципы системного подхода
и определены эффективные классификационные признаки для решения этой задачи. Предложены согласованные с
заданными признаками алгоритмы классификации и определены их информативные характеристики. Определена
адаптивная байесовская процедура настройки алгоритмов классификации в соответствующем информативном про-
странстве признаков. Предложена процедура выделения информативной полосы частот звуков дыхания по паузам.
Определены ее характеристики, важные для решения задачи дихотомии. Проведена экспериментальная провер-
ка эффективности процедур классификации и выполнен анализ полученных результатов. Показана возможность
повышения эффективности дихотомии за счет совместного использовании результатов работы разных алгоритмов.
Розглянуто задачу дихотомiї звукiв дихання на норму та патологiю за даними їхньої спектральної щiльностi поту-
жностi в умовах обмеженої апрiорної iнформацiї. Сформульованi основнi принципи системного пiдходу та визначенi
ефективнi класифiкацiйнi ознаки для розв’язання цiєї задачi. Запропонованi узгодженi з заданими ознаками алго-
ритми класифiкацiї та визначенi їхнi iнформативнi характеристики. Визначено адаптивну байєсiвську процедуру
настроювання алгоритмiв класифiкацiї у вiдповiдному iнформацiйному просторi ознак. Запропоновано процеду-
ру видiлення iнформативної смуги частот звукiв дихання за паузами. Визначено її характеристики, важливi для
розв’язання задачi дихотомiї. Проведено експериментальну перевiрку ефективностi процедур класифiкацiї та вико-
нано аналiз одержаних результатiв. Показано можливiсть пiдвищення ефективностi дихотомiї за рахунок сумiсного
використання результатiв роботи рiзних алгоритмiв.
The paper deals with the problem of the respiratory sounds dichotomy to the norm and pathology according to their
power spectral density in the conditions of limited a priori information. The main principles of the system approach are
formulated and classification attributes, efficient for solving this problem are determined. The classification algorithms
coordinated with preset attributes are offered and their informative characteristics are determined. The adaptive Bayesian
procedure of the classification algorithm adjustment in the corresponding informative space of attributes is determined.
The procedure is proposed for allocating the informative frequency band of the respiratory sounds according to pauses. Its
characteristics, important for solving the dichotomy problem, are determined. The efficiency of the suggested classification
procedures has been experimentally tested and the obtained results have been analyzed. The opportunity of increasing
the dichotomy efficiency was shown, when simultaneously using the results of operation of different algorithms.
ВВЕДЕНИЕ
Многолетний практический опыт диагностики
заболеваний респираторного тракта человека по-
казал высокую информативность метода аускуль-
тации [1 – 4]. С развитием современных иннова-
ционных технологий выслушивание акустических
сигналов получило дальнейшее развитие за счет
использования высокопроизводительных средств
компьютерной техники и реализации на ее основе
эффективных алгоритмов обработки и классифи-
кации звуков дыхания. В ряде работ [5 – 8] показа-
но, что важной информативной характеристикой
звуков дыхания является спектральная плотность
мощности (СПМ).
Алгоритмы классификации звуков дыхания по
их СПМ рассматривались в публикациях [9 – 13] и
ряде других исследований, список которых мож-
но найти в обширной библиографии к моногра-
фии [12]. Некоторые из предложенных в них алго-
ритмов [9,10] могут использоваться только в усло-
виях так называемой “рафинированной” (т. е. со-
держащей только специфические для рассматри-
ваемой конкретной ситуации сигналы) выборки
данных, что на практике является скорее исклю-
чением, чем правилом. Другая группа алгоритмов
требует для классификации наличия эталонов то-
го или иного класса СПМ [9,11], что не всегда воз-
можно. В ряде работ [12, 13] алгоритмы класси-
фикации не учитывают наличие реальных границ
области частот, где СПМ звуков дыхания прева-
лирует над фоном. Последнее обстоятельство за-
метно снижает их эффективность.
Описанные проблемы являются типичными при
решении задач дифференциальной диагностики
заболеваний респираторного тракта человека по
виду СПМ звуков дыхания. Сложность поиска пу-
тей преодоления этих трудностей связана с отсут-
ствием на данном этапе исследований эталонов
СПМ звуков дыхания для разных типов заболе-
ваний респираторного тракта. В перспективе так-
же трудно ожидать прогресса в этом направлении,
c© В. В. Крижановский, В. В. Крижановский (мл.), В. А. Чернец, 2007 39
ISSN 1028 -7507 Акустичний вiсник. 2007. Том 10, N 1. С. 39 – 53
так как многие типы заболеваний обладают схо-
дными наборами признаков, определяющих стру-
ктуру СПМ. Поэтому возникает проблема поиска
критериев взаимно однозначного соответствия ме-
жду ними.
Даже в более простой ситуации, когда нужно
решить задачу дихотомии, т. е. разделить СПМ
звуков дыхания всего на два класса – норму и
патологию – возникает ряд трудностей, связан-
ных с проявлением специфических особенностей
звуков дыхания, регистрируемых в тех или иных
точках поверхности грудной клетки. Кроме того,
на структуру СПМ оказывают влияние интенсив-
ность дыхания, сердцебиение, тремор, динамиче-
ские и фоновые помехи, аппаратурные погрешно-
сти, а также различия в конституции пациентов,
их поле и возрасте. Поэтому даже в норме нево-
зможен однозначный выбор единого эталона СПМ
звуков дыхания. Наконец, при оценке состояния
нормы или патологии существенную роль играет
субъективный фактор, так как на адекватность за-
ключения влияют опыт и квалификация врача, а
также физиологические возможности его слуха и
аппаратные характеристики персонального стето-
фонендоскопа [14, 15].
С целью снижения влияния указанных фак-
торов на результаты дихотомии звуков дыхания
в данной работе предлагаются процедуры клас-
сификации, в которых вместо единого эталона
СПМ нормы используется определенная система
последовательно учитываемых ее признаков. Это
позволяет, с одной стороны, снизить требования
к информационному обеспечению на каждом от-
дельном этапе классификации, а с другой – по-
высить эффективность алгоритмов классифика-
ции за счет лучшего согласования их с уровнем
информационной обеспеченности на соответству-
ющих этапах.
