Orijinal Araştırma Makalesi
Front. Digit. Health, 10 Kasım 2026
Sek. Sağlık Bilgisayarları
Cilt 8 – 2026 | https://doi.org/10.3389/fdgth.2026.1963067
- PD
Percy De-la-Cruz-VdV 1
- LG
Luis Guadalupe-Chacaltana 1
- HV
Hugo Vega-Huerta 1*
- JE
Javier Elmer Cabrera-Diaz 1
- AC
Adegundo Camara-Figueroa 1
- AM
Antonio Mambret Luna-Figueroa 1
- ML
Maria Laura Barrera Cajachagua 1
- MC
Mario Chauca 2
- JC
Juan Carlos Lázaro-Guillermo 3
- JV
Jessy Vargas-Flores 3
- KV
Katherin Vanessa Rodriguez-Zevallos 4
- MN
Moisés Niño-Cueva 5
-
1. Universidad Nacional Mayor de San Marcos, Lima, Perú
-
2. Universidad Ricardo Palma, Lima, Perú
-
3. Universidad Nacional Intercultural de la Amazonía, Ucayali, Perú
-
4. Universidad Científica del Sur, Lima, Perú
-
5. Universidad Nacional de Educación Enrique Guzmán y Valle, Lima, Perú
Makale metrikleri
Görüntüleme
İndirmeler
Özet
Pedatrik hırıltı tanıması, solunum seslerinin otomatik analizini destekleyebilir ve öznel dinleme (kültülatasyon) yöntemlerine olan bağımlılığı azaltabilir. Bu çalışma, halka açık SPRSound pedatrik solunum sesi veri tabanını kullanarak olay düzeyinde hırlıtı/hırlıtsız tanı için hafif makine öğrenimi yaklaşımını geliştirir ve değerlendirir. Solunum olayları, veri tabanı ile sağlanan uzman tarafından etiketlenmiş zaman sınırları kullanılarak yalnızca bu sınırlar üzerinden çıkarıldı ve otomatik olay segmentasyonu uygulanmadı. Toplam 9.089 etiketli solunum olayı, Mel frekanslı cepstral katsayılar (MFCC’ler), delta ve delta-delta özellikleri kullanılarak sabit 120 boyutlu bir vektör içinde temsil edildi. Lojistik Regresyon, Çizisel Destek Vektör Makinesi, Rastgele Orman ve radyal baz fonksiyonu çekirdeğine sahip Destek Vektör Makinesi (SVM-RBF) aynı akustik özellik hattı altında değerlendirildi. SVM-RBF sınıflandırıcının çalışma eşiği, INTRA-2022 bölütleme kullanılarak optimize edildi ve ardından hasta dışı INTER-2022 bölütleme uygulandı. Bu çalışma noktasında model 0.935 duyarlılık (95% IG 0.901–0.957), 0.777 özgüllük (95% IG 0.752–0.801), 0.930 ROC-AUC, 0.772 PR-AUC ve 0.679 F1 puanı elde etti; pozitif prediktif değer 0.534 olarak bulundu ve bu da belirgin bir yanlış-pozitif yükünü yansıtıyor. İkincil yazılım düzeyinde bir katkı olarak, eğitilen ön işleme ve sınıflandırma bileşenleri, ses gönderimi, sunucu tarafında özellik çıkarma, çıkarım ve sonuç görselleştirmesi için Android–Flask istemci-sunucu iş akışına entegre edildi. Yazılım iş akışı işlevsel olarak uygulandı ancak akıllı telefon mikrofonu ile kaydedilen solunum kayıtları kullanılarak nicel olarak doğrulanmadı. Buna göre bildirilen performans, SPRSound koşulları altında olay düzeyinde sınıflandırmayı karakterize eder ve mobil kayıt, tanısal veya klinik doğrulama olarak yorumlanmamalıdır.
1 Giriş
Aşma, hem yetişkinleri hem de çocukları etkileyen yaygın bir kronik solunum hastalığıdır ve önemli bir küresel sağlık sorunu olmaya devam etmektedir (, ). Pediatrik hastalarda solunum değerlendirmesi, küçük çocukların belirtilerini anlatmada ve geleneksel solunum ölçümleriyle işbirliği yapmada zorlanabilmeleri nedeniyle özellikle zorlu olabilir. Güncel aşma yönetim rehberleri de özellikle pediatrik popülasyonlarda uygun değerlendirmenin, takibin ve takipteki ihtiyacı vurgulamaktadır ().
Aşmanın yükü, tanı, takip ve uzmanlaşmış solunum bakımı erişimindeki eşitsizliklerin sürdüğü Latin Amerika ve Peru gibi düşük- ve orta gelirli ortamlarda özellikle önem taşımaktadır (–). Çevresel ve iklim koşulları, solunum belirti yükünü ve sağlık hizmeti kullanımını daha da etkileyebilir (–).
Sızıltı, hava yolu tıkanıklığıyla sıkça ilişkilendirilen ve çocukluk çağı asmaya ilişkin solunum desenlerinin karakterizasyonuyla ilgili anormal bir solunum sesidir (). Tanısı genellikle klinik auskültasyonla konur; ancak solunum seslerinin yorumlanması gözlemciler arasında değişebilir. Son kanıtlar, birkaç pediatrik solunum bulgusunda sınırlı gözlemci içi uyumu göstermiş ve otomatik, daha tekrarlanabilir solunum sesi sınıflandırma yöntemlerinin geliştirilmesini desteklemiştir (). Bilgisayarlı Solunum Sesi Analizi (CORSA) terminolojisine göre sızıltılar, müzikal bir karaktere sahip, en az 100 Hz baskın frekansa sahip ve 100 ms’den uzun süreli, sürekli adventis sesler iken, krepisasyonlar yalnızca birkaç milisaniye süren kısa, patlayıcı, kesikli seslerdir (–). Sızıltıların güç ve frekans dağılımı gibi akustik özellikleri ayrıca aşma şiddetiyle değişmekte, bu da nesnel dijital belirteç olarak kullanımlarını desteklemektedir (–).
Makine öğrenmesi teknikleri, Mel-sıklık cepstral katsayıları, zaman türevleri, spektrogramlar ve öğrenilmiş ses temsilleri gibi akustik özellikler kullanarak solunum sesi analizinde giderek daha sık uygulanmaktadır. Son çalışmalar, çocuk solunum seslerinin ve diğer solunum olaylarının otomatik olarak sınıflandırılabilirliliğini göstermiş olsa da, model performansı veri setine, kaydedici cihazı, veri alma koşullarına ve değerlendirme stratejisine güçlü şekilde bağlıdır (–). Çocuk akciğer sesi analizinde makine öğrenmesi modelleri için yapılan son sistematik derleme ve meta-analiz, ıslık sesinin tespitinde birleştirilmiş duyarlılık ve özgüllük değerlerini sırasıyla 0,902 ve 0,955 olarak bildirmiş, veri seti heterojenliğini ve dışsal doğrulamanın azlığını vurgulamıştır (); bilgisayar destekli ıslık ses analiz teknikleri ayrıca Nabi ve arkadaşları tarafından sistematik olarak derlenmiştir ().
Hareketli cihaz destekli uygulama için hafif sınıflandırıcılar, birçok derin öğrenme mimarisinin aksine daha az hesaplama kaynağı gereştirdiğinden pratik avantajlar sunabilir. Yine de, halka açık solunum veri setlerinin oluşturulmasında kullanılan kaydedici ekipman ile tüketici sınıfı mobil mikrofonlar arasındaki farklar, model genelleşmesini etkileyebilecek bir akustik alan kaymasına yol açabilir (). Bu nedenle, veri seti temelli model performansı ile mobil alım performansı, kanıt düzeyleri açısından birbirinden ayrı değerlendirilmelidir.
Sunulan çalışmayı motive eden iki boşluk bulunmaktadır. Birincisi, son ıslık ses tanıma yaklaşımlarının çoğu hesaplama açısından yoğun derin öğrenme modellerine dayanırken, şeffaf biçimde kıyaslanabilen ve kolayca yerleştirilebilen hafif sınıflandırıcılar, katı hasta-hastası (inter-patient) protokollerinde daha az değerlendirilmektedir. İkincisi, halka açık solunum veri setlerinde elde edilen performansın tüketici sınıfı mobil alıma aktarılabileceği varsayalamaz; bu nedenle, veri seti temelli akustik doğrulama ile yazılım yerleştirilme olanaklılığı, kanıt düzeyleri olarak bildirilmelidir (, ).
1.1 İlgili çalışmalar
Son yıllarda otomatik solunum sesi analizine yönelik araştırmalar, anormal solunum olaylarının tespitini ve sınıflandırmasını hem geleneksel makine öğrenmesi hem de derin öğrenme mimarlarını kullanarak incelemiştir. Bu çalışmalar yaygın olarak Mel-sıklık kefe katsayıları, zaman türevleri, spektrogramlar ve öğrenilmiş ses gömme temsilleri gibi akustik temsilleri kullanır.
Geleneksel makine öğrenmesi yaklaşımları, daha düşük hesaplama gereksinimleriyle rekabetçi performans sağlayabildiği için önemini korumaktadır. Lojistik Regresyon, Destek Vektör Makineleri, Rastgele Ormanlar ve K-en Yakın Komşu gibi modeller, solunum ve klinik sınıflandırma problemlerine uygulanmış ve karşılaştırmalı olarak basit eğitim ve uygulama süreçleri sunmuştur. Bu özellik, amacın hafif mobil destekli veya sunucu tabanlı iş akışlarına entegrasyonu içerdiğinde özellikle yararlıdır (, ).
Derin öğrenme yaklaşımları da solunum sesi analizinde umut verici sonuçlar göstermiştir. Karaarslan ve arkaları (), akciğer seslerini kullanarak solunum hastalığı sınıflandırması için derin ve makine öğrenmesi tekniklerini gözden geçirmiş; Balasubramanian ve Rajadurai (), solunum sesleri sınıflandırması için hibrit makine öğrenmesi stratejilerini incelemiştir. Kilic ve arkaları (), öksürük seslerine dayalı otomatik astım tespit yaklaşımı geliştirmiş; Liu ve arkaları (), çocuk solunum seslerinin solunum taraması için yapay zeka tabanlı sınıflandırmanın uygulanabilirliğini göstermiştir. Bu çalışmaların büyük bir kısmı yetişkin ağırlıklı ICBHI 2017 veri tabanına () dayanırken, SPRSound resmi iç ve hasta-hastası test bölümlerine sahip halka açık bir çocuk referans veri tabanı sunar. Özellikle SPRSound veri tabanında, orijinal referans MFCC özelliklerini konvansiyonel sınıflandırıcılarla birleştirmiş (), ardından gelen IEEE BioCAS yarışması sistemleri ise spektrogram temsillerine ResNet tabanlı ve giriş-artı kalıntılı ağlar uygulamıştır (–).
