Upload
hatu
View
220
Download
0
Embed Size (px)
Citation preview
CLASSIFICAÇÃO DE SONS PULMONARES UTILIZANDO ESTATÍSTICAS DE ORDEM SUPERIOR
E ÁRVORES DE DECISÃO
RAPHAEL NAVES1, BRUNO H. G. BARBOSA
1, DANTON D. FERREIRA
1
1Departamento de Engenharia
Universidade Federal de Lavras
Câmpus Universitário, Caixa Postal 3037, CEP 37200-000, Lavras, MG, Brasil
E-mails: [email protected], [email protected], [email protected]
Abstract The lung sounds auscultation is one of the most used methods to evaluate respiratory diseases. However, the tech-
nique depends on the specialist experience, because if the specialist does not have proper training he/she will not be able to dis-tinguish between normal and abnormal sounds generated by the human body. In this sense, in order to detect lung diseases, many
papers have described systems that process respiratory sounds, aiming at a better characterization of these sounds. This paper
presents a new pattern recognition system to classify lung sounds as normal and coarse crackles. For doing so, Higher-Order Sta-tistics (HOS) are used for feature extraction, Genetic Algorithms and Linear Discriminant Analysis (LDA) are implemented for
dimensionality reduction and Decision Trees are used to classify the sounds. Results show that proposed approach can classify
different types of lungs sounds with good accuracy.
Keywords Lung Sounds, Pattern Recognition, Higher-Order Statistics, Genetic Algorithm
Resumo A ausculta pulmonar é um dos métodos mais utilizados para avaliar doenças respiratórias. No entanto, a técnica de-
pende da experiência do especialista, pois se o mesmo não possuir treinamento adequado não será capaz de distinguir entre os sons normais e anormais gerados pelo corpo humano. Neste sentido, a fim de detectar doenças pulmonares, diversos trabalhos
têm descrito sistemas para o processamento de sons respiratórios, visando sua melhor caracterização. Este trabalho apresenta uma
técnica para reconhecimento de padrões para classificação de sons pulmonares em sons normais e estertores grossos. Para isso,
são utilizadas Estatísticas de Ordem Superior (EOS) para extração de características, Algoritmos Genéticos e Análise Discrimi-
nante Linear para redução da dimensionalidade e Árvores de Decisão para classificação dos sons. Resultados mostram que a
abordagem proposta consegue classificar tipos diferentes de sons pulmonares com boa eficiência.
Palavras-chave Sons Pulmonares, Reconhecimento de Padrões, Estatísticas de Ordem Superior, Algoritmos Genéticos
1 Introdução
Desde a Antiguidade, os médicos auscultam os
sons de dentro do tórax em busca de sinais de doen-
ças (Lehrer, 2004). Os primeiros sons característicos
de patologias respiratórias foram observados pelos
gregos e até o século XIX eram detectados através do
posicionamento do ouvido contra a parede torácica.
Em 1816, para auscultar os sons pulmonares,
René Theophile Laennec enrolou uma folha de papel
como um cilindro e colocou uma extremidade no
tórax da paciente e seu ouvido na outra. Laennec
chamou a invenção de estetoscópio, do grego stethos,
"peito" e skopein, "olhar" (Läennec, 1819).
Desde sua invenção, o estetoscópio foi definiti-
vamente incorporado à prática médica. Por ser um
exame rápido, não invasivo e de baixo custo, é o
primeiro método utilizado para avaliar doenças respi-
ratórias (Lehrer, 2004).
A ausculta de sons respiratórios por meio do es-
tetoscópio é um dos métodos diagnósticos mais sim-
ples que fornece informações sobre pulmão do paci-
ente. Por outro lado este aparelho apresenta muitas
limitações, pois exige que o examinador seja treinado
para ouvir e distinguir os sons normais e anormais
geradas pelo corpo humano. É, portanto, um proces-
so considerado subjetivo e impreciso que depende da
capacidade auditiva do especialista (Garcia, 2002).
Essa limitação tem motivado pesquisadores a
aprimorar ou desenvolver técnicas para classificar e
separar sons pulmonares, visando um melhor diag-
nóstico (Earis et al. 2000).
