Solunum Sesi Sınıflandırması için Klasik ve Derin Öğrenme Modellerinin Karşılaştırılması

Authors : Hayati Türe, Eren Aygün

Pages : 1668-1695

Doi:10.31466/kfbd.1715285

View : 88 | Download : 135

Publication Date : 2025-12-15

Article Type : Research Paper

Abstract :Bu çalışma, ICBHI 2017 solunum sesi veri seti üzerinde geliştirilmiş bir derin öğrenme yaklaşımıyla, normal ve patolojik solunum seslerini otomatik olarak sınıflandırmayı amaçlamaktadır. Çalışmada, segmentlenmiş solunum seslerinden MFCC, Mel spektrogram ve spektral öznitelikler elde edilmiş; ardından bu öznitelikler klasik makine öğrenmesi algoritmaları (XGBoost, SVM, KNN, Rastgele Orman) ve derin öğrenme modelleri (GhostNet v1-v4, EfficientNet-B0, ResNet50, MobileNetV3) ile eğitilmiştir. Veri artırma tekniklerinin (augmentasyon) katkısı da sistematik olarak incelenmiştir. Sonuçlar, GhostNet v4 modelinin %89 doğruluk ve 0.89 F1-skoru ile en iyi performansı gösterdiğini ortaya koymaktadır. Bu doğruluk oranı, ICBHI 2017 veri seti ile literatürde rapor edilen birçok yöntemi geride bırakmaktadır. Ayrıca, karışıklık matrisi analizleri modelin normal ve patolojik sınıfları yüksek tutarlılıkla ayırt edebildiğini göstermektedir. Elde edilen sonuçlar, akciğer seslerinin otomatik analizi için derin öğrenme temelli modellerin etkinliğini ortaya koymakta ve klinik karar destek sistemlerine entegre edilebilecek potansiyel çözümler sunmaktadır.
Keywords : Solunum sesi analizi, Derin öğrenme, Makine Öğrenmesi, MFCC, Mel spektrogram, GhostNet

ORIGINAL ARTICLE URL