Derin öğrenme yöntemleri karmaşık spektro-zamansal örüntüleri yakalayabils de, genellikle daha büyük veri setleri, daha yüksek hesaplama kaynakları ve daha karmaşık dağıtım ortamları gerektirir. Buna karşılık, MFCC tabanlı temsillerin geleneksel sınıflandırıcılarla birleştirilmesi, model karmaşıklığı ile sınıflandırma performansı arasında pratik bir denge sunabilir; özellikle kanıt-amaçlı mobil destekli dağıtım için.
İlgili bir metodolojik konu, veri seti içi performans ile cihazlar arası genelleşme arasındaki farktır. Kim ve arkadaşları (), solunum sesi kayıt cihazları arasındaki değişimin, sınıflandırıcı performansı etkileyebilecek alan farkları yaratabileceğini göstermiştir. Bu konu, halka açık bir solunum sesi veri setinden kaydedilen kayıtlar üzerinde eğitilen bir modelin, daha sonra tüketici mobil cihazından ses alması amaçlanan bir iş akışına dahil edildiğinde doğrudan önem taşır.
Grubumuz, tıbbi görüntülemede aynı genelleşme açığını gözlemıştır: plevra sıvısı sitolojisi ve katarakt tanısı için aktarma-öğrenme modelleri, iç veri setlerinde tavan seviyesine yakın performans göstermesine rağmen dış veri setlerinde yaklaşık 6,5 puan doğruluk kaybetmiştir (, ). Bu deneyim, burada benimsenen kanıt düzeylerinin açık ayrımını harekete geçirmiştir.
Önceki mobil ve bağlantılı solunum sağlığı çalışmaları, makine öğrenmesi modüllerinin akıllı telefon ve arka plan mimarilerine entegrasyonunun mümkün olduğunu göstermiştir (, ). Ancak bu çalışmalar, yazılım entegrasyonunun, öngörülü validasyonun ve klinik validasyonun birbirinden farklı kanıt düzeyleri olduğunu da ortaya koymaktadır. İşlevsel bir mobil iş akışı, bir modelin yeni kayıt koşulları altında performansını koruduğunu baş başına kanıtlamaz. Nabi ve arkadaşları (), MFCC özelliklerini kullanarak hırıltıyı algılayan ve astım şiddetini sınıflandıran bir tele-tıp yazılım uygulaması geliştirerek, hafif akustik özelliklerin dağıtılabilir yazılımla birleştirilmesinin değerini göstermiştir; yakın zamanda solunum seslerine ilişkin istatistik ve makine öğrenmesi analizleri, çok seviyeli astım şiddeti sınıflandırmasına uygulanmıştır ().
Makine öğrenmesi temelli çalışmalar, ayrıca astım sürekliliği ve alevlenmelerin klinik, çevresel ve hastanın bildirdiği değişkenlerden tahmini ile IoT destekli solunum izlemi (–) konularını da ele almıştır. Bu yaklaşımlar burada ele alınan akustik wheez sınıflandırmasıyla uyumlu olmakla birlikte, onun kapsamı dışındadır.
Bu doğrultuda, bu çalışmanın amacı, SPRSound üzerinde olay düzeyinde wheez/wheeze-olmayan sınıflandırıcıyı geliştirmek ve değerlendirmek; ayrıca ikincil ve açıkça sınırları çizilmiş bir katkı olarak, bunun Android–Flask çıkarım iş akışına entegrasyonunu belgelemektir. Belirli katk şunlardır: (i) MFCC, delta ve delta-delta temsilinin konvansiyonel sınıflandırıcılarla birleştirilmesi ve SPRSound’un resmi eğitim, hastanın içindeki ve hastalar arası bölütmeleri kullanılarak değerlendirilmesi; (ii) açıklamalara dayalı olay ayrıştırma ve olay süresi dağılımının açık betimlemesi; (iii) önceki yayımlanmış solunum sesi sınıflandırma sonuçlarıyla bağlamsal sayısal karşılaştırma; ve (iv) kanıt düzeyi açık biçimde akustik değerlendirmeden ayrı tutulan bir yazılım dağıtımı kavram kanıtı. Çoklu modlu astım riski tahmini öneren çalışmaların aksine, mevcut çalışma klinik tanı veya alevlenme tahminiyle ilgilenmemektedir.
2 Materyaller ve yöntemler
Yöntem iki aşamadan oluşmaktaydı. İlk aşamada, açıklamalara dayalı olay çıkarma, akustik özellik çıkarma, sınıflandırıcı kıyaslama, eşik optimizasyonu ve hastalar arası değerlendirme dahil olmak üzere, SPRSound çocuk solunum sesi veri seti üzerinde hafif bir wheez/wheeze-olmayan sınıflandarıcı geliştirilmiş ve değerlendirilmiştir. İkinci aşamada, seçilen model bir Android uygulaması ve bir Flask arka ucu içine yazılım kavram kanıtı olarak entegre edilmiştir. Bildirilen tüm performans değerleri yalnızca SPRSound tabanlı değerlendirmeye karşılık gelmektedir.
Yöntemsel şeffaflığı desteklemek için, ikincil veri çalışmasına uygulanabilir ölçüde, model geliştirme bileşeninin raporlanması, veri kaynağı, olay akışı, öngörücüler, model belirtimi ve performans değerlendirmesi dahil olmak üzere, tahmin modelleri çalışmalar için TRIPOD + AI önerilerini içermektedir.
Şekil 1, model geliştirme, değerlendirme ve yazılım dağıtım iş akışını özetlemekte ve geçerlilik sınırını vurgulamaktadır.
Şekil 1
2.1 Kapsam ve geçerlilik sınırları
Deneysel olarak değerlendirilen bileşen, SPRSound çocuk solunum sesleri veri seti kullanılarak geliştirilen hırıltı/hırıltısız sınıflandırıcıdır. Model eğitimi eğitim alt kümesi kullanılarak, eşik optimizasyonu INTRA-2022 kullanılarak ve bildirilen performans INTER-2022 hastalar arası değerlendirme ayrımı üzerinde ölçülerek gerçekleştirilmiştir. Dolayısıyla, bildirilen tüm duyarlılık, duyarlılık, F1-puanı, ROC-AUC ve PR-AUC değerleri yalnızca SPRSound kayıtlarına aittir.
Android uygulaması ve Flask arka ucu, eğitilen modelin yazılım entegrasyonunu göstermek amacıyla uygulanmıştır. Bu iş akışı, ses gönderimi, sunucu tarafı özellik çıkarma, ihraç edilen ön işleme ve sınıflandırma bileşenlerinin uygulanması ve ortaya çıkan hırıltı/hırıltısız çıktının görselleştirilmesi işlemlerini desteklemektedir.
Android uygulaması veya tüketici düzeyinde bir akıllı telefon mikrofonu aracılığıyla edinilen solunum kayıtları kullanılarak hiçbir nicel değerlendirme gerçekleştirilmemiştir. Bu nedenle çalışma, mobil aracılıkla edinilen sese akustik genelleşme, klinik performans, kullanılabilirlik veya gerçek dünyada çocuk takibi etkinliği göstermemektedir.
Çalışma dolayısıyla, kanıt düzeyleri Tablo 1’de özetlenen iki katkıyla sınırlıdır: hafif bir çocuk hırıltı tanıma modelinin veri seti tabanlı değerlendirmesi ve bunun bir istemci-sunucu çıkarım iş akışına entegrasyonunun yazılım düzeyinde kanıt kavramı.
Tablo 1
Çalışmanın kapsamı ve doğrulama sınırları.
2.2 Hırıltı tanıma modeli
Hırıltı tanıma modeli, bu çalışmanın deneysel olarak değerlendirilen bileşenini oluşturur. Amacı, yalnızca ses sinyalinden çıkarılan akustik özellikler kullanarak etiketlenmiş pediatrik solunum sesi olaylarını hırıltılı veya hırıltısız olarak sınıflandırmaktır.
Model gelişimi ve değerlendirmesi, SPRSound pediatrik solunum sesi veri seti kullanılarak gerçekleştirildi. Deneysel süreç; solunum olayı ön işleme, MFCC, delta ve delta-delta özelliklerinin çıkarılması, geleneksel makine öğrenmesi sınıflandırıcılarının karşılaştırılması, çalışma eşiği optimizasyonu ve INTER-2022 üzerinde bildirilen hastalar arası değerlendirmeyi içermektedir.
2.2.1 Veri seti: SPRSound pediatrik solunum sesi veritabanı
Model gelişimi ve değerlendirmesi, solunum sesi sınıflandırması için IEEE BioCAS 2022 Grand Challenge amacıyla yayınlanan açık kaynaklı SPRSound pediatrik solunum sesi veritabanı kullanılmıştır. Kayıtlar, Mayıs 2021 ile Mayıs 2022 arasında Shanghai Çocuk Tıp Merkezi’nin pediatrik solunum bölümünde, dört arka ve yan göğus konumuna yerleştirilen Yunting Model II dijital stetoskop ile elde edildi. Yerel kayıtlar 8 kHz örnekleme hızında, 16-bit çözünürlükte kaydedildi ve her kaydın süresi en az 9 s’di.
2022 sürümü 292 çocuktan gelen 2.683 kayıt ve 9.089 etiketli solunum olayı içermektedir. Her WAV kaydı; kayıt düzeyinde bilgi ve başlangıç-bitiş zamanları ile solunum sesi etiketleri içeren olay düzeyinde etiketler barındıran bir JSON etiketleme dosyasıyla birlikte sunulmaktadır. Yedi olay düzeyinde kategori Normal, Rhonchi, Wheeze, Stridor, Coarse Crackle, Fine Crackle ve Wheeze + Crackle şeklindedir. Doğru değer (ground-truth) etiketleri SPRSound uzman etiketleme süreci tarafından sağlanmıştır; bu çalışda hiçbir olay yeniden etiketlenmemiştir.