1. МЕТОДОЛОГИЯ И ПРИНЦИПЫ КЛАС-
СИФИКАЦИИ ЗВУКОВ ДЫХАНИЯ
В основу предлагаемого системного подхода к
классификации звуков дыхания положены три
принципа. Первый из них состоит в последова-
тельном снижении уровня общности учитывае-
мых признаков. Второй предполагает согласова-
ние используемого алгоритма классификации с со-
ответствующей заданному уровню информацией
о признаках классифицируемых объектов. Согла-
сно третьему принципу, дополнительно учитыва-
емые признаки должны подчиняться определен-
ной иерархии, т. е. каждый последующий из них не
должен противоречить предыдущим, а значит, не
должен выводить исследуемый объект из класса,
определенного по предыдущей группе признаков.
Фактически такая процедура позволяет получить
сужающиеся по числу элементов иерархические,
хорошо разделяемые классы объектов, каждый из
которых будет определяться своим, индивидуаль-
ным набором характерных черт. Такой подход по-
зволяет, во-первых, автоматизировать процедуру
выявления патологий респираторного тракта по
заданному набору признаков. Во-вторых, появля-
ется возможность метризации тех или иных при-
знаков патологий. В-третьих, по выделенному на-
бору признаков возможно установить связь с хара-
ктерными для этого набора типами заболеваний.
Это является важным шагом на пути к диффе-
ренциальной диагностике заболеваний, а также к
выработке конкретных рекомендаций по монито-
рингу состояния и лечению пациентов.
Перейдем к описанию методологии исследова-
ний. В качестве первичного объекта классифика-
ции в работе использованы оценки СПМ сигналов
дыхания, регистрируемых на поверхности грудной
клетки в заданной системе точек. При изложении
результатов экспериментальных исследований бу-
дем следовать следующей схеме. Сначала опишем
характерный признак нормы или патологии СПМ,
затем укажем согласованный с ним алгоритм клас-
сификации, а после этого рассмотрим соответству-
ющие результаты классификации.
Для формирования оценок СПМ использова-
лась база данных, полученная в клинических
условиях сотрудниками Института гидромеханики
НАН Украины совместно с группой специалистов-
медиков отделения торакальной хирургии проф.
А. В. Макарова. База данных содержала дву-
хканальные магнитные записи звуков нормаль-
ного по интенсивности дыхания в полосе ча-
стот 20÷1000 Гц. Предварительно была выполне-
на оцифровка записей с частотой дискретизации
Fd=3495 Гц и верификация полученных данных,
т. е. отбор только качественных записей, которые
не содержали сильных фоновых помех и не имели
искажений полезных сигналов. В результате было
отобрано 69 пар записей, соответствовавших сим-
метричным относительно сагиттальной плоскости
точкам аускультации на поверхности грудной кле-
тки. Положение и номера точек регистрации дан-
ных представлены на рис. 1.
Селекция записей была необходима из-за того,
что вместе с полезными сигналами в отдельных
из них обнаруживались интенсивные фоновые по-
мехи. Их наличие связано с большим динамиче-
ским диапазоном регистрируемых сигналов, кото-
рый обусловлен спецификой спектральной плот-
40 В. В. Крижановский, В. В. Крижановский (мл.), В. А. Чернец
ISSN 1028 -7507 Акустичний вiсник. 2007. Том 10, N 1. С. 39 – 53
ности мощности звуков дыхания, характеризую-
щейся быстрым спадом ее уровня с ростом часто-
ты. Присутствие помех в ряде случаев оказыва-
ет существенное влияние на результаты решения
задачи классификации звуков дыхания. Анализ
и отбор данных проводились с помощью ориги-
нального программного обеспечения [16]. На этом
этапе для выявления бракованных записей доста-
точно было использовать такие возможности как
аудиоанализ записей и визуальный анализ дву-
мерных спектров мощности (респиросонограмм).
В результате были исключены фонограммы, со-
держащие сетевые и радиопомехи. Кроме того, в
группу отбракованных попали данные, содержа-
щие типичные для клинических условий посто-
ронние звуки типа речевых сигналов, транспорт-
ных шумов, хлопания дверей, перемещения мебе-
ли, стука шагов и т. п. Наконец, в ряде случаев
проявлялись помехи, связанные с некачественной
приклейкой датчиков на грудной клетке пациен-
тов, а также помехи, которые передавались по ка-
белю при касании им тела пациента или формиро-
вались за счет колебаний кабеля и датчиков при
движениях грудной клетки пациентов, обуслов-
ленных дыханием или сердцебиением. В тех слу-
чаях, когда действие помех было кратковремен-
ным (не более одной – двух секунд, что на поря-
док меньше полной длительности записей), прово-
дилось цензурирование пораженных помехой вре-
менных участков с помощью специальных про-
граммных средств пакета [16], после чего указан-
ные фонограммы использовались при последую-
щих исследованиях.
Каждая запись сопровождалась заполненной
врачом карточкой, в которой были отмечены ха-
рактерные особенности выслушиваемых звуков
дыхания в отмеченных точках регистрации дан-
ных. Важно отметить, что осмотр больных и за-
полнение карточек проводились до непосредствен-
ной записи звуков дыхания с интервалом, который
иногда достигал нескольких дней. Это обстоятель-
ство в ряде случаев приводило к расхождению за-
фиксированных в карточке сведений и данных, по-
лученных в процессе обработки фонограмм. Нали-
чие заметной суточной динамики в состоянии ор-
ганов дыхания при проведении эффективной те-
рапии больных было показано нами ранее в рабо-
те [17]. В связи с этим было проведено уточнение
сведений, зафиксированных в карточках по всем
отобранным записям звуков дыхания.
