Sürdürülebilir Kalkınma Amaçları

• 1

• Yüksek Lisans TeziAçık Erişim2026/r/gumushane/21854
  Solunum sesi sınıflandırması için klasik ve derin öğrenme modellerinin karşılaştırılması

  Eren Aygün

  Bu 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.

  İncele
• MakaleAçık Erişim2025/r/gumushane/19560
  Comparison of Classical and Deep Learning Models for Respiratory Sound Classification

  Türe, Hayati; Aygün, Eren

  This study aims to automatically classify normal and pathological respiratory sounds using a deep learning-based approach developed on the ICBHI 2017 respiratory sound dataset. MFCCs, Mel spectrograms, and spectral features were extracted from segmented respiratory sound recordings. These features were then used to train classical machine learning algorithms (XGBoost, SVM, KNN, Random Forest) and deep learning models (GhostNet v1–v4, EfficientNet-B0, ResNet50, MobileNetV3). The impact of data augmentation techniques was also systematically examined. The results demonstrate that the GhostNet v4 model achieved the highest performance with 89% accuracy and an F1-score of 0.89. This accuracy outperforms many existing methods reported in the literature using the same dataset. Confusion matrix analyses further indicate that the model reliably distinguishes between normal and pathological classes. These findings highlight the effectiveness of deep learning-based models in the automatic analysis of respiratory sounds and suggest promising solutions for integration into clinical decision support systems.

  • 
  İncele