Título: Classificação de Sons Pulmonares com Técnica de Few-Shot Learning
Autores: Rafael Avila dos Santos, Danielle Abreu Fortunato, Danton Diego Ferreira, Bruno H.G. Barbosa
Resumo: A pandemia em decorrência da COVID-19 evidenciou para a humanidade a gravidade que uma doença pulmonar pode ter e a consequência se a mesma não for diagnosticada e contida o mais rápido possível. Dessa maneira, o reconhecimento de doenças pulmonares, o tratamento e a contenção são alvos de estudo ha anos. Porém, as limitações de identificação manual utilizando os estetoscopios nos procedimentos de auscultas pulmonares acarreta na necessidade de outros exames, e consequentemente mais tempo para discernir a doença, e em casos graves onde isso não é imediato pode provocar a morte do paciente. Por esse motivo, este trabalho visa a elaboração de dois modelos de classificação de sons pulmonares utilizando o banco de dados ICBHI 2017 e as técnicas Random Forest e Rede Siamesa, comparando seus resultados e seus métodos. Utilizando o criterio de validação cruzada k-fold, tais modelos obtiveram acurácias médias de 84.84% e 85.74% nos melhores métodos, respectivamente, mostrando ser viavel a identificação de doenças a partir da análise de sinais de áudio de ausculta pulmonar
Palavras-chave: lung sounds, siamese network, empirical mode decomposition, feature extraction, few shot learning
Páginas: 6
Código DOI: 10.21528/CBIC2023-069
Artigo em pdf: CBIC_2023_paper069.pdf
Arquivo BibTeX: CBIC_2023_069.bib