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

RESUMEN

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.

ABSTRACT

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.