Resmi 2022 veri bölümleri korundu (Tablo 2). Eğitim bölümü 1.949 kayıt ve 6.656 etiketli olay içermekte ve model uydurumu ile özellik standartlaştırma parametrelerinin tahmini için kullanılmıştır. INTRA-2022 bölümü, eğitim bölümüne de kayıt katılan katılımcılardan gelen 379 kayıt ve 1.004 olay içermekte; bu çalışda bu bölüm çalışma eşiği seçimi için kullanılmıştır. INTER-2022 bölümü, eğitim bölümünde yer almayan 41 katılımcıdan gelen 355 kayıt ve 1.429 olay içermekte ve bildirilen hastalar arası değerlendirmede kullanılmıştır.
Tablo 2
| Karakteristik | Eğitim | INTRA-2022 | INTER-2022 | Toplam |
|---|---|---|---|---|
| Bu çalışmadaki rolü | Model uydurma | Eşik seçimi | Hasta-harici değerlendirme | — |
| Kayıtlar | 1.949 | 379 | 355 | 2.683 |
| Kötü kaliteli kayıtlar (olay yok) | 177 | 2 | 8 | 187 |
| Katılımcılar | 251 | 162 (hepsi eğitimde de var) | 41 (hiçbiri eğitimde yok) | 292 |
| Yaş, yıl, ortalama ± SD (aralık) | 5,6 ± 3,4 (0,2–16,2) | 5,6 ± 3,6 (0,2–16,2) | 3,9 ± 2,6 (0,2–10,7) | 5,4 (0,2–16,2) |
| Kadın katılımcılar | 123 | 80 | 17 | 140 |
| Annotasyonlu olaylar | 6.656 | 1.004 | 1.429 | 9.089 |
| Normal | 5.159 | 688 | 1.040 | 6.887 |
| İnce Patırdı | 912 | 175 | 80 | 1.167 |
| Kaba Patırdı | 49 | 14 | 3 | 66 |
| Ronkusi | 39 | 14 | 0 | 53 |
| Stridor | 15 | 2 | 0 | 17 |
| Hırıltı | 452 | 108 | 305 | 865 |
| Hıltı + Patırdı | 30 | 3 | 1 | 34 |
| Hıltı sınıfı (ikili), n (%) | 482 (%7,2) | 111 (%11,1) | 306 (%21,4) | 899 (%9,9) |
| Hıltısız sınıf (ikili), n | 6.174 | 893 | 1.123 | 8.190 |
Bu çalışmada kullanılan SPRSound 2022 bölümlerinin içeriği.
Sayımlar, SPRSound 2022 sürümünün resmi JSON annotasyon dosyalarından hesaplanmıştır; yaş ve cinsiyet dosya adlarından türetilmiştir (katılımcı başına bir değer). INTRA-2022 ve INTER-2022, Zhang ve ark. () çalışmalarındaki “testing-1” ve “testing-2” karşılıklarına karşılık gelir.
İkili sınıflandırma görevinde, Wheeze veya Wheeze + Crackle olarak etiketlenmiş olaylar horultu sınıfına, Normal, Fine Crackle, Coarse Crackle, Rhonchi ve Stridor olayları ise horultusuz sınıfına atanmıştır. Bu sayede tüm bölümlerde 899 horultu olayı ve 8.190 horultusuz olay elde edilmiştir. Orijinal SPRSound olay etiketleri dolayısıyla analiz boyunca kullanılan gerçek durum (ground truth) bu etiketlerle belirlenmiştir. Horultu yaygınlığı bölümlere göre belirgin biçimde değişmektedir (eğitimde %7,2; INTRA-2022’de %11,1; INTER-2022’de %21,4) ve INTER-2022 katılımcıları ortalamaya göre daha gençtir (Tablo 2); her iki faktör de hassasiyet, F1 skoru ve PR-AUC gibi yaygınlığa bağlı metriklerin yorumlanması açısından önem taşımaktadır.
2.2.2 Solunum sinyallerinin ön işlenmesi ve bölünmesi
SPRSound kayıtları, eğitim, eşik seçimi ve hastalar arası değerlendirme bölümlerinde tutarlı biçimde uygulanan ortak bir ön işleme hattıyla işlenmiştir. Özellik çıkarmadan önce genlik normalizasyonu uygulanmıştır. Kalitesiz olarak etiketlenmiş 187 kayıt hiçbir etiketli olay içermemektedir ve dolayısıyla hiçbir giriş birimi katmamıştır (Tablo 2); ek bir kalite süzgeci uygulanmamıştır.
Solunum olayları yalnızca SPRSound JSON etiketleme dosyalarında sağlanan başlangıç ve bitiş zamanları kullanılarak çıkarılmıştır. Bu nedenle bölüme alma tamamen etiketlemeye dayanmaktadır. Yazarlar olay sınırlarını elle yeniden tanımlamamış ve model geliştirmesi veya değerlendirmesi için kullanılan olay bölümlerini oluşturmak üzere otomatik bir solunum olayı algılayıcısı, ses aktivitesi algılayıcısı veya sessizlik algılayıcı algoritma uygulamamıştır.
Özellik çıkarmadan önce 0,10 s minimum olay süresi kriteri belirlenmiştir. Bu kriter hem sinyal işleme hem de solunum akustik açısından gerekçelendirilmiştir. 25 ms’lik analiz penceresi ve 10 ms’lik atlama ile çok kısa bölümler MFCC’lerin ve zaman türevlerinin tahmini için yalnızca sınırlı sayıda çerçeve sağlamaktadır. Ayrıca horultular geleneksel olarak sürekli adventisyal solunum sesleri olarak karakterize edilirken, çok daha kısa geçici olaylar crackle gibi kesintili seslerin daha belirgin özelliğidir (, ).
SPRSound olay etiketlemelerinin gerçek süre dağılımı, 0.10-s kriterinin etkisini belirlemek amacıyla incelendi. Toplam 9.089 olayın tümünde medyan süre 1.22 s (IQR 0.86–1.62; aralık 0.126–7.15 s) olarak bulundu. Hırıltı sınıflı olayların medyan süresi 0.58 s (IQR 0.44–0.78), hırıltısız olayların medyan süresi ise 1.28 s (IQR 0.94–1.67) idi. Hiçbir etiketli olay 0.10 s’den kısa olmadığından, süre kriteri herhangi bir olayı hariç tutmadı. Kategoriye göre dağılım Tablo 3’te özetlenmiştir.
Tablo 3
| Kategori | n | Medyan (IQR), s | Min, s | Max, s | n < 0.25 s |
|---|---|---|---|---|---|
| Normal | 6,887 | 1.36 (1.04–1.75) | 0.232 | 7.15 | 3 |
| İnce Patırtı | 1,167 | 0.91 (0.72–1.13) | 0.258 | 4.65 | 0 |
| Kaba Patırtı | 66 | 0.86 (0.70–0.96) | 0.394 | 2.27 | 0 |
| Ronkusi | 53 | 0.78 (0.61–0.91) | 0.269 | 1.52 | 0 |
| Stridor | 17 | 0.93 (0.84–1.17) | 0.434 | 2.62 | 0 |
| Hırıltı | 865 | 0.57 (0.43–0.75) | 0.126 | 2.03 | 17 |
| Hırıltı + Patırtı | 34 | 1.06 (0.90–1.34) | 0.458 | 1.90 | 0 |
| Hırıltı sınıfı (ikili) | 899 | 0.58 (0.44–0.78) | 0.126 | 2.03 | 17 |
| Hırıltısız sınıf (ikili) | 8,190 | 1.28 (0.94–1.67) | 0.232 | 7.15 | 3 |
| Tüm olaylar | 9,089 | 1.22 (0.86–1.62) | 0.126 | 7.15 | 20 |
Olay süresi dağılımı, etiketli kategoriye göre (tüm bölütleme örneklemleri).
Hiçbir olay 0.10 s’den kısa değildi; Hırıltı sınıfı, Hırıltı ve Hırıltı + Patırtı etiketlerini kapsamaktadır.
Sadece ortaya çıkan anotasyonlu solunum olayları, özellik çıkarması ve sınıflandırması için giriş birimleri olarak kullanıldı. Bu olay düzeyinde segmentasyon prosedürü yalnızca SPRSound değerlendirmesine uygulanır ve mobil uygulama aracılığıyla elde edilen sürekli sesler için otomatik segmentasyon yöntemi olarak yorumlanmamalıdır. Olay sınırları ve etiketleri SPRSound uzman anotasyon sürecinden alındığından, zırlamalar ile hırıltılar, ronkiler, stridor veya normal sesler arasındaki ayrım yeniden tanımlanmadı ve sınıflandırıcı, zırlama etiketli olayları diğer tüm anotasyonlu olaylardan ayırmak için eğitildi.
2.2.3 Akustik özelliklerin çıkarması
Sadece akustik bilgiler sınıflandırıcıya giriş olarak kullanıldı. Çevresel değişkenler, fizyolojik ölçümler, bakıcı tarafından bildirilen belirtiler ve uygulama düzeyindeki veriler özellik vektörüne dahil edilmedi.
Her anotasyonlu solunum olayı için 20 Mel-sıklık cepstral katsayı (MFCC), 25 ms’lik Hann penceresi ve 10 ms’lik atlama kullanılarak çıkarıldı. Kısa süreli spektral-zamansal değişimi temsil etmek için ardından birinci ve ikinci dereceli zaman türevleri (delta ve delta-delta katsayıları) hesaplandı. MFCC’ler, spektral zarfın özet bir temsilini sağlar ve solunum sesi ve zırlama sınıflandırması uygulamalarında yaygın olarak kullanılmıştır (, , , ). Özellik çıkarması librosa kütüphanesi kullanılarak gerçekleştirildi ().
Solunum olayları değişken sürelere sahip olduğundan, zaman pooling’i her katsayı için zaman boyunca ortalama ve standart sapma hesaplanarak gerçekleştirildi. Bu, her olay için sabit 120 boyutlu bir temsil ile sonuçlandı:
20 MFCC katsayısı × 3 özellik grubu (MFCC, delta ve delta-delta) × 2 özet istatistik (ortalama ve standart sapma).
Öznitelik vektörleri, yalnızca eğitim ayrıştırmasından tahmin edilen Z-puanı parametreleriyle standartlaştırıldı. Aynı eğitim kaynaklı standartlaştırma parametreleri sonrasında INTRA-2022, INTER-2022 ve dışa aktarılan çıkarım hattına uygulandı böylece değerlendirme ayrıştırmalarından bilgi sızması önlendi. Standartlaştırma ve sınıflandırıcı uygulaması scikit-learn () kullanılarak gerçekleştirildi.
