Detección Automática y Clasificación de Eventos en Sonidos Cardiopulmonares de Sujetos Saludables / Automatic Detection and Classification of Cardiopulmonary Events

Resumen: La auscultación de señales basada en un estetoscopio estándar y/o electrónico no solo incluye sonidos internos del cuerpo, también incluye frecuentemente ruido externo de interferencia con componentes en el mismo rango. Esta forma de examinar es incluso afectada por los umbrales auditivos variantes de los profesionales de la salud y el grado de experiencia en reconocimiento de indicadores peculiares. Además, los resultados son a menudo caracterizados en términos cualitativos descriptivos sujetos a interpretaciones individuales. Para direccionar esta preocupación, los estudios presentados en este artículo contienen un procesamiento concurrente de las componentes dominantes de sonidos del corazón (HS) y del pulmón (HS), y una etapa de acondicionamiento que incluye la reducción de HS presente en señales LS. Específicamente, la transformada de Hilbert fue una técnica de caracterización para HS. En el caso de señales enfocadas a LS, las técnicas de detección de actividad de voz y el cálculo de umbrales de algunos componentes de los vectores acústicos de Coeficientes Cepstrales en Frecuencia Mel (MFCC), fueron útiles en la caracterización de eventos acústicos asociados. Las fases de inspiración y expiración fueron diferenciadas por medio de la sexta componente de MFCC. Con el fin de evaluar la eficiencia de esta aproximación, proponemos los Modelos Ocultos de Markov con Modelos Mesclados Gaussianos (HMM-GMM). Los resultados utilizando esta forma de detección son superiores cuando se desarrolla la clasificación con modelos HMM-GMM, la cual refleja las ventajas de la forma de detección cuantificable y clasificación sobre la aproximación clínica tradicional.

Abstract: A standard and/or electronic stethoscope based auscultatory signals include not only the internal sounds of the body but also interfering external noise often with similar frequency components. This form of examination is also affected by varying thresholds of clinical practitioner's hearing and degree of experience in recognition of peculiar auscultatory indicators. Further, the results are often characterized in qualitative descriptive terms subject to individual's interpretation. To address these concerns, presented studies include concurrent processing of dominant heart (HS) and lung (LS) sounds components and a conditioning stage involving HS presence reduction within LS focused signals. Specifically as determined, the Hilbert transform was a technique of choice in HS characterization. In the case of LS focused signals, the speech activity detection techniques (VAD) and the thresholds calculation of some components of acoustic vectors of Cepstral Coefficients in Mel Frequency (MFCC), were useful in characterization of associated acoustic events. The phases of inspiration and expiration were differentiated by means of the sixth component of MFCC. In order to evaluate the efficiency of this approach, we propose Hidden Markov Models with Mixed Gaussian Models (HMM-GMM). The results utilizing this form of detection are superior when performing classification with HMM-GMM models, which reflect the advantages of presented form of quantifiable detection and classification over traditional clinical approach.

Determinación del Tamaño Óptimo de Modelos HMM-GMM para Clasificación de las Señales Bioacústicas / Determining optimal size of HMM-GMM models to classify bio-acoustic signal

Resumen Este artículo está relacionado con el análisis y la propuesta de una arquitectura HMM-GMM para clasificación de señales HS y LS, haciendo un énfasis en el tamaño del modelo. Actualmente, las enfermedades respiratorias y cardiovasculares son un problema a nivel mundial y con una alta mortandad, esto podría ser disminuido mediante un diagnóstico temprano y objetivo; las herramientas digitales y el empleo de reconocimiento de patrones ampliarían las perspectivas de aplicación. Particularmente, aquí se demuestra que los modelos HMM-GMM son eficientes para consultorios de atención primaria, así mismo los extractores de características tales como MFCC y Cuantiles mejoran la tarea de clasificación. Si bien la visualización con siluetas, dendrogramas y algoritmos tales como BIC no son concluyentes cuando se aplican GMM's, no obstante sí fue el punto de partida para dimensionar el tamaño del modelo, disminuyendo la cantidad de experimentos con distintos tamaños del mismo. Adicionalmente, se constata que la estructura de señales normales HS y LS cambian cuando hay patologías y permite la clasificación aplicando MFCC o Cuantiles. Además, se observa que con una gran cantidad de datos se podrían obtener modelos más robustos y adaptados, pero esto no es una limitante para el cálculo de los modelos.

Abstract This paper demonstrates the analysis and proposed HMM-GMM models architecture to classify heart and lung sounds (HS and LS) signals emphasizing the model size optimization. Respiratory and cardiovascular diseases continue to represent one of the major worldwide healthcare problems associated with a liigli mortality rate, wliicli can be reduced by an early and effective diagnosis; in this context, the use of digital tools utilizing signal pattern recognition allows efficient screening for abnormalities and their quantitative assessment. In particular, the HMM-GMM models demonstrated their efficiency in normal and traditionally noisy environments in light of very low intensities of these auscultation signals used as diagnostic indicators. Furthermore, applied MFCC and Quantiles feature extractors improve overall classification. While characterization with silhouettes, dendrograms and algorithms such as BIC was inconclusive when GMM was applied, however they were useful as a starting point in the determination of a size of the model as it allowed a reduction in the number of iterations considering different model size. In addition one can note that application of MFCC or Quantiles allowed differentiating the characteristics of normal HS and LS from those associated with pathological conditions. Furthermore, it was observed that a large amount of data leads to more robust and adapted models, but does not limit the calculation demand. Overall, this approach may enhance efficiency and precision of the diagnostic screening for abnormal auscultation indicators.