Объективная оценка эффективности решения
задачи дихотомии заданного набора записей зву-
ков дыхания с помощью некоторого алгоритма
классификации предполагает сравнение результа-
Рис. 1. Схема размещения точек регистрации
звуков дыхания на поверхности грудной клетки
тов разделения этого набора на группы, соответ-
ствующие норме и патологии, с верифицирован-
ным разбиением данных. Для этого предлагалось
использовать хорошо подтвержденный практикой
признак патологии, а именно, присутствие в за-
писях дополнительных звуков дыхания (напри-
мер, хрипов, крепитаций или шумов трения плев-
ры). Выявить интенсивные дополнительные зву-
ки дыхания можно путем прослушивания записей.
Эффективность такой процедуры слабо зависит от
опыта и квалификации врача, так как не требует
точной идентификации типа патологических зву-
ков. Кроме того, для ее реализации не нужны спе-
циальные алгоритмы обработки записей.
На основе указанного признака в работе были
сформированы две группы записей. В первую
группу, которую будем называть группой услов-
ной нормы (УН), включены записи, не содержав-
шие дополнительных звуков дыхания. Определе-
ние “условная” добавлено потому, что отсутствие
дополнительных звуков дыхания является необхо-
димым, но не достаточным условием нормы. Вто-
рую группу записей, которые содержат дополни-
тельные звуки дыхания, по аналогии, будем на-
зывать группой условной патологии (УП). Ключе-
вым моментом предложенного подхода является
то, что указанное разбиение может быть в после-
дующем использовано не только для оценки эф-
фективности алгоритмов классификации, но и для
настройки этих алгоритмов.
Как известно, в медицинской практике диагно-
стируются три основных типа дыхания: трахеаль-
ное (выслушивается в области трахеи), бронхиаль-
ное (выслушивается в центральной области боль-
ших бронхов на передней части грудной клетки)
и везикулярное – выслушивается в остальных зо-
нах грудной клетки [1 – 4]. Для первых двух типов
характерна неравномерность спадания СПМ с рос-
том частоты, причем это справедливо как в норме,
так и при патологии. В то же время, для третьего
типа дыхания наличие неравномерности спадания
В. В. Крижановский, В. В. Крижановский (мл.), В. А. Чернец 41
ISSN 1028 -7507 Акустичний вiсник. 2007. Том 10, N 1. С. 39 – 53
СПМ является достаточно типичным признаком
патологии и, как правило, связано с появлением
дополнительных звуков дыхания [18]. Из-за мно-
гообразия видов кривых СПМ разных типов дыха-
ния для классификации необходимо использовать
признак, который был бы нечувствителен к кон-
кретной форме кривой. Кроме того, он должен ре-
агировать на изменение СПМ при наличии патоло-
гических респираторных звуков. Количественную
оценку этих изменений можно провести с помо-
щью разработанного в работе [19] алгоритма ада-
птивной классификации.
2. ЭФФЕКТИВНОСТЬ ДИХОТОМИИ ЗВУ-
КОВ ДЫХАНИЯ АДАПТИВНЫМ АЛГОРИ-
ТМОМ КЛАССИФИКАЦИИ
В “рафинированном” случае реализация про-
цедуры адаптивной классификации предполага-
ет оценку дистанции между тестируемой СПМ
звуков дыхания и эталонной СПМ, соответству-
ющей звукам дыхания в норме. Поскольку, как
отмечалось выше, выбор единого эталона нормы
СПМ практически невозможен, целесообразно во-
спользоваться известным из врачебной практики
приемом сравнения сигналов в симметричных то-
чках относительно сагиттальной плоскости гру-
дной клетки. Для состояния нормы характеристи-
ки звуков дыхания в симметричных точках, как
правило, имеют близкую структуру, а значит, ди-
станция между оценками СПМ сигналов в этих то-
чках должна быть мала. В то же время, патологии
гораздо реже по одинаковому проявляются в сим-
метричных точках. Следовательно, дистанции ме-
жду СПМ звуков дыхания в симметричных точках
при наличии патологии должны заметно отлича-
ться. Таким образом, характерным признаком па-
тологии может быть увеличение дистанции между
СПМ звуков дыхания в симметричных точках.
Здесь необходимо отметить, что возможны две
схемы регистрации данных. Первая из них, сов-
падающая с традиционной методикой обследова-
ния пациентов врачом, характеризуется последо-
вательной асинхронной записью сигналов в сим-
метричных точках. При этом достаточно одного
входного канала. Эффективность использования
этого подхода оправдывается медицинской пра-
ктикой, но при этом возрастает время записи и
усложняется процедура сравнительного анализа
данных в симметричных точках, так как нару-
шается однородность условий регистрации дан-
ных. Вторая схема свободна от указанных недо-
статков, поскольку предполагает синхронную мно-
гоканальную запись сигналов в симметричных то-
чках. Вместе с тем она требует идентичности па-
раметров каналов. В анализируемой ниже базе
данных все парные фонограммы были получены
по второй схеме. Для спектрального анализа ото-
бранных записей и обработки их адаптивным ал-
горитмом классификации было разработано соо-
тветствующее программное обеспечение, описан-
ное в [16].
Таким образом, в данном случае для решения
задачи дихотомии достаточно с помощью адаптив-
ного алгоритма классификации вычислить дистан-
цию между СПМ в симметричных точках и срав-
нить ее с пороговым уровнем, разделяющим обла-
сти дистанций, характерных для нормы и патоло-
гии. Основной проблемой в этом случае является
определение величины указанного порога. Один из
вариантов статистического оценивания порогового
уровня рассмотрен в работе [19]. Однако предло-
женный алгоритм оценивания порога эффективен
при проведении классификации на основе сравне-
ния тестируемой СПМ с эталоном нормы СПМ,
полученным в аналогичных условиях и на том же
оборудовании. В рассматриваемом случае на вели-
чину искомого уровня будут оказывать влияние не
только статистические ошибки оценивания СПМ,
но и систематические ошибки, связанные с неи-
дентичностью акустических каналов распростра-
нения звуков дыхания и каналов синхронной ре-
гистрации сигналов, а также погрешности в сим-
метрии расстановки датчиков.
