2026-10-23T17:48:33Zhttps://gumushane-rdlopen.rawdatalibrary.net/oai/request

oai:gumushane-rdlopen.rawdatalibrary.net:gumushane/218542026-10-22T11:46:03Zopenairedrivercom_gumushane_10000col_gumushane_10001

Solunum sesi sınıflandırması için klasik ve derin öğrenme modellerinin karşılaştırılmasıComparison of classical and deep learning models for respiratory sound classificationEren AygünDr. Öğr. Üyesi Hayati TüreBu çalışmada, solunum sesi sinyallerinin otomatik sınıflandırılması amacıyla ICBHI 2017 veri kümesi üzerinde klasik makine öğrenmesi ve modern derin öğrenme yaklaşımları karşılaştırılmıştır. Ön işleme adımlarının ardından Mel-spektrogram ve tayfsal öznitelikler çıkarılmış; bu öznitelikler klasik yöntemler (SVM, KNN, Random Forest, XGBoost) ile, Mel-spektrogramlar ise evrişim tabanlı mimariler (GhostNet ailesi, ResNet-50, EfficientNet-B0, MobileNetV3) ile değerlendirilmiştir. Değerlendirmede hasta-bağımsız (subject-wise) veri bölmesi kullanılmış; sınıf dengeleme amaçlı veri artırma yalnızca eğitim katlarına uygulanarak doğrulama/sınama sızıntısı engellenmiştir. Bulgular, GhostNetV4 mimarisinin %89.9 doğruluk ve makro-F1 = 0.898 ile diğer derin ve klasik yaklaşımları aştığını göstermektedir. Sonuçlar, hesaplama yükü görece düşük derin öğrenme modellerinin, solunum sesi analizi için klinik karar destek sistemlerine entegrasyonda güçlü adaylar olduğunu ortaya koymaktadır. Ayrıca çalışma, hasta-bağımsız protokol ve şeffaf veri artırma politikasıyla literatürdeki değerlendirme farklılıklarına karşı kıyaslanabilirlik sağlamaktadır.This study compares classical machine learning and modern deep learning approaches for the automatic classification of respiratory sound signals on the ICBHI 2017 dataset. After preprocessing, Mel-spectrograms and spectral features were extracted. Classical algorithms (SVM, KNN, Random Forest, XGBoost) were trained on handcrafted features, while convolutional architectures (the GhostNet family, ResNet-50, EfficientNet-B0, MobileNetV3) were trained on Mel-spectrograms. A patient-independent (subject-wise) split was adopted, and class-balancing data augmentation was applied only to the training folds to avoid validation/test leakage. The results show that GhostNetV4 achieved the best performance with 89.9% accuracy and macro-F1 = 0.898, outperforming both deep and classical baselines. These findings indicate that computationally efficient deep learning models are strong candidates for integration into clinical decision support systems for respiratory sound analysis. The study also contributes a transparent evaluation protocol that improves comparability across works by coupling a patient-independent split with a clearly defined augmentation policy.Gümüşhane University2026Master Thesishttps://rdlopen.rawdatalibrary.net/r/gumushane/21854trinfo:eu-repo/semantics/openAccessinfo:eu-repo/semantics/masterThesishttps://gumushane-rdlopen.rawdatalibrary.net/tr/items/gumushane/21854