Vários autores utilizam diferentes técnicas para
filtragem, extração de características, separação e
classificação de sons pulmonares, como Redes
Neurais Artificiais (Sezgin et al. 2001; Kandaswamy
et al. 2004; Hashemi et al. 2012; Serbes et al. 2013),
Transformada Wavelet (Sezgin et al. 2001;
Kandaswamy et al. 2004; Xiaoguang et al. 2008;
Quandt et al. 2012), Análise Discriminante Linear
(Linear Discriminant Analysis - LDA) (Quandt et al.
2012), k vizinhos mais próximos (k Nearest
Neighbor – k-NN) (Quandt et al. 2012; Serbes et al.
2013) entre outros.
Neste trabalho, uma técnica de reconhecimento
de padrões para classificação de sons pulmonares em
sons normais e estertores grossos é proposta, utili-
zando Estatísticas de Ordem Superior (EOS) (Men-
del, 1991) para extração de características, Algorit-
mos Genéticos (Holland, 1975) para redução da
dimensionalidade e Árvores de Decisão (Breiman et
al. 1984) para classificação.
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
1196
A contribuição deste trabalho foi no sentido de
se utilizar um novo classificador com a finalidade de
reconhecer padrões em sons pulmonares de forma
eficiente e de fácil implementação.
Na próxima seção será apresentada a carac-
terização do problema. Na seção 3 serão descritos os
materiais e métodos utilizados e os resultados serão
mostrados na seção 4. A seção 5 apresentará as con-
clusões.
2 Caracterização do Problema
Através das vibrações pulmonares e das vias aé-
reas se originam os sons pulmonares que são trans-
mitidos à parede torácica.
A caixa torácica é relativamente dura e hetero-
gênea por conter músculos e também ossos, o que
contribui de forma negativa para a transmissão dos
sons (Carvalho et al. 2007).
Os sons pulmonares são classificados como
normais e adventícios, e são auscultados sobre o
tórax e a traqueia. Os sons adventícios são ausculta-
dos em indivíduos que possuem algum tipo de pato-
logia respiratória ou doença pulmonar. Os sons nor-
mais são auscultados em indivíduos saudáveis.
Dentre os sons adventícios, classificam-se os
sons contínuos (sibilos e roncos) e os descontínuos
(estertores). Estes últimos ainda são classificados de
acordo com sua duração em estertores finos (Fine
Crackles), sons de curta duração, e estertores grossos
(Coarse Crackles), sons de longa duração (Mikami et
al.1987).
2.1 Trabalhos relacionados
Serbes et al. (2013) propuseram o método análi-
se tempo-frequência e análise tempo-escala para
analisar sinais pulmonares. O seu objetivo foi criar
um modelo preditivo capaz de distinguir entre os
sinais estertores e não estertores e fazer uma compa-
ração utilizando três classificadores: Máquinas de
Vetores Suporte (Support Vector Machines), k vizi-
nhos mais próximos e Perceptron Multi-Camadas
(Multilayer Perceptron). Ao analisar os resultados,
os autores concluíram que o classificador SVM foi
superior em relação ao k-NN na detecção de sinais
estertores. Já o classificador Perceptron Multi-
Camadas obteve o pior desempenho para a maioria
dos sinais analisados.
No trabalho de (Hashemi et al. 2012) foi propos-
to um método para classificar sons pulmonares em
sibilos monofônicos e polifônicos. Foram utilizados
os métodos Coeficientes Mel-Cepstrais (Mel-
Frequency Cepstral Coefficients - MFCC) para ex-
tração de características em conjunto com a Rede
Neural Perceptron Multi-Camadas para classificação.
O melhor resultado de classificação obtido pelos
autores consistiu em utilizar uma arquitetura de rede
com 10 neurônios para a camada de entrada, 30 neu-
rônios para a camada oculta e 2 neurônios para a
camada de saída.
Quandt et al. (2012) decompuseram o sinal pul-
monar utilizando Transformada Wavelet Discreta,
utilizaram LDA para redução de dimensões do vetor
de características obtido e classificaram pelo método
k-NN entre sinais pulmonares normais, estertores
finos e grossos. Os autores compararam a quantidade
total de sinais de teste com os classificados correta-
mente. O resultado alcançado nesta etapa se mostrou
aceitável e o método desenvolvido eficiente.
