[논문 리뷰] Lung sound classification using local binary pattern

Nandini Sengupta, Sahidullah외 1명|arXiv (Cornell University)|2017. 10. 04.

Phonocardiography and Auscultation Techniques참고 문헌 35인용 수 8

한 줄 요약

이 논문은 시간-주파수 표현에서 무늬 특징을 추출하기 위해 메르 주파수 스펙트럼 계수(MFSCs)에 국소 이진 패턴(LBP) 분석을 사용하는 새로운 폐음 분류 방법을 제안한다. 이 방법은 웨이블릿 기반 및 MFCC 기반 특징보다 뛰어나며, 특히 비정상 폐음 검출에서 정확도가 최대 24.5% 향상되었으며, 바타치아 코어널과 kNN 분류기가 최적의 성능을 보였다.

ABSTRACT

Lung sounds contain vital information about pulmonary pathology. In this paper, we use short-term spectral characteristics of lung sounds to recognize associated diseases. Motivated by the success of auditory perception based techniques in speech signal classification, we represent time-frequency information of lung sounds using mel-scale warped spectral coefficients, called here as mel-frequency spectral coefficients (MFSCs). Next, we employ local binary pattern analysis (LBP) to capture texture information of the MFSCs, and the feature vectors are subsequently derived using histogram representation. The proposed features are used with three well-known classifiers in this field: k-nearest neighbor (kNN), artificial neural network (ANN), and support vector machine (SVM). Also, the performance was tested with multiple SVM kernels. We conduct extensive performance evaluation experiments using two databases which include normal and adventitious sounds. Results show that the proposed features with SVM and also with kNN classifier outperform commonly used wavelet-based features as well as our previously investigated mel-frequency cepstral coefficients (MFCCs) based statistical features, specifically in abnormal sound detection. Proposed features also yield better results than morphological features and energy features computed from rational dilation wavelet coefficients. The Bhattacharyya kernel performs considerably better than other kernels. Further, we optimize the configuration of the proposed feature extraction algorithm. Finally, we have applied mRMR (minimum-redundancy maximum-relevancy) based feature selection method to remove redundancy in the feature vector which makes the proposed method computationally more efficient without any degradation in the performance. The overall performance gain is up to 24.5% as compared to the standard wavelet feature based system.

연구 동기 및 목표

• 기계 학습을 활용한 자동 폐음 분류를 위한 강력하고 비침습적인 방법을 개발하기 위해.
• 인간의 auscultation의 한계, 즉 낮은 민감도와 관찰자 간 변동성을 해결하기 위해.
• 특히 휠즈와 크래클스를 포함한 비정상 폐음의 검출을 향상시키기 위해 무늬 인식 특징을 활용하기 위해.
• 특징 선택을 통해 정확도를 유지하면서도 계산 비용을 줄이기 위해.
• 임상적으로 관련성이 있는 병변을 포함한 실제 데이터베이스에서 제안된 방법을 검증하기 위해.

제안 방법

• 청각적으로 관련성이 있는 스펙트럼 에너지 분포를 모델링하기 위해 폐음 신호를 메르 주파수 스펙트럼 계수(MFSCs)로 표현하기 위해.
• 다양한 주파수 대역에서 MFSCs의 시간-주파수 도메인에서 무늬 패턴을 캡처하기 위해 국소 이진 패턴(LBP)을 적용하기 위해.
• 각 주파수 대역에 대해 LBP 패턴의 정규화된 히스토그램을 계산하여 특징 벡터를 구성하기 위해.
• 분류를 위해 k-최근접 이웃(kNN), 인공 신경망(ANN), 서포트 벡터 머신(SVM) 분류기를 사용하기 위해.
• 분류 안정성을 향상시키기 위해 단기 특징 추출을 위한 윈도우 길이와 겹침을 최적화하기 위해.
• 차원을 줄이면서도 분류 정확도를 유지하기 위해 mRMR(최소 상관성 최대 유사성) 특징 선택을 적용하기 위해.

실험 결과

연구 질문

• RQ1 기존의 웨이블릿 기반 또는 MFCC 기반 특징과 비교해, MFSCs에 기반한 LBP 무늬 특징이 폐음 분류 정확도를 향상시킬 수 있는가?
• RQ2 SVM에서 바타치아 코어널 등 다양한 커널 구성과 분류기 중 어떤 조합이 폐음 분류에서 최고의 성능을 내는가?
• RQ3 단기 분석에서 윈도우 길이와 겹침은 특징 추출 및 분류 결과에 어떤 영향을 미치는가?
• RQ4 어느 주파수 대역이 정상 폐음과 비정상 폐음 간의 구분에 가장 기여하는가?
• RQ5 mRMR 기반 특징 선택은 분류 성능을 저하시키지 않으면서도 계산 부담을 줄일 수 있는가?

주요 결과

• 제안된 LBP-MFSC 특징 세트는 비정상 폐음 검출에서 웨이블릿 기반 특징 대비 최대 24.5% 높은 분류 정확도를 기록하였다.
• SVM에서 바타치아 코어널과 kNN 분류기가 가장 높은 성능을 보였으며, 특히 kNN이 비정상 폐음 검출에서 뛰어난 성능을 보였다.
• 최적의 단기 특징 추출은 음성 처리에서 일반적으로 사용되는 것보다 더 긴 분석 윈도우 길이와 더 높은 겹침을 요구하였다.
• mRMR를 통한 특징 선택은 특징 벡터 크기를 크게 줄였으며, 높은 정확도를 유지하면서도 계산 효율성을 향상시켰다.
• 데이터베이스 1에서는 계수 10–12(그들의 주변) 주파수 대역이 가장 구분력이 있었고, 데이터베이스 2에서는 주파수 대역 11–12와 3이 핵심이었다.
• 저주파 대역(<200 Hz)은 F-비율 구분 능력은 높았지만 mRMR 유사성은 낮아 중복성이 높아 그룹 특징 성능에 기여도가 낮았다.