Um estudo de reconhecimento de sons pulmonares baseado em técnicas de inteligência computacional

• Ano de defesa: 2015
• Autor(a) principal: Naves, Raphael
• Orientador(a): Barbosa, Bruno Henrique Groenner
• Banca de defesa: Ferreira, Danton Diego, Magalhães, Ricardo Rodrigues, Cerqueira, Augusto Santiago
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Lavras
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia de Sistemas e Automação
• Departamento: Departamento de Engenharia
• País: brasil
• Palavras-chave em Português: Sons Pulmonares; Reconhecimento de padrões; Estatísticas de ordem superior; Algoritmos genéticos; Pulmonary sounds; Pattern recognition; Higher-Order statistics; Genetic algorithm
• Área do conhecimento CNPq: Engenharia Elétrica
• Link de acesso: https://repositorio.ufla.br/handle/1/10496

Este trabalho descreve o uso de técnicas da Inteligência Computacional visando à classificação de sons pulmonares em sons normais e adventícios. Os sons normais são auscultados em indivíduos saudáveis. Os sons adventícios são auscultados em indivíduos que possuem algum tipo de doença pulmonar e são classificados em duas categorias: sons contínuos (sibilos e roncos) e descontínuos (estertores). Cada um desses sons se relaciona com disfunções pulmonares fazendo com que sua classificação seja importante no auxílio ao diagnóstico clínico. Além disso, os sons pulmonares são sinais nãoestacionários, o que os tornam difíceis de analisar e distinguir quando é utilizado um método de ausculta tradicional como o estetoscópio. Assim, o desenvolvimento de uma técnica que permita a classificação automática desses sons oferece uma alternativa para o profissional, podendo auxiliar no seu diagnóstico. Dessa forma, neste estudo, propõe-se o desenvolvimento de um classificador de sons pulmonares, utilizando Estatísticas de Ordem Superior (EOS) para extrair características, Algoritmos Genéticos e Análise Discriminante Linear para redução da dimensionalidade e Árvores de Decisão, k-vizinhos mais próximos, Classificador Bayesiano e Máquinas de Vetores Suporte para a classificação. As classes de sons pulmonares utilizadas são: normais, estertores finos, estertores grossos, sibilos monofônicos e sibilos polifônicos. Os resultados obtidos mostram que o uso de uma abordagem dividir para conquistar, utilizando os classificadores bayesiano e k-vizinhos mais próximos é mais adequada ao propósito de classificação de sons pulmonares, pois alcançou um melhor desempenho em comparação com o uso de apenas um classificador para resolver todo o problema. O resultado médio de acerto de classificação obtido pela abordagem foi de 91,1%, o que mostra a eficiência do método proposto.