Bahoura (2009) propôs um método de reconhe-
cimento de padrões para classificar sons pulmonares
em normais e sibilos. Foi feita uma comparação entre
um conjunto de ferramentas de extração de caracte-
rísticas juntamente com os métodos de classificação.
Os resultados da pesquisa mostraram que a melhor
combinação consistiu em usar o método de Coefici-
entes Mel-Cepstrais para extração de características
em conjunto com o classificador Modelo de Misturas
de Gaussianas (Gaussian Mixture Model - GMM).
O trabalho de (Xiaoguang et al. 2008) apresenta
um sistema automatizado para reconhecimento de
sons pulmonares estertores. O sistema proposto sepa-
ra o sinal normal do sinal anormal (estertor) utilizan-
do o filtro Wavelet Packet. Em seguida os estertores
são detectados pelo uso da Dimensão Fractal (Frac-
tal Dimension - FD) e por último são classificados
pelo Modelo de Misturas de Gaussianas (Gaussian
Mixture Model - GMM) em estertores finos e esterto-
res grossos. Os autores concluíram que o método
proposto alcançou bom desempenho, permitindo um
melhor diagnóstico das doenças pulmonares com a
possibilidade de uma implementação em tempo real.
Os autores (Kandaswamy et al. 2004), utilizaram
Transformada Wavelet para decompor o sinal pul-
monar e classificaram 6 tipos de sons pulmonares
(normais, sibilos, estertores, grasnido, estridor e
ronco) utilizando Redes Neurais Artificiais. Após
realizar diversas simulações utilizando diferentes
arquiteturas de rede, os autores concluíram que me-
lhor arquitetura para o problema proposto consistiu
em usar 19 neurônios para a camada de entrada, 40
neurônios para a camada oculta e 6 neurônios para a
camada de saída. O algoritmo que obteve o melhor
desempenho foi o Backpropagation.
Sezgin et al. (2001) propuseram um classificador
de sons respiratórios em indivíduos saudáveis e indi-
víduos com asma e assim como (Kandaswamy et al.
2004), também utilizaram Transformada Wavelet
para decompor o sinal e Redes Neurais Artificiais
para classificá-los. Foi utilizada uma Rede Neural de
Aprendizado Construtivo (Grow and Learn - GAL)
para a classificação dos sinais. Os resultados obtidos
mostraram que a Rede Neural proposta classificou de
forma satisfatória os sinais analisados.
Esforços têm sido feitos para aperfeiçoar os sis-
temas de classificação de sons respiratórios. Pesqui-
sadores têm utilizado diversas técnicas para alcançar
este objetivo. Assim, esse é um campo de pesquisa
em aberto, com vários estudos sendo realizados que
objetivam um diagnóstico mais objetivo das enfer-
midades pulmonares.
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
1197
3 Material e Métodos
O reconhecimento de padrões, do inglês Pattern
Recognition, é uma ciência que trata da classificação
e descrição de objetos em certo número de classes a
partir da observação de suas características (Theodo-
ridis, 2009).
O sistema de reconhecimento de padrões desen-
volvido neste trabalho possui a sequência apresenta-
da na Figura 1. A explicação de cada bloco é apre-
sentada na sequência.
Figura 1 - Sistema de Reconhecimento de Padrões.
3.1 Dados de entrada
O conjunto de dados de entrada utilizados neste
trabalho foi obtido de (Lehrer, 2004), foram utiliza-
dos sons respiratórios normais e sons estertores gros-
sos. Os sinais foram normalizados em 8 kHz e recor-
tados em amostras de tamanho 320 segmentos. Desta
forma, foram obtidas 86 amostras de sons respirató-
rios, sendo 46 de sons estertores grossos e 40 de sons
normais. A Figura 2 ilustra os eventos de sons pul-
monares, normal e estertor grosso.
(a)
(b)
Figura 2 - Eventos de Sons Pulmonares. (a) Normal e (b) Estertor
Grosso.
Os eventos som pulmonar normal e estertor
grosso ilustrados na Figura 2 foram selecionados a
partir de duas das 86 amostras obtidas. Ambos os
eventos foram selecionados de forma aleatória.