Исходя из этого, в данной работе предлагается
другой подход, позволяющий при оценивании по-
рога учитывать влияние всех указанных факто-
ров. Для его реализации достаточно воспользо-
ваться обучающей выборкой, сформированной на
основе части данных из верифицированного на-
бора записей. В рассматриваемом случае обучаю-
щая выборка должна включать оценки дистанций
D между СПМ звуков дыхания в симметричных
точках по каждой из групп УН и УП. Эта инфор-
мация, а также экспериментально установленный
по критерию согласия χ-квадрат [20] факт доста-
точно хорошего соответствия выборочных оценок
дистанций по каждой из групп записей УН и УП
гауссовской плотности распределения вероятности
позволяют построить байесовское решающее пра-
вило для разделения пространства дистанций на
области нормы и патологии [21]. Согласно ему, ве-
личина порога Π, разделяющего указанные обла-
сти, определяется из уравнения
Π = (m1σ2)
2 − (m2σ1)
2 + (σ1σ2)
2 ln
[(
σ1
σ2
)2]
, (1)
42 В. В. Крижановский, В. В. Крижановский (мл.), В. А. Чернец
ISSN 1028 -7507 Акустичний вiсник. 2007. Том 10, N 1. С. 39 – 53
где m1, m2 и σ1, σ1 – числовые характеристики
(средние значения и среднеквадратичные откло-
нения) распределений плотностей вероятности ди-
станций D между СПМ в группах УН и УП соо-
тветственно.
На рис. 2 приведен график, на котором ото-
бражены результаты расчетов дистанций между
оценками СПМ сигналов в симметричных точках
для всего массива верифицированных данных,
в который было включено 69 пар точек. Оцен-
ка дистанций была проведена в диапазоне ча-
стот 70÷405 Гц. Границы диапазона заданы таким
образом, чтобы снизить влияние на результаты
классификации низкочастотных сердечных сигна-
лов и ограничить область анализа сверху участ-
ком, в пределах которого сигналы нормального
дыхания с высокой вероятностью превышают фо-
новую помеху. На оси абсцисс указаны номера Np
пар записей сигналов в симметричных точках ре-
гистрации данных на грудной клетке пациентов,
а по оси ординат – соответствующие значения ди-
станций между СПМ в этих точках. При этом для
удобства визуального анализа по оси ординат за-
дан логарифмический масштаб. Кружочками на
графике обозначены данные для группы УН, а
темными треугольниками – данные для группы
УП. Штриховой линией нанесен вычисленный по
алгоритму (1) порог ΠD, разделяющий области
нормы (ниже порога) и патологии (выше него).
Количественные оценки показывают, что предло-
женная процедура обеспечивает правильную клас-
сификацию для 78 % пар точек, причем, в группе
УН правильная классификация имеет место в 97 %
случаев, а в группе УП – в 60 % случаев.
Детальный анализ причин появления ошибок
классификации будет проведен ниже. Отметим
только один существенный для рассматриваемо-
го случая фактор. При формировании обучающей
выборки для группы УН мы учитывали только
факт отсутствия в записях дополнительных зву-
ков дыхания. Однако принятая процедура клас-
сификации предполагает выполнение еще одного
условия – это идентичность характеристик аку-
стических каналов, по которым распространялись
звуки дыхания в симметричные точки регистра-
ции данных. Более детальный анализ сведений о
пациентах, зафиксированных в карточках, пока-
зал, что в группу УН попал пациент с патоло-
гией органов дыхания, обусловленной оперирова-
нием одной из половин легких, что противоречит
указанному требованию симметричности. Поэто-
му для обучающей группы УН было проведено
цензурирование соответствующего этому пациен-
ту значения дистанции. В результате этой корре-
кции был вычислен новый порог разделения клас-
сов ΠDo, который на рис. 2 изображен штрих-
пунктиром.
После коррекции правильная классификация по
всему массиву данных возросла до 90 %, причем,
для группы УН правильная классификация обе-
спечивалась в 97 %, а для группы УП – в 83 %
случаев. При оценке порога использовалась вся
выборка данных. Однако, как отмечалось выше,
оценку порога можно проводить, используя толь-
ко обучающую часть выборки. На рис. 3 показана
динамика изменения оцениваемых значений уров-
ня порога ΠDo (откладываемых по оси ординат)
в зависимости от размера обучающей выборки Np
(отложенного на оси абсцисс).
Как видно, при корректном формировании обу-
чающей выборки стабилизация уровня порога на-
ступает уже для 20 пар точек по каждой из обу-
чающих групп записей. При этом для оставшей-
ся выборки данных получаем 89.7 % правильно
классифицированных записей, а по группам УН
и УП имеем 92.9 % и 86.7 % правильных решений
соответственно. Таким образом, при использова-
нии для настройки алгоритма только части дан-
ных сохраняется высокая эффективность класси-
фикации.
Вместе с тем, следует отметить ряд общих не-
достатков, свойственных алгоритму адаптивной
классификации. Во-первых, это необходимость
синхронной регистрации данных в симметричных
точках, которая предполагает использование дву-
хканального тракта регистрации с идентичными
каналами. Во-вторых, даже при полной иденти-
чности каналов регистрации данных могут иметь
место ошибки смещения оценок дистанций ме-
жду СПМ в симметричных точках, обусловленные
отсутствием информации о границах полосы ча-
стот, где СПМ звуков дыхания преобладает над
СПМ фоновых помех. В-третьих, эта процедура
не дает однозначного ответа на вопрос об обла-
сти локализации патологии. Фактически, решение
принимается сразу для двух точек, что всегда бу-
дет давать ошибки классификации в случаях, ко-
гда патология имеет место только в одной из них.