2.2.4 Sınıflandırıcı eğitimi ve kıyaslama
SPRSound eğitim ayrıştırması sınıflandırıcıların uydurulmasında, INTRA-2022 çalışma eşiği optimizasyonunda, INTER-2022 ise karşılaştırmalı hastalar arası değerlendirmede kullanıldı.
Dört gözetimli sınıflandırıcı, aynı 120 boyutlu akustik öznitelik temsili kullanılarak değerlendirildi: Lojistik Regresyon, Çizgisel Destek Vektörü Makinesi (Çizgisel SVM), Rastgele Orman ve radyal baz fonksiyonu çekirdeğine sahip Destek Vektörü Makinesi [SVM-RBF ();]. Tüm modeller tutarlı bir karşılaştırma sağlaması için eşdeğer ön işleme ve standartlaştırma koşulları altında eğitildi. Sınıflandırıcı seçimi, Sonuçlarda bildirilen INTER-2022 karşılaştırmasına dayanıyor (Tablo 4); aynı ayrıştırma sonrasında nihai değerlendirmede de kullanıldığından bu adım iyimser yanlılık yaratabilir ve bu Limitasyonlarda kabul görüyor.
Tablo 4
| Model | SE | SP | F1-skoru | ROC-AUC | PR-AUC |
|---|---|---|---|---|---|
| Rastgele Orman | 0.964 | 0.694 | 0.624 | 0.934 | 0.829 |
| Lojistik Regresyon | 0.912 | 0.760 | 0.653 | 0.922 | 0.794 |
| Çizgisel SVM | 0.892 | 0.752 | 0.637 | 0.915 | 0.784 |
| SVM (RBF)★ | 0.951 | 0.757 | 0.669 | 0.930 | 0.772 |
INTER-2022 kümesinde değerlendirilen sınıflandırıcıların karşılaştırılması.
★
Seçilen model (en yüksek F1-skoru; dengeli duyarlılık–belirtiliklik ödünleşimi).
Tablo 4’te sunulan sınıflandırıcı karşılaştırma sonuçları, model değerlendirme aşamasında varsayılan karar kuralı kullanılarak elde edilmiştir. Bu nedenle, Tablo 4’te gösterilen SVM-RBF duyarlılığı, özgüllüğü ve F1-skoru, yalnızca INTRA-2022 üzerinde optimize edilen çalışma eşiği uygulandıktan sonra elde edilen son INTER-2022 sonuçlarından farklıdır.
Model performansı duyarlılık, özgüllük, F1-skoru, ROC-AUC ve PR-AUC kullanılarak değerlendirilmiştir. Bu ölçütler seçilmiştir çünkü veri seti dengesizdir ve yalnızca doğruluk, hırıltı sınıflandırma performansını yeterince tanımlayamaz. PR-AUC, sınıf dengesizliği altında ROC-AUC’dan daha bilgilendirici olan ortalık hassaslık olarak hesaplanmıştır. Son çalışma noktası için pozitif ve negatif prediktif değerler (PPV, NPV), dengeli doğruluk ve Matthews korelasyon katsayısı (MCC) karışıklık matrisinden türetilmiş; oranlar için 95% güven aralıkları Wilson skor metodu ile elde edilmiştir. Olaylar katılımcılar içinde iç içe geçtiğinden, bu aralıklar katılımcı içi korelasyonu dikkate almaz ve yaklaşık olarak değerlendirilmelidir.
2.2.5 Çalışma eşiği optimizasyonu
SVM-RBF sınıflandırıcı, her solunum olayı için sürekli bir hıltı sınıf skoru üretmiştir (varsayılan karar kuralının 0 eşiğine karşılık geldiği işaretli karar fonksiyonu değeri). Bu skorun ikili hıltı/hıltı yok kararı haline getirilmesi için, bir çalışma eşiği INTRA-2022 ayrığı kullanılarak optimize edilmiştir.
Eşik seçim kriteri, INTRA-2022 üzerinde özgüllüğü 0.80 veya üzerinde korurken duyarlılığı maksimize etmek olmuştur. Bu işlem 0.02494 değerinde bir çalışma eşiği üretmiştir. Seçilen eşik ardından sabitlenmiş ve ek ayar yapılmadan INTER-2022 katılımcılar arası değerlendirme ayrığına uygulanmıştır; ortaya çıkan performans Sonuçlar bölümünde bildirilmiştir.
2.3 Model dışa aktarma ve yazılım dağıtım mimarisi (kavram kanıtı)
Threshold optimizasyonundan sonra, son çıkarım hattı üç nesne olarak dışa aktarıldı: scaler.pkl, eğitim bölümünden tahmin edilen Z-puanı parametrelerini; svm.pkl, eğitilmiş SVM-RBF sınıflandırıcıyı; ve threshold.json, INTRA-2022 üzerinde seçilen çalışma eşiğini içeriyor. Uygulanan mimari bir Android mobil uygulaması, bir Flask arka ucu ve bu dışa aktarılan hırıltı tanıma model bileşenlerinden oluşuyor.
Android uygulaması ses dosyası seçimi veya kaydı, sesin arka uca gönderilmesi ve dönen sınıflandırma sonucunun görselleştirilmesini destekliyor. Flask arka ucu ses dosyasını alıyor, model geliştirme sırasında kullanılan aynı özellik tanımını (MFCC, delta ve delta-delta, ortalam ve standart sapma ile özetlenmiş) hesaplıyor, dışa aktarılan Z-puanı ölçekleyicisini uyguluyor, eğitilmiş SVM-RBF sınıflandırıcıyı kullanarak hırıltı sınıf puanı üretiyor ve bu puanı optimize edilmiş eşiği kullanarak ikili bir karara dönüştürüyor.
Çarırım iş akışı (Şekil 2) dolayısıyla şu şekilde düzenleniyor: ses girişi, sunucu tarafı ön işleme ve özellik çıkarma, özellik standartlaştırma, SVM-RBF çıkarımı, eşik uygulaması ve hırıltı/hırıltısız sonucunun mobil uygulamaya döndürülmesi.
Şekil 2
2.4 Çarırım sırasında segmentasyon
Model geliştirme sırasında, sınıflandarıcının giriş birimleri uzman tarafından etiketlenmiş SPRSound olaylarıydı (Bakınız Solunum Sinyallerinin Ön İşleme ve Segmentasyonu). Dağıtılan arka ucu otomatik bir solunum olayı algılayıcı içermiyor; dolayısıyla her gönderilen ses kaydı tek bir analiz birimi olarak işleniyor ve buradan aynı 120 boyutlu MFCC, delta ve delta-delta özeti hesaplanıyor. Kayıt düzeyindeki girişler, etiketlenmiş olaylardan süre ve içerik bakımından farklı olduğu için bu uyumsuzluk, dağıtım iş akışının bu çalışmada bildirilen olay düzeyinde performansı miras alamamasının ek bir nedeni.
Bu mimari, uygulama düzeyinde tutarlılık sağlar; çünkü aynı özellik tanımı, ölçekleyici, sınıflandırıcı ve eşik değeri kullanılır. Ancak giriş düzeyinde eşdeğerliği sağlamaz: model, uzman tarafından etiketlenmiş olaylar üzerinde eğitilmiş ve değerlendirilmişken, arka uç tüm ses kayıtlarını alır. Bu nedenle, modelin SPRSound tabanlı performansını telefon mikrofonu ile kaydedilen kayıtları veya solunum kayıtlarını işlerken koruduğu varsayılmamalıdır.
2.4.1 Teknolojik uygulama
Yazılım dağıtım iş akışı, aşağıdaki teknolojiler kullanılarak uygulandı:
-
Android/Kotlin: ses gönderimi ve sınıflandırma sonucunun görselleştirilmesi için mobil arayüz.
-
Flask/Python: ses alımı, akustik özellik çıkarma, model çıkarımı ve yanıt üretimi için REST arka uç.
-
Dışa aktarılan model dosyaları: scaler.pkl, svm.pkl ve threshold.json; sırasıyla eğitim kümesi standardizasyon parametreleri, eğitilmiş SVM-RBF sınıflandırıcı ve optimize edilmiş karar eşiğine karşılık gelir.
-
PostgreSQL/Supabase: prototip tarafından oluşturulan uygulama düzeyinde kayıtların depolanması.
Çevresel API ve isteğe bağlı IoT bileşenleri, doğrulanmış akustik çıkarım hattının parçası olmadığı için bu çalışmada bildirilen temel teknolojik mimariden hariç tutulmuştur.
3 Bulgular
3.1 Sınıflandırıcı kıyaslama
Tablo 4, varsayılan karar kuralı kullanılarak elde edilen INTER-2022 hasta arasındaki bölütmesinde dört sınıflandırıcının karşılaştırmalı performansını özetlemektedir.
Random Forest, en yüksek duyarlılığı, ROC-AUC ve PR-AUC değerlerine ulaşmış ancak en düşük özgüllüğü göstermiştir. SVM-RBF sınıflandırıcı, en yüksek F1 skorunu (0,669) elde etmiş ve orta düzeyde bir duyarlılık–özgüllük dengesine sahip olmuş; bu nedenle seçilmiş, ancak PR-AUC değeri (0,772) dört model arasındaki en düşük değer olmuştur. Lojistik Regresyon, karşılaştırılabilir bir çalışma noktası (F1-skoru = 0,653) sunmuş; bu da ağaç tabanlı olmayan sınıflandırıcılar arasındaki farkların küçük olduğunu göstermiştir; dört model de aynı hafif MFCC tabanlı özellik temsilini kullanmıştır.
3.2 Hırıltı tanıma modeli performansı
SVM-RBF sınıflandırıcı, INTRA-2022 üzerinde seçilen çalışma eşiği kullanarak INTER-2022 hasta içi ayrımında değerlendirilmiştir. Model, 0,935 (95% IG 0,901–0,957) duyarlılık, 0,777 (95% IG 0,752–0,801) özgüllük, 0,930 ROC-AUC, 0,772 PR-AUC ve 0,679 F1-skoru elde etmiştir (Tablo 5). INTER-2022 üzerindeki özgüllük, INTRA-2022 üzerinde eşik seçimi için kullanılan 0,80 hedefinin biraz altına düşmüş; bu durum, ayrimler arasındaki hasta içi kayma ile tutarlıdır.