3.2 Extração de Características
O uso de técnicas baseadas em Estatísticas de
Ordem Superior (EOS) são mais adequadas para lidar
com processos não Gaussianos e sistemas não linea-
res (Mendel, 1991). Uma grande vantagem do seu
uso é devido à imunidade ao ruído.
Este trabalho emprega EOS como ferramenta de
extração de características. Os cumulantes são medi-
das de EOS que são utilizados em técnicas de proces-
samento de sinais e podem ser definidos como um
conjunto de valores resultantes aos momentos de um
sinal (Mendel, 1991).
Seja X um processo aleatório constituído de va-
riáveis aleatórias reais de média zero, os cumulantes
de segunda e de quarta ordem são dados por (Men-
del, 1991).
( ) ( )
(1)
( ) ( ) ( )
( ) ( )
( ) ( ) ( )
sendo E o operador de esperança matemática, que é
definido como a soma das probabilidades do sinal
multiplicada pelo valor da amostra.
Supondo x(t), um processo aleatório estacionário
com média zero, os cumulantes de ordem k, denota-
dos por Ck,x(τ1, τ2,..., τ3), onde τ1,..., τk são desloca-
mentos no tempo, são definidos em termos dos sinais
x(t), x(t + τ1),..., x(t + τk). Definindo τ1 = τ2 = τ3 = τ, a
partir de (1), os cumulantes de 2ª e 4ª ordens podem
ser reescritos como,
( ) ( ) ( )
(2)
( ) ( ) ( )
( ) ( )
Para um sinal discreto [ ] pode-se aproximar
(2), de acordo com (Ribeiro et al. 2006). Desta for-
ma, obtém-se a forma circular de cálculo dos cumu-
lantes em (3).
( )
∑ [ ] [ ( )]
(3)
( )
∑ [ ] [ ( )]
∑ [ ] [ ( )] ∑ [ ]
sendo
Dados de entrada
Extração de Características
Redução da Dimensão
Classificação
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
1198
(a)
(b)
(c)
(d)
Figura 3 - Extração de Características com cumulantes de 2ª e 4ª Ordem. (a) e (b) Som Normal, (c) e (d) Estertor Grosso.
A Figura 3 ilustra o processo de extração de ca-
racterísticas por meio dos cumulantes de 2ª e 4ª or-
dem. As características foram extraídas a partir dos
eventos de som pulmonar normal e estertor grosso
ilustrados na Figura 2.
3.3 Redução da Dimensionalidade
Após a aplicação das equações em (3) nos dados
de entrada, 160 cumulantes de segunda ordem e 320
cumulantes de quarta ordem foram obtidos. Ao con-
siderar a impossibilidade de usar os 480 cumulantes
para a tarefa de classificação devido a limitações
computacionais, alguns devem ser selecionados.
Uma possível solução é utilizar a Análise Dis-
criminante Linear ou também chamada de Discrimi-
nante Linear de Fisher para selecionar os cumulantes
mais importantes e distintos entre as classes, preser-
vando o máximo possível à informação (Wu et al.
2012).
A técnica consiste em determinar uma base veto-
rial que maximize a razão entre o determinante de
uma matriz inter-classe Sb com uma matriz intra-
classe Sw, ou seja,
| |
| | (4)
Essa base vetorial pode ser resolvida como pro-
blema de autovalores e autovetores e é determinada
por,
( ) (5)
sendo a matriz de autovetores e é a matriz de
autovalores de .
Assim, neste trabalho, com a finalidade de redu-
zir o custo computacional do sistema de classifica-
ção, 50 cumulantes são selecionados segundo o Cri-
tério de Fisher. A partir destes, Algoritmos Genéticos
(AG’s) são também implementados para redução da
dimensionalidade e maximização do desempenho.
Os AG’s são uma classe de algoritmos perten-
centes ao ramo dos algoritmos evolucionários e são
definidos como uma técnica de busca baseada no
processo biológico de evolução natural (Linden,
2006).
O primeiro trabalho envolvendo AG’s foi apre-
sentado por John Holland (1975), mas somente a
partir dos anos 80, é que começaram a se popularizar.
