CC BY
104
УДК 004.855.5, 004.853 Дата подачи статьи: 27.12.15
Б01: 10.15827/0236-235Х. 113.186-192
ИНТЕРПРЕТАТОР ДЫХАТЕЛЬНЫХ ШУМОВ С АДАПТАЦИЕЙ К СРЕДСТВАМ РЕГИСТРАЦИИ СИГНАЛОВ
Д.М. Ханеев, аспирант, t_ran@mail.ru (Тверской государственный технический университет, наб. Аф. Никитина, 22, г. Тверь, 1 70026, Россия)
Рассматривается задача построения программ-интерпретаторов дыхательных шумов с индивидуальной настройкой на параметры устройства для регистрации сигналов. Показано, что из-за различий технических характеристик электронных стетоскопов при использовании нейросетевых технологий для классификации дыхательных шумов необходима перенастройка шкал для оценки признаков объектов обучающей выборки.
Приведено описание архитектуры и особенностей ПО системы для анализа записей дыхательных шумов; выделена подсистема настройки на модель регистратора шумов, обеспечивающая генерацию индивидуального набора правил классификации для каждой модели стетоскопа. Правила формируются с помощью генерации нейроподобных иерархических структур, каждая из которых обобщает представления о нескольких классах дыхательных шумов, зарегистрированных стетоскопами одной модели. Описания классов создаются с помощью нечетких признаков. Генерация шкал для их оценки осуществляется автоматически.
Рассмотрены результаты работы системы с тремя различными видами устройств регистрации дыхательных шумов (3М ЬШтапп 4100, авторское устройство и устройство КоРА-03М1), характеристики которых существенно различаются.
Анализ результатов работы программы выявил существенные различия в параметрах классификаторов нейропо-добных иерархических структур, сформированных для разных средств регистрации шумов. Однако варианты сгенерированных правил показали близкие по точности (88-93 %) результаты работы интерпретаторов дыхательных шумов для каждой модели электронного стетоскопа.
Ключевые слова: нейроподобная иерархическая структура, растущие пирамидальные сети, дыхательные шумы, аускультация, электронный стетоскоп, программа классификации, нечеткие признаки.
Традиционно автоматизированная интерпретация результатов исследования органов дыхания опирается на методы, определяющие структурные изменения в объекте (рентгенографию, томографию). Они позволяют обоснованно формулировать диагностическое заключение, но являются затратными (томография) и требуют повышенных мер безопасности при эксплуатации аппаратуры (рентгенология).
Учитывая, что заболевания органов дыхания могут развиваться довольно быстро и носят инфекционный характер, особое значение приобретают инструментальные средства для проведения массовых обследований. Очевидно, что улучшение их технических характеристик будет способствовать повышению точности постановки диагноза на ранних стадиях заболеваний.
Наиболее распространенными среди скринин-говых методик являются методики аускультации. В последние годы в этой области наблюдается значительный прогресс, обусловленный появлением электронных стетоскопов. Эти устройства не только позволяют повысить точность оценки акустических признаков, но и обеспечивают регистрацию дыхательных шумов (ДШ), что способствует переходу к методикам доказательной медицины. Электронные стетоскопы дают возможность применять компьютерные технологии и для решения задач, связанных с автоматическим анализом слабых акустических сигналов, регистрируемых на корпусе человека.
Программные средства, применяемые в электронных стетоскопах
На данный момент устройства регистрации звуков дыхания технически достаточно совершенны. Среди наиболее значимых серийных линеек электронных стетоскопов можно выделить 3M Littmann, Cardionics e-scope, Contec cms-ve, Adc ad-scope, Welch Allyn elite, Think Labs [1-5]. Они обладают близкими функциональными характеристиками: имеют интерфейсы для передачи данных на другой регистратор или на устройство обработки (ПК, планшет и т.д.) и память для сохранения нескольких записей.