Tablo 5
| Ölçü | Değer (95% IG) |
|---|---|
| Duarlılık | 0,935 (0,901–0,957) |
| Özgüllük | 0,777 (0,752–0,801) |
| PPV (doğruluk) | 0,534 (0,491–0,575) |
| NPV | 0,978 (0,966–0,985) |
| F1-skoru | 0,679 |
| Dengeli doğruluk | 0,856 |
| MCC | 0,603 |
| ROC-AUC | 0,930 |
| PR-AUC (AP) | 0,772 |
| TP | 286 |
| FP | 250 |
| FN | 20 |
| TN | 873 |
INTER-2022 ayrımında final SVM-RBF performansı.
95% IG’ler olay düzeyinde (306 hıltı ve 1.123 hıltısız olay) Wilson skor metodu ile hesaplanmış ve 41 katılımcı içindeki kümelemeyi dikkate almamıştır. PPV, pozitif prediktif değer; NPV, negatif prediktif değer; MCC, Matthews korelasyon katsayısı; AP, ortalık doğruluk.
İlgili karışıklık matrisi 286 doğru pozitif, 250 yanlış pozitif, 20 yanlış negatif ve 873 doğru negatif içermektedir. PPV değeri 0.534 (95% GA 0.491–0.575), NPV değeri 0.978 (95% GA 0.966–0.985), dengeli doğruluk 0.856 ve MCC 0.603 olarak bulunmuştur. Bu sonuçlar, sınıflandırıcının etiketli hırıltı olaylarının çoğunu tespit ettiğini göstermekle birlikte, yanlış pozitif tahminlerin önemli ölçüde sürdüğünü de ortaya koymaktadır.
Bu bölümde bildirilen tüm performans metrikleri yalnızca etiketli SPRSound solunum seslerinin olay düzeyinde sınıflandırılmasına karşılık gelmekte ve akıllı telefon ile elde edilen ya da sürekli kaydedilen solunum seslerindeki Performansı yansıtmamaktadır.
Şekil 3, SVM-RBF sınıflandırıcının INTER-2022 üzerindeki hassasiyet–geri çağrı eğrisini sabit çalışma noktası işaretli olarak göstermektedir; bu eğrinin becerisiz temel değeri, ayrıştırdaki hırıltı yaygınlığına eşittir (0.214).
Şekil 3
3.3 Kategoriye özgü hata bağlamı
INTER-2022 ayrıştırırdı 1.040 Normal, 80 İnce Kırık, 3 Kaba Kırık, Rhonchi yok, Stridor yok, 305 Hırıltı ve 1 Hırıltı + Kırık olayı içermektedir. Bu nedenle hırıltı–rhonchi ve hırıltı–stridor karışıklıkları bu hasta-hastası ayrıştırırdı değerlendirilememektedir.
INTER-2022’deki 1.123 hırıltısız olaydan 250’si yanlış pozitif olarak sınıflandırılmıştır. Bu ayrıştırırdı yalnızca 83 hırıltısız olay normal olmayan kategorilere ait olduğundan, 250 yanlış pozitif tahminden en az 167’si kaçınılmaz olarak Normal olaylara karşılık gelmektedir. Anlık kategorik yanlış pozitif sayıları, şu anda mevcut olan özet çıktılardan geriye doğru çıkarılamadığı için raporlanmamaktadır.
3.4 Yazılım dağıtımı kanıt-kavramı
Eğitilen SVM-RBF modeli, bir Android uygulaması ve bir Flask arka ucundan oluşan istemci–sunucu çıkarım kanıt-kavramına entegre edilmiştir.
Bu uygulama, dışa aktarılan model ögelerinin dağıtım mimarisinde yürütülebileceğini ve uygulamanın ses-gönderme, çıkarım ve sonuç-görüntüleme dizisini tamamlayabildiğini doğrulamıştır.
Mobil uygulama aracılığıyla elde edilen etiketli solunum kayıtlarından hiçbirinin performans metriği hesaplamak veya eşiği ayarlamak için kullanılmadığından, bu sonuç yalnızca işlevsel yazılım entegrasyonunu göstermekte ve mobil edinim kurulumunun akustik geçerliliğini kanıtlamamaktadır.
4 Tartışma
Bu çalışmanın temel deneysel bulgusu, MFCC tabanlı SVM-RBF sınıflandırıcısının SPRSound’un INTER-2022 hasta-harici bölütmesinde olay düzeyinde hırıltı/hırıltısız sınıflandırmasında yüksek duyarlılığa (0.935) ve güçlü ayırt ediciliğe (ROC-AUC = 0.930) ulaştığıdır. Çalışma noktası duyarlılığa yanaşmakla birlikte, özgüllük (0.777) ve yanlış pozitif tahmin sayısı, gerçek dünyada solunum izlemine geçmeden önce daha fazla iyileştirmenin gerekli olduğunu göstermektedir.
Tablo 6, mevcut sonuçları daha önce yayımlanmış solunum sesi sınıflandırma çalışmalarının bağlamına yerleştirir. Doğrudan sayısal sıralamadan kaçınılmalıdır, çünkü sınıflandırma görevleri, sınıf tanımları, değerlendirme bölütmeleri ve bildirilen metrikler çalışmalara göre farklılık gösterir. Özellikle resmi SPRSound olay düzeyindeki referans, ikili Normal-Harici sınıflandırmayı (Görev 1-1) ve yedi sınıflı solunum olayı sınıflandırmasını (Görev 1-2) değerlendirirken, bu çalışma Wheezesiz üzerinde Hırıltı vs. Hırıltısız’ı değerlendirir.
Tablo 6
| Çalışma | Yöntem | Görev/test kümesi | Raporlanan performans |
|---|---|---|---|
| Zhang ve ark. (), resmi benchmark | MFCC + naive Bayes | Görev 1-1 (normal ve adventisyus), testing-1 + testing-2 | Puan 75.22% |
| Zhang ve ark. (), resmi benchmark | MFCC + naive Bayes | Görev 1-2 (yedi sınıf), testing-1 + testing-2 | Puan 61.57% |
| Ngo ve ark. () | Inception-residual CNN, çoklu kayıp fonksiyonu | Görev 1-1/Görev 1-2, BioCAS 2022 testi | Puan 84.9%/77.4% |
| Park ve ark. (), meta-analiz | Çeşitli ML modelleri, heterojen pediatrik veri setleri | İkili hırıltı tespiti | Toplu duyarlılık 0.902; özgüllük 0.955 |
| Bu çalışma | MFCC/Δ/ΔΔ + SVM-RBF | Hırıltı ve hırıltısız, INTER-2022 | Duyarlılık 0.935; özgüllük 0.777; ROC-AUC 0.930; PR-AUC 0.772; F1 0.679 |
Yayınlanmış solunum sesi sınıflandırma sonuçlarıyla bağlamsal sayısal karşılaştırma.
MFCC özellikleri ve geleneksel makine öğrenmesi yöntemlerine dayanan orijinal SPRSound benchmark’ı, Görev 1-1 için 75.22%, Görev 1-2 için ise 61.57% meydan okuma puanları raporlamıştır (). Ardından, inception-residual mimarisi ve çoklu kayıp fonksiyonu kullanan bir derin öğrenme yaklaşımı, aynı iki meydan okuma görevi için yaklaşık 84.9% ve 77.4% puanlar raporlamıştır (). Bu değerler, SPRSound üzerinde raporlanan performans aralığına ilişkin kullanışlı bir bağlam sunar ancak doğrudan bu çalışmanın ikili hırıltı tespiti göreviyle karşılaştırılamaz.
Daha geniş bir düzeyde, pediatrik akciğer sesleri makine öğrenmesi çalışmalarına ilişkin güncel bir sistematik derleme ve meta-analiz, hırıltı tespiti için sırasıyla 0.902 ve 0.955 toplu duyarlılık ve özgüllük raporlamıştır (). Bu toplu tahminlerle karşılaştırıldığında, bu çalışmanın çalışma noktası daha yüksek duyarlılık ancak daha düşük özgüllük göstermektedir. Bununla birlikte, bu karşılaştırma aynı zamanda dikkatli yorumlanmalıdır çünkü meta-analiz heterojen veri setlerini, veri alma cihazlarını, nüfusları ve doğrulama stratejilerini birleştirmektedir.
Seçilen çalışma noktası duyarlılığı önceliklendirdiği için INTER-2022’de 306 pozitif olay arasında yalnızca 20 hırıltı olayı kaçırıldı. Ancak pozitif öngörü değeri 0,534 (95% IG 0,491–0,575) olup, bu değer 250 olaylık belirgin ölçüde bir yanlış-pozitif tahmin yığınına işaret ediyor. PPV, F1-skoru ve PR-AUC sınıf yaygınlığına bağlı olduğundan ve bu yaygınlık INTER-2022’de eğitim ayrıştırıcısına göre üç kat daha yüksek (21,4%) olduğundan, aynı çalışma noktası seçilmemiş kayıtlar için daha gerçekçi bir senaryo olan eğitim ayrıştırıcısı yaygınlığında yaklaşık 0,25 düzeyinde bir PPV üretirdi. Bu nedenle sınıflandırıcı SPRSound koşulları altında güçlü duyarlılık ve ayırt edicilik göstermekle birlikte, gerçek dünya taraması veya klinik uygulamalar düşünülmeden önce kesinlik ve özgüllükte daha ileri iyileştirmeler gerekli.
MFCC, delta ve delta-delta özelliklerinin kullanılması nispeten özlü bir akustik temsil sağlar. Önceki çalışmalar, MFCC ve ilgili spektral özelliklerin hırıltı ve solunum sesi analizindeki önemini ortaya koymuştur. Daha karmaşık spektrogram tabanlı derin öğrenme yaklaşımlarıyla karşılaştırıldığında, geçerli hat, içe aktarılabilir ve geleneksel sunucu tarafı çıkarım iş akışı içinde yürütülebilir, daha basit bir özellik tabanlı mimari sunar. Yine de geçerli çalışma, model boyutu, bellek tüketimi veya çıkarım gecikmesini derin öğrenme mimarileriyle karşılaştıran deneysel bir karşılaştırma içermediğinden, hesaplama verimliliğine dair iddialar, hesaplama performansında kanıtlanmış üstünlükten ziyade mimari sadelik açısından yorumlanmalıdır.
Merkezi sınırlamalardan biri, model geliştirmenin ve değerlendirilmesinin yalnızca dijital steteskop ile elde edilen SPRSound kayıtları kullanılarak gerçekleştirilmesidir. Mikrofon tepkisi, çevresel gürültü, kayıt mesafesi, çocuk hareketi ve taşıma gürültüsündeki farklar, kayıtlar tüketici mobil cihazları kullanılarak elde edildiğinde akustik özellik dağılımını değiştirebilir. Cihaz kaynaklı bu alan kaymaları, solunum sesi sınıflandırma performansını etkilediği gösterilmiştir.