Для устранения указанных недостатков целесо-
образно использовать такой признак, который по-
зволил бы классифицировать сигналы по данным,
регистрируемым в одной точке. В этом качестве
в работе [19] предложено использовать характер-
ное для везикулярного дыхания в норме свойство
монотонности спадания СПМ с ростом частоты.
Для разделения звуков дыхания по этому призна-
ку был разработан алгоритм ранговой классифи-
кации [19].
В. В. Крижановский, В. В. Крижановский (мл.), В. А. Чернец 43
ISSN 1028 -7507 Акустичний вiсник. 2007. Том 10, N 1. С. 39 – 53
Рис. 2. Оценки дистанций между СПМ записей звуков дыхания в симметричных точках,
вычисленные по адаптивному алгоритму классификации
Рис. 3. Зависимость порогового уровня ΠD0 от размера обучающей выборки
44 В. В. Крижановский, В. В. Крижановский (мл.), В. А. Чернец
ISSN 1028 -7507 Акустичний вiсник. 2007. Том 10, N 1. С. 39 – 53
3. ЭФФЕКТИВНОСТЬ ДИХОТОМИИ ЗВУ-
КОВ ДЫХАНИЯ РАНГОВЫМ АЛГОРИ-
ТМОМ КЛАССИФИКАЦИИ
Данный алгоритм позволяет проводить класси-
фикацию звуков дыхания, регистрируемых в лю-
бой заданной точке грудной клетки, для которой
в состоянии нормы характерны везикулярные зву-
ки дыхания. При этом достаточно использовать
оценку СПМ звуков дыхания, записанных толь-
ко в одной указанной точке. Это существенно сни-
жает требования к тракту регистрации сигналов,
а также позволяет повысить точность локализа-
ции области патологии. Кроме того, для монотон-
но спадающих СПМ этот алгоритм позволяет оце-
нить верхнюю границу диапазона частот, где СПМ
звуков дыхания преобладает над фоном.
Действительно, как показано в работе [22], чув-
ствительность рангового алгоритма к неравномер-
ности изменения СПМ в заданной области частот
зависит от скорости спадания среднего значения
оценки СПМ в ней. При обычном дыхании для со-
стояния нормы можно выделить две характерных
области частот с разными скоростями изменения
СПМ. Первая из них, где наблюдается быстрое
спадание уровня с ростом частоты [6], ограничена
сверху значениями около 400 Гц. В этой области,
которую будем называть информативной, СПМ
звуков дыхания преобладает над СПМ фона. Для
состояния нормы ранговая статистика в этих пре-
делах должна быть мала. На более высоких часто-
тах средний уровень СПМ приближается к некото-
рой фоновой константе, а его флуктуации приво-
дят к резкому росту ранговой статистики. Следо-
вательно, для состояния нормы частота, на кото-
рой наблюдается резкий рост ранговой статисти-
ки, характеризует верхнюю границу информатив-
ной области частот. При наличии дополнительных
звуков дыхания, приводящих к неравномерности
спада СПМ сигнала, возрастание ранговой стати-
стики происходит на частотах, соответствующих
этой патологии. Как известно, нижняя граница ча-
стотного диапазона большинства типичных допол-
нительных звуков дыхания располагается заметно
ниже границы выхода СПМ на уровень фона [7].
Этот признак можно использовать для решения
рассматриваемой задачи дихотомии звуков дыха-
ния.
Оценка граничной частоты, разделяющей обла-
сти нормы и патологии, представляет самостоя-
тельную задачу, пути решения которой зависят от
уровня информационной обеспеченности. Один из
подходов состоит в оценке пограничной частоты
по оценкам СПМ для контрольной группы паци-
ентов с нормальным состоянием респираторного
тракта. Однако на практике это требует допол-
нительных затрат времени на подбор пациентов
в контрольной группе, создание идентичных усло-
вий регистрации данных и получение статистиче-
ски достоверных оценок, что существенно усло-
жняет процедуру диагностики. Как было показано
при анализе эффективности адаптивного алгорит-
ма классификации, более простой путь состоит в
формировании необходимых оценок на основе уже
имеющихся записей, сделанных на разных эта-
пах лечения или профилактики органов дыхания.
С одной стороны, это обеспечивает однородность
условий получения данных, а с другой – позволя-
ет по мере наращивания базы данных повысить
статистическую достоверность оценок.
Исходя из сказанного, последующий анализ бу-
дем проводить на основе описанного ранее набо-
ра записей, состоящего из групп данных УН и
УП. По оценкам СПМ каждой из этих групп запи-
сей на основе рангового алгоритма были опреде-
лены частоты Fr, на которых ранговая статисти-
ка превышала заданный порог. Величина порога
оценивалась в соответствии с рекомендациями ра-
боты [19] и учитывала только влияние статистиче-
ской ошибки оценивания СПМ. Все оценки выпол-
нялись с помощью программного обеспечения [16].
На рис. 4 представлены оценки указанных ча-
стот Fr, определенные по каждой отдельной запи-
си данных, полученные для диапазона 70÷700 Гц.
В данном случае область анализа была расшире-
на в направлении высоких частот, так как ранго-
вый алгоритм автоматически ограничивает верх-
нюю границу диапазона частотой, выше которой
начинает преобладать СПМ фоновой помехи. По
оси абсцисс отложены номера N записей звуков
дыхания для пациентов в группах УН и УП, а по
оси ординат – значения частот в точке пересечения
ранговой статистики с заданным порогом. Оценки
частот Fr записей из группы УП на графике обо-
значены темными треугольниками, а данные для
записей из группы УН – кружочками. Как и следо-
вало ожидать, область отметок, соответствующих
записям группы УП, смещена вниз относительно
группы УН. Чтобы оценить границу раздела ука-
занных областей, воспользуемся гауссовской ап-
проксимацией плотности распределения отметок
каждой из рассматриваемых групп по частоте. То-
гда, в соответствии со стратегией принятия реше-
ний Байеса, значение пограничной частоты ΠFr
можно вычислить по алгоритму (1), где m1, m2
и σ1, σ2 – числовые характеристики распределе-
ний плотностей вероятности пороговых частот Fr
ранговой статистики в группах УН и УП соответ-
В. В. Крижановский, В. В. Крижановский (мл.), В. А. Чернец 45
ISSN 1028 -7507 Акустичний вiсник. 2007. Том 10, N 1. С. 39 – 53
Рис. 4. Оценки значений частот, соответствующих пороговому уровню дисперсии рангов,
вычисленные по СПМ звуков дыхания ранговым алгоритмом классификации
ственно.