O princípio básico de funcionamento dos algo-
ritmos genéticos pode ser resumido algoritmicamente
através dos seguintes passos (Linden, 2006):
1. t:=0
2. Inicializa_População P(0)
3. Enquanto não terminar faça
4. Avalie_População P(t)
5. P':= Selecione_Pais P(t)
6. P':= Recombinação_e_Mutação P'
7. Avalie_População P'
8. P(t+1):=Selecione_sobreviventes P(t), P'
9. t:= t+1
10. Fim Enquanto
O Algoritmo Genético utilizado para redução de
dimensões para o problema proposto consiste em
minimizar o erro descrito por uma função de aptidão
que engloba o erro de classificação (em porcenta-
gem) e o número de cumulantes utilizados. A avalia-
ção de cada indivíduo é dada por:
Avaliação = Erro_de_classificação + 0,001*Número_cumulantes
(6)
sendo o valor numérico 0,001*Número_cumulantes
utilizado para reduzir o número de cumulantes sele-
cionados para o classificador.
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
1199
Figura 4 - Avaliação do Indivíduo.
Este valor é empregado para quando classifica-
dores obtiverem o mesmo erro de classificação, será
utilizado o que possuir menor número de cumulantes
selecionados com a finalidade de reduzir o custo
computacional. A Figura 4 ilustra o processo de
avaliação do indivíduo.
Os indivíduos são sequências binárias com 50
posições, sendo que cada posição indica o uso ou não
do cumulante respectivo. Após esta etapa, é feita a
classificação dos sinais e por último é feito o cálculo
da aptidão pela Eq. (6).
3.4 Classificação
Os sinais foram classificados utilizando Árvores
de Decisão (Breiman et al. 1984). A técnica utiliza a
estratégia de dividir e conquistar, obtendo como
resultado um subconjunto de atributos.
O modelo classifica as suas instâncias percor-
rendo a árvore a partir da raiz até alcançar o nó folha.
Cada nó é responsável em testar o valor de um único
atributo, oferecendo arestas diferentes a serem per-
corridas na árvore a partir deste nó (Breiman et al.
1984).
De acordo com (Cho et al. 2011), as Árvores de
Decisão possuem:
nós que representam suas características;
arcos ou ramos, advindos dos nós e que re-
cebem os valores possíveis para estes atribu-
tos;
nós folha, que representam os tipos diferen-
tes de classes de um conjunto de treinamen-
to.
A Árvore de Decisão foi treinada utilizando dife-
rentes cumulantes selecionados, classificando os
sinais em normais e estertores grossos, chegando a
sua decisão pela execução de uma sequência de tes-
tes.
4 Resultados
Os dados foram separados em 70% de dados de
treinamento e 30% de dados de validação. Os dados
de treinamento representam 30 padrões para esterto-
res grossos e 28 padrões para som normal, os dados
de validação representam 16 padrões para estertores
grossos e 12 padrões para som normal.
Com o objetivo de encontrar a melhor solução,
ou seja, minimizar a Eq. (6), foi observado como a
alteração dos parâmetros do AG influiu no resultado
obtido. Os tipos de seleção, cruzamento e mutação e
suas respectivas probabilidades foram escolhidos de
forma a alcançarem o melhor resultado. Utilizando
uma população com 100 indivíduos e realizando100
execuções foi obtida a seguinte configuração para o
AG:
Tipo de seleção = Estocástico Uniforme
Tipo de mutação = Uniforme
Tipo de cruzamento = Dois pontos de corte
Probabilidade de Cruzamento = 0,8
Probabilidade de Mutação = 0,25
Número de Gerações = 100
Após a execução de cada teste para determinar a
melhor configuração do AG foram calculados o erro
de classificação e o número de cumulantes utilizados.
Ao fim das 100 execuções da melhor configuração
obtida, o acerto de classificação médio encontrado
em dados de treinamento foi de 95,47% ± 1,7, o
número de cumulantes médio obtido foi de 2,13 ±
0,32. Em dados de validação o acerto foi de 91,77%
± 1,3.
Foram realizados dois testes sem o uso do AG.
Em ambos os testes foram realizadas 100 execuções.
O primeiro teste consistiu em utilizar o LDA selecio-
nando 50 cumulantes. Destes 50, os dois com melho-
res índices foram utilizados no processo de classifi-
cação. Nos resultados médios obtidos em dados de
treinamento, o acerto foi de 89,8% ± 1,2 e em dados
de validação o acerto foi de 86,4% ± 1,7.