Android–Flask uygulaması yine de dışa aktarılan ön işleme ve sınıflandırma bileşenlerinin işlevsel bir istemci–sunucu yazılım iş akışına entegre edilebileceğini göstermektedir. Bu, yazılım uyumluluğunun ve uygulanabilirliğinin kanıtıdır; ancak akustik genelleşmenin, klinik etkinliğin, tanı doğruluğunun veya gerçek dünya pediatrik koşullarında kullanılabilirliğin kanıtı değildir.
Genel olarak, mevcut çalışma iki ayrı düzeyde kanıt sunmaktadır: SPRSound koşullarında olay düzeyinde hırıltı/hırıltısız sınıflandırma ve eğitilmiş sınıflandırmanın mobil destekli bir istemci–sunucu mimarisine işlevsel entegrasyonu. Etiketli akıllı telefon ile kaydedilen solunum kayıtları kullanılarak yapılacak ileri görüşlü değerlendirmeler, veri tabanlı olarak gözlemlenen performansın gerçek kayıt koşullarında sürdürülebilir olup olmadığını belirleyecektir.
5 Sınırlamalar
Bu çalışmanın birkaç sınırlaması bulunmaktadır. İlk olarak, model geliştirme, eşik optimizasyonu ve değerlendirme yalnızca SPRSound veri seti kullanılarak gerçekleştirilmiştir; bu nedenle bildirilen ölçümler, o veri tabanının kayıt ve etiketleme koşullarında olay düzeyinde sınıflandırmayı karakterize etmektedir. Android uygulaması veya tüketici sınıfı bir akıllı telefon mikrofonu ile kaydedilen etiketli solunum kayıtları değerlendirilmemiş ve dijital steteskop ile akıllı telefon mikronları arasındaki alan kayması niceliklendirilememiştir ().
İkinci olarak, SPRSound değerlendirmesi, zaman sınırları uzman etiketlemeleriyle sağlanan solunum olaylarına dayanmaktayken, mevcut mobil destekli iş akışı otomatik solunum olayı segmentasyonu içermemektedir. Sonuç olarak, etiketli olaylar üzerinde elde edilen performans, sessizlik, konuşma, öksürme, hareket veya çevresel gürültü içeren sürekli mobil kayıtlara doğrudan genellenemez.
Üçüncü olarak, model 0.534 ortalamasında bir pozitif prediktif değer üreterek önemli ölçüde bir yanlış pozitif yüküne işaret etmiştir. Ayrıca, sınıflandırıcı karşılaştırması ve nihai hastalar arası değerlendirme iki taraf da INTER-2022’yi içermiş olup bu, model seçiminde belirli bir iyimser yanlılık yaratabilir; üstelik bildirilen güven aralıkları olayları bağımsız kabul etmekte, oysa olaylar 41 katılımcı içinde iç içe geçmiş durumdadır ve katılımcı düzeyinde bir analiz gerçekleştirilmemiştir.
Dördüncü olarak, hırıltılı olaylar hırıltısız olaylardan belirgin şekilde daha kısaydı (ortanca 0.58’e karşı 1.28 s; Tablo 3) ve bu durum anotasyonların adventisyal sesleri tam soluk evrelerine göre nasıl sınırladığını yansıtmaktadır. Süre açıkça bir giriş değişkeni olmasa da, birleştirilmiş MFCC istatistikleri süreye ilişkin ipuçlarını kısmen kodluyor olabilir; yalnızca süreye dayalı bir temel model ve süreye eşitlenmiş analizler gerçekleştirilmemiş olup bunlar gelecek çalışmalar dahil edilmelidir.
Son olarak, Android–Flask iş akışı yalnızca fonksiyonel yazılım düzeyinde değerlendirilmiştir. Kullanılabilirlik, cihaz uyumluluğu, mobil kayıt performansı, klinik iş akışına entegrasyon ve daha geniş prototipin çevresel ya da bakımı üstlenen kişilerce bildirilen bileşenleri nicel olarak değerlendirilmemiştir.
6 Sonuçlar
Bu çalışma, SPRSound soluk sesi veritabanını kullanarak olay düzeyinde pediatrik hırıltılı/hırıltısız sınıflandırma için MFCC tabanlı bir SVM-RBF hattını geliştirmiş ve değerlendirmiştir. INTRA-2022 üzerinde seçilen çalışma eşiğini kullanan sınıflandarıcı, INTER-2022 hastalar arası değerlendirme ayrımında 0.935 duyarlılık, 0.777 özgüllük, 0.930 ROC-AUC, 0.772 PR-AUC ve 0.679 F1 puanı elde etmiştir.
Eğitilmiş ön işleme ve sınıflandırıcı bileşenleri aynı zamanda bir Android–Flask istemci–sunucu iş akışına entegre edilmiş ve eğitilmiş modelin fonksiyonel yazılım dağıtımı gösterilmiştir. Ancak, etiketlenmiş akıllı telefon ile kaydedilmiş soluk kayıtları değerlendirilmemiştir.
Bu çerçevede, bu çalışmanın katkısı, SPRSound üzerinde değerlendirilen olay düzeyinde bir ıslık ses tanıma modeli ve bir yazılım dağıtımı kanıt kavramıdır. Mobil, tanısal veya klinik performans hakkında herhangi bir sonuç çıkarılmadan önce, gerçek mobil ortamda kaydedilen solunum kayıtlarını içeren ileri görüşlü doğrulamaya ihtiyaç olacaktır.
Açıklamalar
Veri erişim açıklaması
Çalışmada sunulan özgün katkılar makaleye/Ek Malzeme’ye dahil edilmiştir; daha ileri başvurular ilgili yazar yapılabilir.
Etik açıklaması
Özgün SPRSound veri toplama süreci, Shanghai Children’s Medical Center’ın Kurumsal İnceleme Kurulu tarafından onaylanmıştır (onay no. SCMCIRB-K2019056-1) ve katılımcıların ebeveynleri veya yasal vasisinden bilgilendirilmiş onam alınmıştır ().
Android–Flask yazılım iş akışı, yalnızca yazılımsal işlev doğrulaması amacıyla klinik olmayan, kimliği belirlenemeyen test sesleriyle değerlendirilmiştir. Bu çalışmada mobil uygulama aracılığıyla hastalardan veya reşit olmayanlardan herhangi bir solunum kaydı alınmamıştır. Çocuklarda mobil ortamda kaydedilen solunum kayıtlarını içeren gelecekteki herhangi bir ileri görüşlü çalışma, veri toplama öncesinde uygun kurumsal etik onayı ve bilgilendirilmiş onam prosedürlerini gerektirecektir.
Yazar katkıları
PD-L-C-V: Kavramsal çerçeve, Biçimsel analiz, Metodoloji, Orijinal metnin yazımı. LG-C: Kavramsal çerçeve, Biçimsel analiz, Metodoloji, Orijinal metnin yazımı, Araştırma, Yazılım. HV-H: Kavramsal çerçeve, Biçimsel analiz, Metodoloji, Orijinal metnin yazımı, Finansman edinimi, Proje yönetimi, Gözetim. JC-D: Araştırma, Metnin inceleme ve düzenlenmesi. AC-F: Araştırma, Metnin inceleme ve düzenlenmesi. AL-F: Araştırma, Metnin inceleme ve düzenlenmesi. MC: Araştırma, Metnin inceleme ve düzenlenmesi. MaCh: Yazılım, Doğrulama, Metnin inceleme ve düzenlenmesi. JL-G: Görselleştirme, Metnin inceleme ve düzenlenmesi. JV-F: Görselleştirme, Metnin inceleme ve düzenlenmesi. KR-Z: Görselleştirme, Metnin inceleme ve düzenlenmesi. MN-C: Görselleştirme, Metnin inceleme ve düzenlenmesi.
Fonlanma
Yazar(lar), bu çalışmanın ve/veya yayımlanmasının için finansal destek alındığını beyan etti. Bu araştırma, C26200042 proje numarası ve PSINFINV 2026 proje türü ile Universidad Nacional Mayor de San Marcos – RR 012674-2026-R tarafından desteklenmiştir.
Çıkar çatışması
Yazar(lar), bu çalışmanın, olası bir çıkar çatışması olarak değerlendirilebilecek herhangi bir ticari veya finansal ilişki olmadan yürütüldüğünü beyan etti.
Üretken yapay zeka beyanı
Yazar(lar), bu metnin oluşturulmasında üretken yapay zeka kullanıldığını beyan etti. Üretken yapay zeka, metndeki yazım hatalarını düzeltmek ve çalışmamızda kullanılan atıfları ve kaynakları doğrulamak için kullanılmıştır.
Bu makaledeki figürlerle birlikte sağlanan alternatif metinler (alt text), Frontiers tarafından yapay zeka desteğiyle oluşturulmuş olup, mümkün olduğunca yazarların incelemesini de içeren doğruluğu sağlamaya yönelik makul önlemler alınmıştır. Herhangi bir sorunu tespit ederseniz, lütfen bizimle iletişime geçin.
Yayımcının notu
Bu makalede ifade edilen tüm iddialalar yalnızca yazarlara aittir ve mutlaka bağlı oldukları kuruluşların, yayıncının, editörlerin veya hakemlerin görüşlerini yansıtmaz. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisinin yapabileceği herhangi bir iddia, yayıncı tarafından garanti edilmez veya desteklenmez.
-
1.
BD 2019 Diseases and Injuries Collaborators. Global burden of 369 diseases and injuries in 204 countries and territories, 1990–2019. Lancet. (2020) 396(10258):1204–22. 10.1016/S0140-6736(20)30925-9
- Pubmed Abstract
- CrossRef
- Google Scholar
- View reference in article
-
2.
Global Initiative for Asthma (GINA). Global strategy for asthma management and prevention. (2023). Available online at:https://ginasthma.org/gina-reports/(Accessed April 2, 2026).
- Google Scholar
- View reference in article
-
3.
ReddelHKBacharierLBBatemanEDBrightlingCEBrusselleGGBuhlRet al. Global initiative for asthma strategy 2021: executive summary and rationale for key changes. American Journal Respiratory Critical Care Medicine. (2022) 205(1) 17–35. 10.1164/rccm.202109-2205PP
- CrossRef
- Google Scholar
- View reference in article
-
4.
