Identificação de estertores em sons respiratórios utilizando transformada wavelet e análise de discriminante linear

• Ano de defesa: 2015
• Autor(a) principal: Quandt, Verônica Isabela
• Orientador(a): Pichorim, Sérgio Francisco
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Tecnológica Federal do Paraná; Curitiba
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial
• Palavras-chave em Português: Wavelets (Matemática); Complexos lineares; Engenharia elétrica; Wavelets (Mathematics); Complexes; Electric engineering
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/1411

Estertores são sons respiratórios adventícios e descontínuos que ocorrem em patologias pulmonares. Parâmetros no domínio do tempo classificam os estertores como finos, médios e grossos, e podem ter polaridade positiva ou negativa. Este trabalho investiga métodos e ferramentas para caracterizar e classificar estertores. Amostras de sons respiratórios contendo estertores foram normalizadas e reamostradas em 8 kHz. Foram realizados diversos ensaios utilizando a transformada wavelet discreta (DWT) e a análise de discriminante linear (LDA), e avaliados com análise ROC. Um sistema de reconhecimento de padrões foi implementado com DWT, LDA e k-NN para classificar estertores finos, grossos e sons respiratórios normais. O ensaio com diferentes métodos de extensão de borda do sinal durante a decomposição DWT mostrou a influência nos resultados da caracterização. Os resultados indicam que os métodos ZPD, SP0, SYMH, SYMW, ASYMH, PPD e PER são recomendados, enquanto que os métodos SP1 e ASYMW não são recomendados para a decomposição e caracterização de estertores, pois geram características diferentes nas sub-bandas mais altas. Outro ensaio mostrou que a caracterização dos estertores utilizando DWT pode ser feita utilizando-se algumas sub-bandas de decomposição (D3, D4 e D5, no caso de sinais amostrados em 8 kHz), reduzindo-se desta forma o esforço computacional. Outro sistema de classificação implementado utilizando DWT e LDA mostrou que os estertores podem ser classificados indicando a polaridade com elevado grau de acerto (AUC de até 0,9943 para Symlet 19). Dois ensaios foram realizados para seleção da wavelet-mãe que melhor caracterize estertores. O primeiro ensaio avaliou quantitativamente a semelhança entre o estertor e diversas wavelets-mães através do índice de correlação de Pearson. As wavelets-mães que resultaram uma forte correlação com o estertores, se mostrando mais indicadas para serem utilizadas, foram: Reverse Biorthogonal 3.7, Reverse Biorthogonal 5.5, Reverse Biorthogonal 3.5, Daubechies 5, Symlet 5, Daubechies 6, Symlet 7 e Daubechies 7. O segundo ensaio selecionou a wavelet-mãe pela concentração de energia nas sub-bandas. Ensaios anteriores já mostravam que a energia dos estertores decompostos pela DWT se concentra em poucas sub-bandas, então foram selecionadas wavelets-mães que concentrassem maior porcentagem da energia em uma sub-banda específica, que foram: Daubechies 7, Symlet 7, Coiflet 3 e Symlet 12. O último ensaio realizado foi uma combinação de wavelets-mães para melhorar a separabilidade de estertores e sons respiratórios normais. O ensaio mostrou que um sistema de classificação utilizando DWT, LDA e um classificador linear pode separar totalmente as duas classes (índice AUC = 1) quando é utilizada a combinação de wavelets-mães para gerar o vetor de características dos sinais.