O segundo teste consistiu em utilizar todos os
480 cumulantes sem utilizar o LDA. Nos resultados
médios obtidos em dados de treinamento, o acerto foi
de 94,2% ± 1,2 e em dados de validação o acerto foi
de 90,4% ± 1,5.
Ao analisar os resultados dos dois testes nota-se
que os valores obtidos estão relativamente próximos,
mas no segundo teste o custo computacional é bem
mais alto, pois são usados todos os cumulantes. Des-
ta forma observa-se o benefício da redução da di-
mensionalidade do LDA em conjunto com uso dos
Algoritmos Genéticos, pois os índices de acerto fo-
ram parecidos, porém, com uso de um número muito
inferior de cumulantes.
Assim, a Árvore de Decisão obtida por uma das
100 execuções dos AG’s é ilustrada na Figura 5. Os
dados de validação das duas classes, estertor grosso
com taxa de classificação de 93,84% e normal com
taxa de classificação de 91,75%, são ilustrados na
Figura 6, em que se apresentam os dois cumulantes
selecionados nesta mesma execução.
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
1200
Figura 5 – Árvore de decisão
A comparação dos resultados obtidos neste tra-
balho com os trabalhos dos pesquisadores citados na
subseção 2.1 torna-se uma tarefa difícil. Isto se deve
ao fato dos sons respiratórios utilizados serem classi-
ficados de formas diferentes. Em alguns dos traba-
lhos os sons são separados em classes diferentes,
(Bahoura et al. 2009); (Xiaoguang et al. 2008) ou em
maior número de classes (Quandt et al. 2012); (Kan-
daswamy et al. 2004).
Os resultados de acerto de classificação obtidos
por (Quandt et al. 2012) foram de 70% para esterto-
res grossos, 60% para estertores finos e 100% para
sons normais. Os resultados de acerto de classifica-
ção obtidos pelos autores (Bahoura et al. 2009),
(Xiaoguang et al. 2008) e (Kandaswamy et al. 2004)
foram, respectivamente, 94,2%, 91,5% e 94,56%.
O resultado de acerto de classificação de 91,77%
obtido nesse trabalho está muito próximo dos resul-
tados obtidos na literatura, mostrando assim a efici-
ência da técnica implementada no processo de classi-
ficação de sons pulmonares.
Figura 6 – Classificação dos dados de validação segundo cumulan-
tes selecionados pela Árvore de Decisão da Figura 5.
5 Conclusões
Os resultados obtidos mostram que a abordagem
proposta para reconhecimento de padrões em sons
pulmonares conseguiu classificar tipos de sons pul-
monares em sons normais e estertores grossos de
forma satisfatória alcançando índices superiores a
90% de acerto.
A função de aptidão proposta no trabalho obteve
sucesso, pois não só aumentou a porcentagem de
acerto de classificação como conseguiu encontrar
classificadores de tamanho reduzido e simples.
A configuração dos parâmetros do Algoritmo
Genético foi extremamente importante para os bons
resultados alcançados, pois uma má configuração
desses parâmetros poderia influenciar de forma nega-
tiva no resultado obtido e no tempo de execução.
Como trabalhos futuros, espera-se implementar
esta técnica de reconhecimento de padrões em sons
pulmonares em um dispositivo portátil e classificar
mais tipos de sons pulmonares adventícios.
Agradecimentos
Agradecimento à CAPES (Coordenação de Aperfei-
çoamento de Pessoal de Nível Superior) pela bolsa
de mestrado concedida e a pesquisadora Veronica
Isabela Quandt pelas amostras de sons pulmonares
fornecidas.
Referências Bibliográficas
Bahoura, M.. Pattern recognition methods ap-
plied to respiratory sounds classification into normal
and wheeze classes, Computers in Biology and Med-
icine, Volume 39, Issue 9, September 2009, Pages
824-843, ISSN 0010-4825.
Breiman, L., Friedman, J. H., Olshen, R. A.,
Stone, C. I.. Classification and regression trees. Bel-
mont, Calif.: Wadsworth, 1984.
Carvalho, V. O.. Souza, G. E. C.. O Estetoscópio
e os Sons Pulmonares: Uma Revisão da Literatura.