На рис. 4 граница раздела ΠFr нанесена штри-
ховой линией. Анализ показывает, что при таком
положении границы ранговый алгоритм правиль-
но классифицирует норму и патологию для 87.7 %
случаев тестируемых записей сигналов. При этом
для группы УН правильная классификация имеет
место в 90 %, а для группы УП – в 85.5 % случаев
при настройке алгоритма классификации по всем
данным. Если же использовать для настройки обу-
чающую выборку из 20 записей по каждой группе
данных, то правильная классификация оставши-
хся записей имеет место в 88.8 % случаев, причем
для групп УН и УП – в 90 % и 87.8 % случаев со-
ответственно. Таким образом, и в этой ситуации
наблюдается высокая эффективность дихотомии
записей по звукам дыхания с помощью рангового
алгоритма.
Анализ результатов классификации по ранго-
вому и адаптивному алгоритмам показывает, что
в ряде случаев имеет место несовпадение полу-
ченных по ним решений для отдельных записей.
Одной из наиболее существенных причин этого
расхождения является игнорирование сведений об
информативной полосе частот – полное в случае
применения адаптивного алгоритма и частичное
при использовании рангового алгоритма.
4. ЭФФЕКТИВНОСТЬ ДИХОТОМИИ ЗВУ-
КОВ ДЫХАНИЯ ПО ХАРАКТЕРИСТИКАМ
ИНФОРМАТИВНОЙ ПОЛОСЫ ЧАСТОТ
Под информативной полосой частот (ИПЧ) бу-
дем понимать полосу, в пределах которой уровень
СПМ звуков дыхания превышает уровень фоно-
вой СПМ на заданную величину. Следует заме-
тить, что в реальных условиях могут действовать
как кратковременные, так и длительные помехи.
Как правило, основное влияние на информатив-
ную область частот оказывают постоянно действу-
ющие фоновые сигналы – сердцебиение, тремор,
вибрационные помехи и т. п. Поэтому оценка ин-
формативной полосы частот должна проводиться
с учетом влияния указанных процессов. Посколь-
ку длительность записи звуков дыхания, как пра-
вило, не превышает нескольких десятков секунд,
можно считать, что характеристики большинства
мешающих сигналов в пределах указанных интер-
валов времени изменяются мало. Это позволяет
проводить эффективную статистическую оценку
СПМ фоновых помех в пределах того же времен-
ного интервала, что и оценки СПМ звуков дыха-
ния. При этом для исключения влияния на эти
оценки сигналов дыхания в данной работе предла-
гается проводить оценки СПМ фоновых помех во
46 В. В. Крижановский, В. В. Крижановский (мл.), В. А. Чернец
ISSN 1028 -7507 Акустичний вiсник. 2007. Том 10, N 1. С. 39 – 53
время пауз дыхания.
Следуя этой процедуре, с помощью программно-
го обеспечения [16] путем сравнения оценок СПМ,
полученных по полному сигналу и по сигналу в
паузах, было проведено выделение ИПЧ полезных
сигналов дыхания для каждой записи данных. На
рис. 5 и 6 приведены границы Fmax и Fmin зоны
информативности для СПМ рассмотренных выше
групп записей сигналов УН и УП соответственно.
По оси абсцисс отложены номера N записей дан-
ных, а по оси ординат – границы Fmax (сплошная
кривая) и Fmin (штриховая кривая) информатив-
ной области, определенные по превышению не ме-
нее чем на 3 дБ уровня СПМ полного сигнала над
уровнем СПМ сигнала в паузах дыхания. Как ви-
дно, границы информативной области для записей
из группы УП существенно шире, чем для группы
УН. Кроме того, надо обратить внимание на заме-
тную изменчивость границ информативной поло-
сы частот. Особенно сильным изменениям подвер-
жена верхняя граница. Это существенно влияет на
результаты классификации с помощью адаптивно-
го алгоритма, так как его информативная характе-
ристика (дистанция между СПМ в симметричных
точках) зависит от верхней частоты анализа. Если
эта частота лежит ниже верхней границы ИПЧ, то
возникают ошибки классификации из-за пропуска
патологии звуков дыхания, СПМ которых сосредо-
точена выше частоты анализа. В то же время, если
верхняя частота анализа задана выше верхней гра-
ницы ИПЧ, то возникают ошибки классификации,
связанные с попаданием в зону анализа участка
СПМ с преобладанием фоновой помехи. Как отме-
чалось выше, ранговый алгоритм более устойчив к
указанному фактору, так как его информативная
характеристика (частота, на которой ранговый ал-
горитм превышает заданный порог) практически
всегда ниже верхней границы ИПЧ.
Вместе с тем, более полный учет данных об
ИПЧ позволяет определить ряд дополнительных
признаков, которые могут быть использованы
при классификации записей звуков дыхания. Для
выявления этих признаков полезно исследовать
эффективность классификации записей из групп
УН и УП по ряду важных характеристик ИПЧ.