Главные различия моделей связаны с характеристиками первичных преобразователей акустического сигнала в электрический. Звуковые сенсоры (датчики), применяемые в стетоскопах различных производителей, могут быть разных типов (микрофонного, конденсаторного, пьезо-электрического), что приводит к значительным отличиям в их частотных характеристиках [6].
Практически все представленные на рынке электронные стетоскопы поставляются с собственным ПО, которое определяет функции обработки и интерпретации зарегистрированных акустических сигналов.
1. Программа 3M Littmann StetshAsist поставляется в комплекте с цифровыми стетоскопами Littmann. Основное ее назначение - визуализация результатов исследований, захват и сохранение
звуковых записей со стетоскопа, преобразование их в различные аудиоформаты (wav, mpeg layer 3). Программа выполняет расчет и визуализацию спектрограмм легочных и сердечных шумов, обеспечивает возможность сохранения результатов в специальном формате, включающем, помимо самих звуковых записей, метаинформацию об условиях проведения исследования, локализации точек регистрации и т.п.
2. Программа 3M Littmann Scope-to-Scope Tele-Auscultation Software ориентирована на задачи телемедицины, позволяет передавать от стетоскопа цифровой зашифрованный сигнал через сети передачи данных к другому стетоскопу либо к компьютеру.
3. Программа Welch Allyn Elite Analyzer по своему функционалу аналогична 3M Littmann StetshAsist. Ее отличительная особенность - возможность отображения комбинации фонокардио-граммы с синхронизированным сигналом электрокардиографа.
4. Программа Think Labs Phonocardiography Software основана на свободно распространяемом ПО Audacity. Программное средство обладает наиболее богатым набором возможностей среди прочего рассмотренного ПО и обеспечивает следующее: запись и воспроизведение звуков, импорт звуковых записей из различных форматов; визуализацию записей в виде спектрограммы или амплитудных изменений звука, возможность усиления отдельных участков записей, контроль скорости воспроизведения звука, возможность применения различных фильтров; возможность группировки записей пациентов; возможность добавления мета-информации с данными о заболевании к звуковым файлам и анализа частотного состава записей при помощи быстрого преобразования Фурье.
5. Программа Viscope Visual Stethoscope Software является автономной и не связана с каким-либо производителем стетоскопов. Ее основные возможности - масштабирование графика амплитудных изменений звука, отображение записей нескольких пациентов для визуального сравнения и оценки длительности отдельных участков записей.
Проведенный анализ технических и программных характеристик современных электронных стетоскопов показывает, что эти устройства позволяют с высокой точностью регистрировать, усиливать, оцифровывать, фильтровать и записывать результаты аускультативных исследований органов дыхания человека. Однако интерпретация результатов исследования, как и в случае с обычными стетоскопами, во многом зависит от врача, его опыта и ряда других субъективных факторов.
ПО электронных стетоскопов не включает функционал автоматической классификации регистрируемых звуков, следовательно, не может осуществлять автоматическую генерацию расширенной интерпретации результатов анализа ДТТТ
Предпосылки к автоматической интерпретации записей ДШ
Проведенный анализ особенностей ПО регистраторов звуков дыхания выявил необходимость создания специализированного ПО, которое будет интегрироваться с ПО электронных стетоскопов и обеспечит применение современных методов анализа и классификации слабых акустических сигналов.
Значимые результаты по исследованиям автоматической классификации ДТ можно найти в работах [7-11]. Большинство из них акцентируют внимание на способах выделения разделительных классификационных признаков, а также на методиках регистрации звуков дыхания. Непосредственно сама процедура классификации, как правило, отодвигается на второй план, зачастую исследователи ограничиваются применением классических алгоритмов.
Построение классифицирующих систем входит в перечень задач, решаемых совокупностью методов автоматического анализа, за которыми закреплено собирательное название Data mining, в отечественных источниках также применяется название «Интеллектуальный анализ данных», ИАД [12]. Одной из главных особенностей этого направления является большая зависимость результатов классификаций от качества обучающих выборок, то есть от набора данных, на основе анализа которого формируются решающие правила, деревья вывода и другие результирующие формы.
