Bowel Sounds Localisation
Description
Full text not available
Abstract
En lokalisering av tarmlyder på fire forskjellige deler av magen ble realisert. For å oppnå lokalisereringen, ble det konstruert en binær klassifikator ved hjelp av en støttevektormaskin og en enklere klassifikator basert på sammenligning av effekt i frekvensbåndene til tarmlydene. Den binære klassifisereren ble trent på tarmlyder hentet fra dyreforsøk. Etter å ble testet på dyredata, ble begge klassifikatorene testet på tarmlydfiler tatt opp fra mennesker. Kildens posisjon ble markert ved auditiv inspeksjon. Klassifiseringsresultatene er lovende med en presisjon på 82 % og en recall på 74 % for den binære klassifisereren, og en presisjon og tilbakekalling på 80 % for den enkle klassifisereren. På grunn av begrenset opplæring og vanskeligheten med å oppnå et pålitelig datasett, gir ikke den sofistikerte maskinlæringsmetoden noen klar fordel fra disse resultatene. En grundigere testing bør utføres for å få en bedre vurdering av ytelsen til begge klassifikatorene. A bowel sounds localisation on four different parts of the abdomen has been realised. In order to achieve it, a binary classifier using support vector machine and a more simple classifier based on the comparison of powers in the frequency bands of the bowel sounds were constructed. The binary classifier has been trained on bowel sounds obtained from animal experiments. After being tested on animal data, both classifiers were tested on bowel sound files recorded from humans. The position of the source was labeled by auditory inspection. The classification results are encouraging with a precision of 82 % and a recall of 74 % for the binary classifier, and a precision and recall of 80 % for the simple classifier. From these results, the more sophisticated machine learning approach doesn't provide a clear advantage because of limited training and the difficulty to obtain a reliable training data set. A more thorough testing should be performed to have a better assessment of the performance of both classifiers.