В их качестве нами были использованы значения
частот верхней Fmax и нижней Fmin границ ИПЧ,
ширина dF =Fmax−Fmin и среднее значение часто-
ты F0 =(Fmax+Fmin)/2 ИПЧ. Дополнительно вво-
дились отношение ширины ИПЧ к ее средней ча-
стоте SF =dF/F0 и корень из произведения этих
величин YF =
√
dF F0. Для перечисленных инфор-
мативных характеристик были построены графи-
ки, представленные на рис. 7 – 12. Здесь на оси
абсцисс указаны номера N записей сигналов. Со-
ответствующие условные обозначения для групп
УН и УП – те же, что и ранее. Штриховыми ли-
ниями на графиках представлены пороги Π ра-
зделения групп УН и УП, вычисленные на основе
байесовской стратегии по алгоритму (1). При этом
числовые характеристики определялись по усре-
дненным данным соответствующих информатив-
ных характеристик ИПЧ для каждой из групп.
На рис. 7 и 8 приведены массивы отметок, опре-
деляющие области распределение групп УН и УП
по значениям верхней Fmin и нижней Fmax гра-
ниц информативной полосы частот соответствен-
но. Как видно, разделение групп УН и УП по верх-
ней граничной частоте информативной полосы су-
щественно эффективнее, чем по нижней. В част-
ности, для параметра верхней граничной частоты
информативной полосы правильная классифика-
ция имеет место в 75 % случаев. При этом пра-
вильная классификация записей из группы УН на-
блюдается в 77 %, из группы УП – в 73 % случаев.
В то же время, из-за практически полного пере-
крытия областей, соответствующим группам УН
и УП для нижней границы информативной поло-
сы частот, правильная классификация наблюдает-
ся всего в 46 % записей. При этом группа УН пра-
вильно классифицируется в 76 %, а группа УП –
лишь в 16 % записей.
На рис. 9 и 10 соответственно представлены
аналогичные графики результатов классификации
групп УН и УП по ширине dF и среднему значе-
нию F0 ИПЧ для каждой из записей. Анализ пока-
зывает, что правильная классификация по ширине
информативной полосы имеет место в 75 % слу-
чаев. При этом правильная классификация запи-
сей группы УН наблюдается в 78 %, а для группы
УП – в 72 % случаев. Аналогичные данные для
классификации по среднему значению частоты в
информативной полосе рис. 10 составляют 77.5, 80
и 75 % соответственно.
Наконец, на рис. 11 и 12 приведены результаты
оценок эффективности классификации по величи-
нам SF и YF . Как видно из графиков, использова-
ние отношения указанных частотных характери-
стик ИПЧ менее эффективно, чем их произведе-
ния. Действительно, при оценке по SF (см. рис. 11)
правильная классификация наблюдается в 67 %
случаев (по группам УН и УП она равна 54 и 80 %
соответственно). При оценке по YF (см. рис. 12)
правильная классификация наблюдается в 75.5 %
случаев (по группам УН и УП она равна 77 и 74 %
соответственно).
Выполненный анализ показывает, что с точки
зрения решения задачи дихотомии звуков дыха-
В. В. Крижановский, В. В. Крижановский (мл.), В. А. Чернец 47
ISSN 1028 -7507 Акустичний вiсник. 2007. Том 10, N 1. С. 39 – 53
Рис. 5. Информативная полоса частот для СПМ звуков дыхания записей из группы УН
Рис. 6. Информативная полоса частот для СПМ звуков дыхания записей из группы УП
48 В. В. Крижановский, В. В. Крижановский (мл.), В. А. Чернец
ISSN 1028 -7507 Акустичний вiсник. 2007. Том 10, N 1. С. 39 – 53
Рис. 7. Оценки нижних граничных частот информативной полосы для СПМ звуков дыхания
Рис. 8. Оценки верхних граничных частот информативной полосы для СПМ звуков дыхания
В. В. Крижановский, В. В. Крижановский (мл.), В. А. Чернец 49
ISSN 1028 -7507 Акустичний вiсник. 2007. Том 10, N 1. С. 39 – 53
Рис. 9. Оценки ширины информативной полосы частот для СПМ звуков дыхания
Рис. 10. Оценки средней частоты информативной полосы частот для СПМ звуков дыхания
50 В. В. Крижановский, В. В. Крижановский (мл.), В. А. Чернец
ISSN 1028 -7507 Акустичний вiсник. 2007. Том 10, N 1. С. 39 – 53
Рис. 11. Оценки характеристики SF ИПЧ для СПМ звуков дыхания
Рис. 12. Оценки характеристики YF ИПЧ для СПМ звуков дыхания
В. В. Крижановский, В. В. Крижановский (мл.), В. А. Чернец 51
ISSN 1028 -7507 Акустичний вiсник. 2007. Том 10, N 1. С. 39 – 53
ния наибольшей информативностью обладают та-
кие характеристики ИПЧ как верхняя граничная
частота Fmax, ширина полосы dF , среднее значе-
ние частоты в полосе F0 и корень из произведения
двух последних характеристик YF . Хотя количе-
ственные оценки эффективности классификации
для указанных характеристик оказываются близ-
кими по величине, но каждая из них имеет свои
особенности.
Еще более высокая эффективность решения за-
дачи дихотомии достигается при комбинирован-
ной обработке результатов решения задачи дихо-
томии по всем рассмотренным выше алгоритмам
классификации. В частности, полученные оценки
показывают, что совместный учет результатов ди-
хотомии звуков дыхания по всем предложенным
алгоритмам позволяет повысить общую эффе-
ктивность правильной классификации до 93.5 %.
При этом для группы УН эффективность пра-
вильной классификации достигает 97.1 %, а для
группы УП – 90 %.
В заключение заметим, что следующим шагом
на пути минимизации ошибок классификации при
решении задачи дихотомии является учет инфор-
мации о характере дыхания и его связи с информа-
тивными характеристиками звуков дыхания. Эти
вопросы будут рассмотрены в последующих пу-
бликациях. В частности, будет показано как с
помощью введенных характеристик ИПЧ может
быть проведена более детальная классификация
записей по характеру дыхания в каждой из выде-
ленных групп УН и УП. Это позволит ввести ме-
тризацию таких важных для диагностики состоя-
ния респираторного тракта качественных характе-
ристик везикулярного дыхания как усиленность,
жесткость, норма и ослабленность. Кроме того, бу-
дут рассмотрены подходы и алгоритмы эффектив-
ного выделения патологий в звуках дыхания, ко-
торые способствуют повышению качества класси-
фикации сигналов дыхания в сложных помеховых
условиях и могут оказаться полезными при диа-
гностике заболеваний респираторного тракта.