Особенности выборок ДТ исследованы в работах [8-10, 13]. Анализ результатов показывает существенную зависимость данных от некоторых характеристик стетоскопов. Очевидно, при построении автоматического интерпретатора записей ДТ необходимо учитывать такие технические характеристики регистраторов сигналов, как амплитудно-частотную характеристику, частоту дискретизации, уровень квантования сигнала, регистрируемого стетоскопом.
Различия в этих признаках приводят к существенным вариациям сигналов, зарегистрированных при одной и той же патологии, что создает большие сложности для формирования обучающих выборок и построения универсального классификатора ДШ. Выявленное техническое противоречие можно преодолеть с помощью специальных средств адаптации программы интерпретатора к модели электронного стетоскопа.
Архитектура системы автоматической
интерпретации записей ДШ с адаптацией к средствам регистрации сигналов
Рассмотрим архитектуру программной системы, решающей задачи анализа акустических шумов с адаптацией правил интерпретации к сред-
ствам регистрации сигналов. Система предназначена для расширения функциональных возможностей программ, поставляемых в комплекте с электронными стетоскопами. В ее структуре можно выделить четыре обязательных компонента:
- модуль сопряжения;
- подсистема подготовки моделей объектов классификации;
- подсистема настройки (адаптации) к модели регистратора сигналов;
- классификатор сигналов.
Один из вариантов такой системы, интегрирующей аппаратно-программный комплекс электронного стетоскопа Littmann 4100 (1) и средства интерпретатора (2), показан на рисунке 1.
Электронный стетоскоп (Littmann 4100)
ПО регистрации результатов исследования (Littmann StethAssist)
f
9
Аудиофайлы
Модуль сопряжения Загрузка сырых данных
!
Подсистема подготовки данных
Фильтрация
Модуль функциональных преобразований
Выделение дыхательных циклов Выделение СПМ Понижение размерности
Ядро классификатора
Хранилище описаний объектов
Подсистема настройки на стетоскоп
Редактор ЛП
Модуль фаззификации 2 Ï
Модуль автоматической генерации продукционных правил
Модуль логического вывода
Модуль представления результатов
Рис. 1. Структура системы анализа записей ДШ Fig. 1. The structure of the system for analysis of the respiratory noise records
Модуль сопряжения выполняет роль интерфейса, обеспечивая загрузку файлов с записями ДШ, созданных с помощью электронного стетоскопа. Учитывая, что программы этих устройств обеспечивают регистрацию результатов исследования не только в собственном формате, но и в форматах, доступных для воспроизведения стандартными средствами (форматы и^у, тр3, 1x1), набор конверторов получается довольно ограниченный.
Подсистема подготовки моделей объектов классификации предназначена для формирования различных описаний ДШ в пространстве дискретных признаков. Она решает задачи первичной обработки данных: фильтрации, нормализации, расчета спектральной плотности мощности (СПМ) и аттрактора, а также формирование на основе аттрактора вектора вторичных признаков.
Подсистема настройки (адаптации) к модели регистратора сигналов позволяет производить адаптацию интерпретатора под конкретные модели стетоскопов.
Ее основное назначение - генерация продукционных правил, которые используются базовым ядром интерпретатора для решения задачи классификации образца ДШ, поступившего от электронного стетоскопа. Все правила имеют унифицированную структуру, в качестве консеквента в ней используется наименование класса, который может совпадать с видом патологии, а для формирования антецедента используется модель класса спектров ДШ. Особенность этих моделей заключается в использовании нечетких переменных для представления спектров ДШ. Экспериментально доказано, что под каждую модель стетоскопа необходима генерация собственных вариантов классов спектров ДШ [13-15]. Для решения этих задач в состав подсистемы настройки включены редакторы лингвистических переменных (ЛП) и функций принадлежности (ФП) (рис. 2), модуль фаззификации и модуль автоматической генерации продукционных правил.