Modelos Acústicos HMM Multimodales para Sonidos Cardiacos y Pulmonares / Multimodal acoustic models HMM applied to heart and lung sounds

Este artículo muestra el proceso de clasificación de señales bioacústicas normales y anormales registradas sobre el tórax humano lo cual incluye los sonidos de corazón y del pulmón. La idea específica es diseñar un sistema de clasificación de señales basado en técnicas de modelado acústico empleando particularmente modelos HMM para detectar secuencias de eventos, y GMM para modelar cúmulos que corresponden a los datos de los eventos. Las modalidades para extraer las características de los datos son vectores MFCC y Octiles. Esta aproximación tiene el potencial de mejorar la clasificación de la precisión en indicadores de diagnóstico auscultatorios, esto es interesante ya que los modelos HMM han demostrado ser menos sensibles al ruido en estudios previos. Resultados preliminares demuestran una precisión del 95% en clasificación de las señales de sonido evaluadas. Esto es particularmente critico tomando en cuenta la interferencia ambiental en una variedad de consultorios médicos. Debido a que algunas frecuencias del sonido cardiaco son paralelas a los sonidos pulmonares, estas pueden ser modeladas a partir de un mismo registro. Resultados experimentales preliminares de esta aproximación demuestran que es factible el desarrollo de valoraciones de diagnóstico automatizado de pacientes mediante identificadores de diagnóstico auscultatorios en forma temprana usando tecnologías de bajo costo.

This paper demonstrates classification processes of normal and abnormal bioacoustics signals recorded over a human thorax which encompasses heart and lung sounds. The specific aim is to design a signal classification system based on acoustical modeling techniques employing particularly HMM models to detect events' sequences, and GMM to model clusters corresponding to the data events. The modalities for extracting data characteristic are the MFCC and Octile vectors. These approaches have a potential of enhancing the classification accuracy of these auscultatory diagnostic indicators as the initial studies demonstrated that the HMM based models are less sensitive to the noise. Preliminary results demonstrate over 95% accuracy in classification of the evaluated sound signals. This is particularly critical taking into account environmental interference in a variety of medical care settings. As the heart sounds frequency components parallel those of the lungs sounds, but with a different periodicity, they can be modeled with the same recording. The preliminary experimental results are supportive of this approach and demonstrate feasibility of a development of an automated early diagnostic assessment of patients' auscultatory diagnostic indicators utilizing low cost technologies.

GMM y LDA aplicado a la detección de enfermedades pulmonares / GMM and LDA Applied to Lung Diseases Detection

El propósito de este artículo es presentar metodologías que pueden ser usadas para la valoración cuantitativa de los sonidos del pulmón, así como los indicadores de desórdenes respiratorios. En este contexto, se realizaron experimentos utilizando señales normales y anormales de la respiración (LS), las cuales fueron modeladas y evaluadas utilizando principalmente la base de datos RALE y señales de sujetos saludables y no saludables, logrando hasta un 98% de eficiencia. En la práctica médica la evaluación de enfermedades respiratorias involucra a la auscultación, pero la aplicación de métodos de análisis cuantitativos de señales podría mejorar estas valoraciones. En particular, se sugiere una metodología de evaluación acústica basada en representaciones de vectores acústicos MFCC (Coeficientes Cepstrales en Frecuencia Mel), GMM (Modelos Mezclados Gaussianos) y LDA (Análisis Discriminante Lineal). Estas técnicas podrían asistir en un análisis más amplio, identificación y diagnóstico de desórdenes pulmonares manifestados por sonidos respiratorios peculiares tales como sibilancias, crepitancias y asma, y distinguiéndolos de los sonidos respiratorios normales.

This study presents experimentally tested methods, which can be used for a quantitative assessment of respiratory sounds as the indicators of pulmonary disorders. In particular, conducted experiments considered both normal and abnormal lung sounds (LS). As a part of the RALE Database, signals were recorded from healthy subjects and those with respiratory disorders. Current medical practices including evaluation of respiratory diseases often involve qualitative and frequently subjective auscultation. However, the application of quantitative signal analysis methods could improve the assessments of these diseases. In particular, we utilized acoustic evaluation methodologies based on the MFCC (Mel frequency Cepstral Coefficients) acoustic vectors representation, GMM (Gaussian Mixed Models), and LDA (Linear Discriminant Analysis). To assure the validity of determined class models representing diagnostic classification, the LS signals were cross validated within sequential sets of respiratory cycles for a given subject as well as cross correlated within the specific groups of subjects representing particular conditions of normal or given class of abnormal pulmonary functions. Higher order MFCC vectors, including 9, 10 and 11 Gaussian mixtures, resulted in improved classification of the LS attributes, reached up to 98% of efficiency recognition. This documented automated classification of LS makes it suitable for a more efficient mass screening of respiratory disorders. In particular, the presence of peculiar sounds such as crackles and wheezes lead to more robust models thus reflecting the useful applicability of the presented diagnostic tool. These techniques can assist in broader analysis, identification, and diagnosis of pulmonary disorders manifested by peculiar auscultatory findings.