ВЫВОДЫ
1. Определен ряд классификационных призна-
ков, которые эффективны для решения зада-
чи дихотомии звуков дыхания по структуре
их спектральной плотности мощности.
2. Определены согласованные с заданными при-
знаками алгоритмы классификации и их ин-
формативные характеристики.
3. Определена адаптивная байесовская процеду-
ра настройки алгоритмов классификации в
соответствующем информативном пространс-
тве признаков.
4. Предложена процедура выделения информа-
тивной полосы частот по паузам дыхания и
определены важные для решения задачи ди-
хотомии ее характеристики.
5. Проведена экспериментальная проверка эф-
фективности предложенных процедур класси-
фикации при решении задачи дихотомии зву-
ков дыхания.
6. Отмечена возможность повышения эффе-
ктивности дихотомии звуков дыхания при
комплексном использовании результатов не-
скольких алгоритмов классификации.
1. Ковалевский А. А. Перкуссия и аускультация.–
Томск: Изд-во Томского университета, 1961.–
170 с.
2. Большая медицинская энциклопедия, том 7.– М.:
Сов. Энцикл, 1975.– С. 532–534.
3. Болезни органов дыхания. Руководство для вра-
чей. Том 2. Частная пульмонология / Под ред.
Н. Р. Палеева.– М.: Медицина, 1989.– 512 с.
4. Губергриц А. Я. Непосредственное исследова-
ние больного. Курс физикальной диагностики.–
Ижевск: Удмуртия, 1996.– 332 с.
5. Gavriely N., Nissan M., Rubin A. H., Cugell D. W.
Spectral characteristics of chest wall breath sounds
in normal subjects // Thorax.– 1995.– 50.– P. 1292–
1300.
6. Gavriely N., Palti Y., Alroy G. Spectral characteri-
stics of normal breath sounds // J. Appl. Physiol.–
1981.– 50, N 2.– P. 307–314.
7. Замотаев И. П., Магазаник Н. А., Водолаз-
кий Л. А., Голиков В. А., Щедрина О. И. Спек-
тральный анализ важнейших аускультативных
признаков // Клиническая медицина.– 1974.– 52,
N 5.– С. 97–101.
8. Charbonneau G., Ademovic E., Cheetham B. M. G.,
Malmberg L. P., Vanderschoot J.,Sovijarvi A. R. A.
Basic techniques for respiratory sound analysis //
Eur. Respir. Rev.– 2000.– 77, N 10.– P. 625–635.
9. Cohen A., Landsberg D. Analysis and automatic
classification of breath sounds // IEEE Trans. Boi-
med. Engng.– 1984.– 31, N 9.– P. 585–589.
10. Gavriely N., Herzberg M. Parametric representation
of normal breath sounds // J. Appl. Physiol.– 1992.–
73, N 5.– P. 1776–1784.
11. Вовк И. В., Гринченко В. Т., Красный Л. Г., Ма-
каренков А. П. Проблемы регистрации и класси-
фикации шумов дыхания человека // Акуст. ж.–
1994.– 40, N 1.– С. 750–756.
12. Gavriely N. Breath sounds methodology.– Boca
Raton: CRC Press, 1995.– 223 p.
13. Майданник В. Г., Грiнченко В. Т., Рудни-
цький О. Г., Глебова Л. П., Макаренков А. П. Но-
вi пiдходи в автоматизацiї аускультативної дiагно-
стики легеневих захворювань // Педiатрiя, аку-
шерство та гiнекологiя.– 2000.– N 6.– С. 30–35.
52 В. В. Крижановский, В. В. Крижановский (мл.), В. А. Чернец
ISSN 1028 -7507 Акустичний вiсник. 2007. Том 10, N 1. С. 39 – 53
14. Большая медицинская энциклопедия, том 2.– М.:
Сов. Энцикл., 1975.– С. 366–368.
15. Abella M., Formolo J., Penney D. G. Comparison of
the acoustic properties of six popular stethoscopes //
J. Acoust. Soc. Amer.– 1992.– 91.– P. 2224–2228.
16. Крижановский В. В., Крижановский В. В. (мл.)
Структура и возможности программного обеспе-
чения для компьютерной системы регистрации,
анализа и классификации звуков дыхания //
Акуст. вiсн.– 2003.– 6, N 4.– С. 33–45.
17. Вовк И. В., Дахнов С. Л., Крижановский В. В.,
Олийнык В. Н. Изменение акустических характе-
ристик шумов дыхания пневмонийных больных в
процессе выздоровления // Акуст. вiсн.– 1999.– 2,
N 4.– С. 3–12.
18. Вовк И. В., Гринченко В. Т., Дахнов С. Л., Кри-
жановский В. В., Олийнык В. Н. Шумы дыхания
человека: объективизация аускультативных при-
знаков // Акуст. вiсн.– 1999.– 2, N 3.– С. 11–32.
19. Гринченко В. Т., Крижановский В. В., Крижанов-
ский В. В. (мл.) Алгоритмы адаптивной и ран-
говой классификации шумов дыхания // Акуст.
вiсн.– 2002.– 5, N 3.– С. 19–27.
20. Бендат Дж., Пирсол А. Применения корреляци-
онного и спектрального анализа.– М.: Мир, 1983.–
312 с.
21. Горелик А. Л., Скрипкин В. А. Методы
распознавания.– М.: Высшая школа, 1977.–
222 с.
22. Гринченко В. Т., Крижановский В. В., Крижанов-
ский В. В. (мл.) Ранговые респиросонограммы шу-
мов дыхания // Акуст. вiсн.– 2003.– 6, N 2.– С. 34–
42.
В. В. Крижановский, В. В. Крижановский (мл.), В. А. Чернец 53
|