CooperPJFigueiredoCARodriguezADos SantosLMRibeiro-SilvaRCCarneiroVLet al. Understanding and controlling asthma in Latin America: a review of recent research informed by the SCAALA programme. Clinical Translational Allergy. (2023) 13(3):e12232. 10.1002/clt2.12232
- Pubmed Abstract
- CrossRef
- Google Scholar
- View reference in article
-
5.
EllwoodPEllwoodERutterCPerez-FernandezVMoralesEGarcía-MarcosLet al. Global asthma network phase I surveillance: geographical coverage and response rates. Journal Clinical Medicine. (2020) 9(11):3688. 10.3390/jcm9113688
- CrossRef
- Google Scholar
-
6.
Mallol J, Crane J, Von Mutius E, Odhiambo J, Keil U, Stewart A, ISAAC Üçüncü Faz Çalışma Grubu. (2013). Çocukluk çağındaki astım ve alerjiler üzerine uluslararası çalışma (ISAAC) üçüncü faz: küresel bir sentez. Allergol Immunopathol (Madr), 41(2), 73–85. 10.1016/j.aller.2012.03.001
- Pubmed Özeti
- CrossRef
- Google Scholar
-
7.
Dünya Sağlık Örgütü (WHO). 2023 dünya istatistikleri: SDG’ler için izleme, sürdürülebilir kalkınma hedefleri. Dünya Sağlık Örgütü. (2023). Çevrimiçi erişilebilir: https://www.who.int/publications/i/item/9789240074323 (Erişim tarihi: 13 Mayıs 2026).
- Google Scholar
- Makalede referansı görüntüle
-
8.
Bao L, Liu Y, Zhang Y, Qian Q, Wang Y, Li W ve ark. Gebelik sırasında annelerin hava kirliliğine maruz kalması ile yavru astım insidansı arasındaki ilişkinin analizi. Reprod Health. (2025) 22:29. 10.1186/s12978-025-01967-6
- Pubmed Özeti
- CrossRef
- Google Scholar
- Makalede referansı görüntüle
-
9.
Gu W, Xie D, Li Q, Feng H, Xue Y, Chen Y ve ark. Nem ve yağışın astımla ilişkisi: sistematik derleme ve meta-analiz. Frontiers Allergy. (2024) 5:1483430. 10.3389/falgy.2024.1483430
- CrossRef
- Google Scholar
-
10.
Kabir A, Ng CF, Yasumoto S, Hayashi T, Watanabe C. Bangladeş’in Dhaka şehrinde tropik bir şehirde günlük buharlı astım hastane başvurularına çevresel sıcaklığın etkisi. Int J Environ Res Public Health. (2021) 18(3):890. 10.3390/ijerph18030890
- Pubmed Özeti
- CrossRef
- Google Scholar
- Makalede referansı görüntüle
-
11.
Warden D, Zhang H, Jiang Y, Arshad H, Karmaus W. Hırıltının alt tiplerinin erken çocukluk çağı astımının gelişimindeki rolü. Respir Res. (2025) 26(1):79. 10.1186/s12931-025-03153-5
- Pubmed Özeti
- CrossRef
- Google Scholar
- Makalede referansı görüntüle
-
12.
Ramgopal S, Saper J, Rudloff JR, Jeanacopoulos A, Rivera-Sepulveda A, Timm T ve ark. Pediatrik solunum auskültasyon bulgularının değerlendirenler arası güvenilirliği. Hosp Pediatr. (2025) 15(9):431–5. 10.1542/hpeds.2025-008510
- CrossRef
- Google Scholar
- Makalede referansı görüntüle
-
13.
Bohadana A, Izbicki G, Kraman S. Akpulmonal auskültasyonun temelleri. New England Journal Medicine. (2014) 370(8):744–51. 10.1056/NEJMra1302901
- CrossRef
- Google Scholar
- Makalede referansı görüntüle
-
14.
Pasterkamp H, Kraman S, Wodicka G. Solunum sesleri: stetoskopun ötesinde ilerlemeler. Am J Respir Crit Care Med. (1997) 156(3):974–87. 10.1164/ajrccm.156.3.9701115
- Pubmed Abstract
- CrossRef
- Google Scholar
- Makalede referansı görüntüle
-
15.
Sovijärvi ARA, Dalmasso F, Vanderschoot J, Malmberg LP, Righini G, Stoneman SA. Solunum seslerinin uygulamaları için terimlerin tanımlanması. Eur Respir Rev. (2000) 10(77):597–610.
- Google Scholar
- Makalede referansı görüntüle
-
16.
Nabi FG, Sundaraj K, Lam CK. Entegre güç özelliklerini kullanarak hırıltı sesinin karakterizasyonu ve sınıflandırılması yoluyla astım şiddet düzeylerinin belirlenmesi. Biomed Signal Process Control. (2019) 52:302–11. 10.1016/j.bspc.2019.04.018
- CrossRef
- Google Scholar
- Makalede referansı görüntüle
-
17.
Nabi FG, Sundaraj K, Lam CK, Palaniappan R. Astımlı hastalarda tidal solunum sırasında hırıltı seslerinin şiddet düzeylerine göre analizi. Journal Asthma. (2020) 57(4):353–65. 10.1080/02770903.2019.1576193
- CrossRef
- Google Scholar
- Makalede referansı görüntüle
-
18.
Nabi F, Sundaraj K, Lam C K. Asthma şiddetinin belirlenmesi için akciğer ses sinyalinden yararlanılan bilgisayarlı karar destek sistemi. Journal Pakistan Medical Association. (2021) 71(1A):41–6. 10.47391/JPMA.156
- CrossRef
- Google Scholar
- Makalede referansı görüntüle
-
19.
Balasubramanian S, Rajadurai P. Gerçek zamanlı akciğer sesleri aracılığıyla akciğer hastalıklarının makine öğrenmesine dayalı sınıflandırılması. Int J Eng Technol Innov. (2024) 14(1) 85–102. 10.46604/ijeti.2023.12294
- CrossRef
- Google Scholar
- Makalede referansı görüntüle
-
20.
Karaarslan O, Belcastro K D, Ergen O. Solunum sesine dayalı hastalık sınıflandırması ve karakterizasyonu: derin/makine öğrenmesi teknikleri. Biomed Signal Process Control. (2024) 87:105570. 10.1016/j.bspc.2023.105570
- CrossRef
- Google Scholar
- Makalede referansı görüntüle
-
21.
Liu L, Li W, Moxley B. Pediatrik solunum seslerinin yapay zekaya dayalı sınıflandırılması: erken solunum taraması için bir araca doğru. Appl Sci. (2025) 15(13):7145. 10.3390/app15137145
- CrossRef
- Google Scholar
- Makalede referansı görüntüle
-
22.
Park J S, Park S Y, Moon J W, Kim K, Suh D I. Pediatrik akciğer sesi analizleri için yapay zeka modelleri: sistematik derleme ve meta-analiz. J Med Internet Re. (2025) 27:e66491. 10.2196/66491
- CrossRef
- Google Scholar
- Makalede referansı görüntüle
-
23.
Nabi F, Sundaraj K, Lam C K, Palaniappan R, Sundaraj S. Bilgisayar tabanlı tekniklerle hırıltı sesinin analizi: sistematik derleme. Biomed Tech. (2019) 64(1):1–28. 10.1515/bmt-2016-0219
- CrossRef
- Google Scholar
- Makalede referansı görüntüle
-
24.
Kim J, Bae S, Cho W Y, Lee B, Jung H. Stetoskop rehberliğinde eğitim alınan karşılaştırmalı öğrenme ile solunum sesi sınıflandırmasında alanlar arası uyarlama. ICASSP 2024–2024 IEEE Uluslararası Akustik, Ses ve İşlem İşleme Konferansı (ICASSP). (2024) (ss. 1431–5). IEEE. 10.1109/ICASSP48485.2024.10447734
- CrossRef
- Google Scholar
- Kaynağa referans
-
25.
Collins G S, Moon K G M, Dhiman P R, Riley R D, Beam A L, Van Calster B ve ark. TRIPOD+AI ifadesi: regresyon veya makine öğrenmesi yöntemleri kullanan klinik tahmin modellerinin raporlanması için güncellenmiş rehber. Br Med J. (2024). 385:e078378. 10.1136/bmj-2023-078378
- CrossRef
- Google Scholar
- Kaynağa referans
-
26.
Kothalawala D M, Murray C S, Simpson A, Custovic A, Tapper W J, Arshad S S ve ark. Makine öğrenmesi yaklaşımları ile çocukluk çağı astım tahmin modellerinin geliştirilmesi. Clinical Translational Allergy. (2021) 11(7):e12076. 10.1002/clt2.12076
- Pubmed Abstract
- CrossRef
- Google Scholar
- Kaynağa referans
-
27.
Molfino N A, Turcatel G, Riskin D. Astım ataklarını öngören makine öğrenmesi yaklaşımları: anlatısal bir derleme. Adv Ther. (2024) 41(2):534–52. 10.1007/s12325-023-02743-3
- Pubmed Abstract
- CrossRef
- Google Scholar
- Kaynağa referans
-
28.
Kilic M, Barua P D, Keles T Y, Yildiz A M, Tuncer I, Dogan S ve ark. GCLP: öksürük sesleri kullanarak küresel kaotik lojistik desene dayalı otomatik astım tespit modeli. Engineering Applications Artificial Intelligence. (2023). 123:107184. 10.1016/j.engappai.2023.107184
- CrossRef
- Google Scholar
- Kaynağa referans
-
29.
Rocha B, Filos D, Mendes L, Serbes G, Gülkaya S, Kahya Y ve ark. Solunum sesi sınıflandırma algoritmalarının değerlendirilmesi için açık erişimli bir veri tabanı. Physiol Meas. (2019) 40(3):035001. 10.1088/1361-6579/ab03ea
- Pubmed Abstract
- CrossRef
- Google Scholar
- Referansı makalede gör
-
30.
Zhang Q, Zhang J, Yuan J, Huang H, Zhang Y, Zhang B ve ark. SPRSound: açık kaynaklı SJTU pediatrik solunum sesi veri tabanı. IEEE Trans Biomed Circuits Sys. (2022) 16(5):867–81. 10.1109/TBCAS.2022.3204910
- CrossRef
- Google Scholar
- Referansı makalede gör
-
31.
Chen Z, Wang H, Yeh C, Liu X. STFT ve ince ayar edilmiş ResNet18 ağı kullanarak akciğer seslerindeki solunum anormalliklerinin sınıflandırılması. 2022 IEEE Biomedikal Devreler ve Sistemler Konferansı (BioCAS) (2022) (ss. 233–7). Taipei: IEEE.