Rev Med (São Paulo). 2007 out.-dez; 86(4): 224-31.
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
1201
Cho, J. H., Kurup, P. U.. Decision tree approach
for classification and dimensionality reduction of
electronic nose data. Sensors and Actuators B:
Chemical, Volume 160, Issue 1, 15 December 2011,
Pages 542-548, ISSN 0925-4005.
Earis, J. E., Cheetham, B. M. G.. Current meth-
ods used for computerized respiratory sound analy-
sis, Eur Respir Rev, vol. 77, p. 586–590, 2000.
Garcia, E. A. C.. Biofísica, São Paulo: Editora
Sarvier, 2002.
Hashemi, A., Arabalibeik, H., Agin, K.. Classi-
fication of wheeze sounds using cepstral analysis and
neural networks. Stud Health Technol Inform. Medi-
cine Meets Virtual Reality 19. 2012;173:161-5.
Holland, J. H.. Adaptation in natural and artifi-
cial systems. The University of Michigan Press,
1975.
Kandaswamy, A., Kumar, C. S., Ramanathan, R.
P., Jayaraman, S., Malmurugan, N., (2004). Neural
classification of lung sounds using wavelet coeffi-
cients. Computer in Biology and Medicine, 34(6):
523-537.
Läennec, R. T. H.. De L´auscultation Médiate ou
Traité du Diagnostic des Maladies des Poumons et
du Coeur, Fondé Principalement sur Cenouveau
Moyen D´exploration. Brosson et Chaudé, Paris,
1819.
Lehrer, S.. Entendendo os sons pulmonares. 3ª
edição. São Paulo: Editora Roca Ltda., 2004.
Linden, R.. Algoritmos Genéticos: Uma Impor-
tante Ferramenta Da Inteligência Computacional. 2ª
edição. Rio de Janeiro: Editora Brasport, 2006.
Mendel, J. M. (1991). Tutorial on Higher-Order
Statistics (Spectra) In Signal Processing and System
Theory: Theoretical Results and Some Applications.
Proc. IEEE, Vol.79, pp. 278-305.
Mikami, R., Murao, M., Cugell, D. W., Chrétien,
J., Cole, P., Meier, J., Murphy, R. L. H., Hills, W.,
Loudon, R. G.. International symposium on lung
sounds. Synopsis of proceedings. Chest. 1987; 92(2):
342-5.
Quandt, V. I., Pacola, E. R., Arruda, L. V. R.,
Pichorim, S. F., Sovierzoski, M. A.. Reconhecimento
De Padrões Em Sons Pulmonares Utilizando Wave-
lets, LDA E k-NN. In: XXIII Congresso Brasileiro
de Engenharia Biomédica, 2012, Porto de Galinhas.
ANAIS - CBEB2012, 2012. v. 1. p. 1894-1898.
Ribeiro, M. V., Marques, C. A., Duque, C. A.,
Cerqueira, A. S., Pereira, J. L. R.. ‘Power quality
disturbances detection using HOS’. IEEE Power
Engineering Society General Meeting, 2006.
Serbes, G., Sakar, C. O., Kahya, Y. P., Aydin,
N.. Pulmonary crackle detection using time–
frequency and time–scale analysis, Digital Signal
Processing, Volume 23, Issue 3, Pages 1012-1021,
ISSN 1051-2004, 2013.
Sezgin, M. C., Dokur, Z., Ölmez, T., Korürek,
M.. Classification of Respiratory Sounds by Using an
Artificial Neural Network. In: IEEE - Engineering
in Medicine and Biology Society (EMBS) Inter-
national Conference (23rd,Turkey), 2001. Proceed-
ings. Instanbul, p.697-699.
Theodoridis, S., Koutroumbas, K.. Pattern
Recognition. USA: Academic Press, 4 edition, 2009.
Wu, W., Ahmad, M. O.. A Discriminant Model
for the Pattern Recognition of Linearly Independent
Samples. Circuits, Systems, and Signal Processing.
Journal Article. Pages 669-687. 2012.
Xiaoguang, L., Bahoura, M.. An integrated au-
tomated system for crackles extraction and classifica-
tion, Biomedical Signal Processing and Control,
Volume 3, Issue 3, July 2008, Pages 244-254, ISSN
1746-8094.
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
1202