Öksürük sesinin analizi ve sınıflandırılması

Bu çalışmanın temel amacı, öksürük seslerinin analiz edilerek, kuru ve ıslak öksürük türleri ile öksürük seslerini nefes, ses ve horlama gibi öksürük dışı seslerden ayırt eden bir sınıflandırma sistemi geliştirmektir. Çalışmada, öksürük seslerinin zaman ve frekans alanlarında özellikleri çıkarılarak, bunların sınıflandırma performansına etkileri değerlendirilmiştir. Zaman alanında Otoregresif (AR) katsayıları, frekans alanında ise Mel-Frekans Kepstral Katsayıları (MFCC) ve enerji dağılımını temsil eden yüzde frekans değerleri (25., 50., 75., 90.) kullanılmıştır. Öznitelik uzayının boyutunu azaltmak ve sınıflandırma performansını artırmak amacıyla Doğrusal Diskriminant Analizi (LDA) yöntemi uygulanmıştır. LDA ile elde edilen optimize edilmiş düşük boyutlu öznitelik uzayında, Makine Öğrenmesi yöntemlerinden Destek Vektör Makineleri (SVM), Rastgele Orman (Random Forest), k-En Yakın Komşuluk (k-NN) ve Karar Ağacı (Decision Tree) algoritmaları test edilmiştir. Çalışmada, Cambridge Üniversitesi tarafından oluşturulan ve COVID-19 ses veri tabanından alınan öksürük, nefes ve konuşma sesleri kullanılmıştır. Ayrıca Google'ın Audio Set veri tabanından horlama sesleri temin edilmiştir. Sınıflandırıcıların performansı, Leave-One-Out Cross Validation (LOOCV) yöntemi kullanılarak ölçülmüş; doğruluk, duyarlılık, özgüllük ve F1 skorları ile değerlendirilmiştir. Elde edilen sonuçlar, öksürük seslerinin analizinde MFCC, AR katsayıları ve enerji yüzdelik frekanslarının önemini ortaya koymaktadır. Bu tez çalışmasının sonuçları ile öksürük sesi analiz edilerek solunum yolu hastalıklarının teşhisi için geliştirilen non-invaziv ve mobil sistemlere katkı sunması hedeflenmektedir.