[논문 리뷰] On the effectiveness of signal decomposition, feature extraction and selection on lung sound classification

Andrine Elsetrønning, Adil Rasheed외 2명|arXiv (Cornell University)|2020. 12. 22.

Phonocardiography and Auscultation Techniques참고 문헌 26인용 수 6

한 줄 요약

이 연구는 열린 소스 데이터셋을 사용하여 갈라짐 소리와 비갈라짐 소리 폐음역을 분류하기 위한 신호 분해, 특징 추출 및 선택 기법을 평가한다. 분석 결과, 분해 없이 메르-주파수 체프스트랄 계수(MFCCs)를 사용하고 k-NN 분류기를 적용할 경우 정확도가 84.38%로 가장 높았으며, 주성분 분석(PCA)을 통한 특징 선택으로 입력 특징 수를 97% 감소시켜도 성능 저하가 발생하지 않았다.

ABSTRACT

Lung sounds refer to the sound generated by air moving through the respiratory system. These sounds, as most biomedical signals, are non-linear and non-stationary. A vital part of using the lung sound for disease detection is discrimination between normal lung sound and abnormal lung sound. In this paper, several approaches for classifying between no-crackle and crackle lung sounds are explored. Decomposition methods such as Empirical Mode Decomposition, Ensemble Empirical Mode Decomposition, and Discrete Wavelet Transform are used along with several feature extraction techniques like Principal Component Analysis and Autoencoder, to explore how various classifiers perform for the given task. An open-source dataset downloaded from Kaggle, containing chest auscultation of varying quality is used to determine the results of using the different decomposition and feature extraction combinations. It is found that when higher-order statistical and spectral features along with the Mel-frequency cepstral coefficients are fed to the classier we get the best performance with the kNN classifier giving the best accuracy. Furthermore, it is also demonstrated that using a combination of feature selection methods one can significantly reduce the number of input features without adversely affecting the accuracy of the classifiers.

연구 동기 및 목표

• 갈라짐 소리와 비갈라짐 소리 폐음의 분류에 있어 신호 분해, 특징 추출 및 선택 기법의 효과성을 조사한다.
• EMD, EEMD, DWT와 같은 고급 분해 방법이 원시 신호 분석에 비해 분류 정확도를 향상시키는지 확인한다.
• 다양한 특징 추출 기법(예: PCA, 오토에인코더)과 분류기의 성능에 미치는 영향을 평가한다.
• 특징 선택이 차원 수를 감소시키되 분류 정확도를 유지할 수 있는지 평가한다.
• 동일한 열린 데이터셋을 기반으로 기존 최고 수준의 방법들과의 비교를 통해 제안된 방법의 성능을 평가한다.

제안 방법

• 신호 분해에 대해 경험적 모드 분해(EMD), 엔semble EMD(EEMD), 이산 웨이블릿 변환(DWT)을 사용하였다.
• 메르-주파수 체프스트랄 계수(MFCCs), 고차 통계, 스펙트럼 특징 및 주성분 분석(PCA)을 통해 특징을 추출하였다.
• 딥 특징 학습을 위해 오토에인코더를 적용하고, k-NN, SVM 및 기타 분류기를 사용하여 성능을 비교하였다.
• 세 가지 특징 선택 방법을 구현: PCA, 재귀적 특징 제거(RFE), 상관 기반 특징 선택(CFS).
• 두 기관에서 수집한 다양한 품질의 폐음 녹음 자료를 포함한 열린 소스 카글 데이터셋을 사용하였다.
• 정확도, 정밀도, 재현율, F1-스코어와 같은 표준 지표를 사용하여 다양한 분류기 설정에서 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 EMD, EEMD 또는 DWT를 통한 신호 분해가 갈라짐 소리와 비갈라짐 소리 폐음의 분류 성능을 향상시키는가?
• RQ2 MFCCs, 통계적 특징 또는 딥 오토에인코더 중 어느 특징 추출 기법이 가장 높은 분류 정확도를 달성하는가?
• RQ3 특징 선택을 통해 입력 특징 수를 줄일 수 있으며 성능 저하 없이 유지할 수 있는가?
• RQ4 이 특정 폐음 분류 작업에서 k-NN 분류기는 SVM 및 기타 모델에 비해 정확도에서 어떻게 비교되는가?
• RQ5 제안된 방법은 동일한 데이터셋에서 기존 최고 수준의 접근 방식과 비교해 볼 때 어떻게 성능을 내는가?

주요 결과

• 분해 없이 원시 폐음 신호에서 직접 MFCCs를 추출한 후 k-NN 분류기를 적용할 경우 최고의 정확도 84.38%를 기록하였다.
• EMD 및 EEMD와 같은 신호 분해 방법은 분류 성능 향상에 기여하지 않았으며, 직접 MFCC 특징 추출에 비해 낮은 효과를 보였다.
• PCA를 통한 특징 선택으로 입력 특징 수를 980개에서 30개로 감소시켰지만 분류 정확도는 유지되거나 약간 향상되었다.
• MFCCs와 k-NN의 조합이 이전 연구에서 제안한 CNN 및 SVM 기반 방법들을 포함한 기존 접근 방식을 초월하여 성능을 냈다.
• 최고 성능을 보인 모델(k-NN + MFCCs + PCA)은 97%의 특징 감소에도 불구하고 전체 특징 집합을 사용한 모델와 유사한 성능을 보였다.
• 본 연구는 제안된 파이프라인의 강건성과 타당성을 입증하였으며, 생물의학적 신호를 초월한 시계열 이상 징후 탐지 작업으로의 적용 가능성도 보여주었다.