- Google Scholar
- Referansı makalede gör
-
32.
Li J, Wang X, Wang X, Qiao S, Zhou Y. ResNet tabanlı solunum sesi sınıflandırma sistemlerinin Focal Loss ile iyileştirilmesi. 2022 IEEE Biomedikal Devreler ve Sistemler Konferansı (BioCAS) (2022) (ss. 223–7). Taipei: IEEE.
- Google Scholar
-
33.
Ngo D, Pham L, Phan H, Tran M, Jarchi D, Kolozali S. Solunum anormalliklerinin tespitinde çoklu hedef kayıplı bir inception-residual tabanlı mimari. arXiv. (2023). 10.48550/arXiv.2303.04104
- CrossRef
- Google Scholar
- Referansı makalede gör
-
34.
López-Córdova F, Vega-Huerta H, Maquen-Niño G, L, Cáceres-Pizarro J, Rodriguez C, Calderón D ve ark. Pleura sıvısında sitolojik sınıflandırmada transfer öğrenmesine dayalı ensemble yöntemi. Frontiers Digital Health. (2026) 8:1849898. 10.3389/fdgth.2026.1849898
- CrossRef
- Google Scholar
- Referansı makalede gör
-
35.
Vega-Huerta H, Cuba-Aquino C, Isuca-Mariño G, Adrianzén-Olano I, Maquen-Niño G, López-Córdova F ve ark. Katarakt otomatik tanısında öğrenme transferi ve görü dönüştürücüsü (vision transformer): göz tıp görüntüleri üzerinde uygulama. Front Digit Health. (2026) 8:1805311. 10.3389/fdgth.2026.1805311
- Pubmed Abstract
- CrossRef
- Google Scholar
- View reference in article
-
36.
Bhat G S, Shankar N, Kim D, Song D J, Seo S, Panahi I S ve ark. Nesnelerin interneti (IoT) ve akıllı telefon uygulamaları kullanarak makine öğrenmesine dayalı astım risk tahmini. IEEE Access. (2021) 9:118708–15. 10.1109/ACCESS.2021.3103897
- CrossRef
- Google Scholar
- View reference in article
-
37.
Tsang K C, Pinnock H, Wilson A M, Salvi D, Shah S A. Makine öğrenmesi ile astım krizi tahmininde bağlantılı mobil cihazlarla ev takibi. Sci Data. (2023) 10:370. 10.1038/s41597-023-02241-9
- Pubmed Abstract
- CrossRef
- Google Scholar
- View reference in article
-
38.
Nabi F G, Sundaraj K, Iqbal M S, Shafiq M, Palaniappan R. Hırıltı seslerinin sınıflandırılması kullanarak astım şiddet dereceleri tanımlayan bir tele-tıp yazılım uygulaması. Biocybernetics Biomedical Engineering. (2022) 42(4):1236–47. 10.1016/j.bbe.2022.11.001
- CrossRef
- Google Scholar
- View reference in article
-
39.
Nabi F G, Ghaffar A, Ishfaq K, Sundaraj K, Yang G. Çok seviyeli astım şiddet sınıflandırması için solunum seslerinin istatistiksel ve makine öğrenmesi analizi. Journal Engineering Research. (2026). 10.1016/j.jer.2026.04.021
- CrossRef
- Google Scholar
- View reference in article
-
40.
Bose S, Kenyon C C, Masino A J. Erken çocukluk dönemi astımının sürmesinin kişiselleştirilmiş tahmini: bir makine öğrenmesi yaklaşımı. PLoS One. (2021) 16(3):e0247784. 10.1371/journal.pone.0247784
- Pubmed Abstract
- CrossRef
- Google Scholar
- View reference in article
-
41.
He PM, Moraes TJ, Dai D, Reyna-Vargas ME, Dai R, Mandhane PJ, et al. Machine öğrenmesi kullanılarak Kanada sağlıklı bebek uzunlamasına gelişim (CHILD) doğum kohortunda pediatrik astımın erken tahmini. Pediatr Res. (2024). 95:1818–25. 10.1038/s41390-023-02988-2
- Pubmed Abstract
- CrossRef
- Google Scholar
-
42.
Xiong S, Chen W, Jia X, Li Y, Zhang Y, Wang C, et al. Astımlı hastalar arasında astım ataklarının tahmini için machine öğrenmesi: sistematik derleme ve meta-analiz. BMC Pulm Med. (2023) 23:278. 10.1186/s12890-023-02570-w
- Pubmed Abstract
- CrossRef
- Google Scholar
-
43.
Zheng L, Ohde J, WOvergaard S, Brereton T, AJose K, Wi C, I, et al. Machine öğrenmesine dayalı astım yönetim aracının klinik ihtiyaç değerlendirmesi: kullanıcı merkezli tasarım yaklaşımı. JMIR Form Res. (2024) 8:e45391. 10.2196/45391
- Pubmed Abstract
- CrossRef
- Google Scholar
- View reference in article
-
44.
Bhowmik R, Most S. Yerel çevresel sensör ağları ve yeni bir uzaysal-zamansal machine öğrenmesi mimarisi temelinde kişiselleştirilmiş solunum hastalığı atak tahmini tekniği. Electronics (Basel). (2022) 11(16):2562. 10.3390/electronics11162562
- CrossRef
- Google Scholar
- View reference in article
-
45.
Cambiaso E, Narteni S, Baiardini I, Braido F, Paglialonga A, Mongelli M. İnternet nesneleri (IoT) ve yapay zekanın pneumolojiye uygulamasında ilerlemeler. Microprocessors Microsystems. (2024) 108:105062. 10.1016/j.micpro.2024.105062
- CrossRef
- Google Scholar
- View reference in article
-
46.
Zhang Q, Zhang J, Yuan J, Huang H, Zhang Y, Zhang B, et al. SPRSound Verisi için Solunum Sesleri Sınıflandırması Büyük Yarışması. 2022 IEEE Biomedical Circuits and Systems Konferansı (BioCAS) (2022). (ss. 213–7). Taipei: IEEE.
- Google Scholar
- View reference in article
-
47.
Davis S, Sermelstein P. Parametrik gösterimlerin sürekli konuşulan cümlelerde tek heceli sözcük tanıma karşılaştırılması. IEEE Transactions Acoustics Speech Signal Processing. (1980) 28(4) 357–66. 10.1109/TASSP.1980.1163420
- CrossRef
- Google Scholar
- Kaynağa bak
-
48.
Pramono R, Imtiaz SA, Rodriguez-Villegas E. Hırıltı ve normal solunum seslerinin sınıflandırılması için özelliklerin değerlendirilmesi. PLoS One. (2019) 14(3):e0213659. 10.1371/journal.pone.0213659
- Pubmed Abstract
- CrossRef
- Google Scholar
- Kaynağa bak
-
49.
McFee B, Raffel C, Liang D, Ellis D, McVicar M, Battenberg E, et al. Librosa: Python’da ses ve müzik sinyal analizi. 14. Python in Science Konferansı Bildirileri. (2015):18–25. 10.25080/Majora-7b98e3ed-003
- CrossRef
- Google Scholar
- Kaynağa bak
-
50.
Pedregosa F, Varoquaux G, Gramfort A, Michel V, Thirion B, Grisel O, et al. Scikit-learn: Python’da makine öğrenimi. Journal of Machine Learning Research. (2011) 12:2825–30.
- Google Scholar
- Kaynağa bak
-
51.
Cortes C, Vapnik V. Destek vektör ağları. Machine Learning. (1995) 20(3):273–97. 10.1007/BF00994018
- CrossRef
- Google Scholar
- Kaynağa bak
-
52.
Saito T, Rehmsmeier M. Dengesiz veri kümelerinde ikili sınıflandırıcıları değerlendirirken doğruluk-çağrım grafiği, ROC grafiğinden daha bilgilendiricidir. PLoS One. (2015) 10(3):e0118432. 10.1371/journal.pone.0118432
- Pubmed Abstract
- CrossRef
- Google Scholar
- Kaynağa bak
Özet
Anahtar kelimeler
dijital sağlık, hastalar arası değerlendirme, MFCC, pediatrik solunum sesleri, yazılım dağıtımı kavram kanıtı, SPRSound, destek vektör makinesi, hırıltı tanıma
Atıf
De-la-Cruz-VdV P, Guadalupe-Chacaltana L, Vega-Huerta H, Cabrera-Diaz JE, Camara-Figueroa A, Luna-Figueroa AM, Barrera Cajachagua ML, Chauca M, Lázaro-Guillermo JC, Vargas-Flores J, Rodriguez-Zevallos KV ve Niño-Cueva M (2026) Çocuk solunum seslerinde hırıltı olaylarının hafif MFCC–SVM ile tanısı: SPRSound üzerinde hastalar arası değerlendirme ve yazılım dağıtımı için kanıt kavramı. Front. Digit. Health 8:1963067. doi: 10.3389/fdgth.2026.1963067
Alındı
09 Ağustos 2026
Düzeltildi
04 Ekim 2026
Kabul edildi
13 Ekim 2026
Yayınlandı
10 Kasım 2026
8 – 2026
Paolo Crippa, Marche Polytechnic University, Italy
Fizza Ghulam Nabi, University of the Punjab, Pakistan
Azra Rasouli Kenari, Isfahan University of Medical Sciences, Iran
© 2026 De-la-Cruz-VdV, Guadalupe-Chacaltana, Vega-Huerta, Cabrera-Diaz, Camara-Figueroa, Luna-Figueroa, Barrera Cajachagua, Chauca, Lázaro-Guillermo, Vargas-Flores, Rodriguez-Zevallos ve Niño-Cueva.
Bu, Creative Commons Atıf Lisansı (CC BY) koşulları altında erişime açık olarak dağıtılan bir makaledir. Orijinal yazar(lar)ın ve telif hakkı sahib(ler)inin itibar edildiği ve bu dergideki orijinal yayının, kabul edilen akademik uygulama accordance atıf edildiği sürece, diğer forumlarda kullanım, dağıtım veya çoğaltma izinlidir. Bu koşullara uymayan herhangi bir kullanım, dağıtım veya çoğaltma izinlidir.
*İletişim: Hugo Vega-Huerta hvegah@unmsm.edu.pe
Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve bağlı oldukları kuruluşların, ya da yayıncının, editörlerin ve değerlendirenlerin görüşlerini kesin olarak temsil etmeyebilir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisinin yapabileceği herhangi bir iddia, yayıncı tarafından garanti edilmez veya desteklenmez.