Рис. 2. Редактор ЛП Fig. 2. Linguistic variables editor
Учитывая, что разные модели стетоскопов могут обеспечивать разные уровни громкости записей ДШ, количество лингвистических переменных, необходимых для фаззификации ДШ, а также границы нечетких множеств для каждого терма могут редактироваться с учетом размаха выборки моделей ДШ, построенных с использованием СПМ. Переход от рассчитанного спектра мощности ДШ к модели, представленной совокупностью нечетких признаков, описывающих ординаты СПМ, осуществляется с помощью модуля фаззификации 1.
В состав этой подсистемы включен также специальный редактор функциональных преобразований, с помощью которого можно создавать модели ДШ на основе линейных и нелинейных преобразований, включающих построение аттракторов, вычисление длительности дыхательных циклов и т.п.
Основным компонентом подсистемы настройки является модуль автоматической генерации продукционных правил. Его назначение - генерация нейроподобной иерархической структуры (НИС), задающей обобщенные представления обо всех объектах анализируемой обучающей выборки. НИС отражает характерные закономерности классов, представленных в выборке (рис. 3). С помощью каждой модели стетоскопа создается своя обучающая выборка ДШ и генерируется отдельный вариант НИС, которая затем конвертируется в соответствующий набор классификационных правил.
S - к • w ¡« u -»<г*. • j | i fr- I
Ъа.
и»
1-е. ^
С""- 5— 3— с
«•««« с""-""' p^z ö'j
IT"-'" О0"-'*" vT"'" tT"~ ff1
—»' erj~ ff"'-'" 'trz 0'
ö""" ömJ~ б""-"* -■ б"--- i^'—er^'g^-"
Рис. 3. Визуализация структуры НИС Fig. S. Visualization oof neuron-like hierarchical structures
Классификатор сигналов (ядро интерпретатора) составляют модули, инвариантные к виду стетоскопов: редактор обучающей выборки, модуль фаззификации 2, модуль логического вывода и модуль представления результатов.
С помощью редактора обучающей выборки можно просматривать и редактировать загруженную выборку объектов - моделей ДШ.
Модуль фаззификации 2 по своему предназначению аналогичен модулю фаззификации 1. Модуль нечеткого логического вывода решает задачу классификации с помощью построенных продукционных правил и вычисляет значение функции соответствия объекта описанию класса.
Модуль представления результатов отображает информацию о функционировании интерпретатора: статистику по результатам классификации наборов данных, детализированные результаты системы нечеткого логического вывода, структуру построенной НИС, структуру сгенерированных продукционных правил. Информация отображается в табличном, текстовом либо графическом виде.
Методика настройки интерпретатора на модель стетоскопа
Настройка программы интерпретатора на модель стетоскопа заключается в формировании правил классификации на основе обучающей выборки, созданной с помощью указанного регистратора. Учитывая, что средства генерации правил инвариантны к модели стетоскопа, основные этапы методики связаны с формированием обучающей выборки (рис. 4).
Данные аускультативного исследования могут быть получены различными способами, поэтому в программе предусмотрена возможность указания параметров источника данных и способа их получения. Для этого (этап 1) указывается тип специ-
Рис. 4. Методика настройки интерпретатора ДШ
Fig. 4. Technique of adjustment of the respiratory noise interpreter
фичного модуля-приемника входных данных (wav, mp3, txt).
Для описания ДШ можно использовать различные системы признаков. Средства подготовки данных (этап 2.1) предусматривают расчет частотных признаков (спектров мощности, автокорреляционной функции, кепстральных коэффициентов), временных признаков (длительность фаз дыхательного цикла).
Для полученных таким образом групп признаков определяются тип признаков (однородные/неоднородные) и наличие взаимосвязи (коррелированные/некоррелированные) (этап 2.2).
Если признаки являются однородными и взаимосвязанными, допускается выполнение процедуры укрупнения признаков, что позволяет сократить размерность описания объектов, а также может привести к улучшению качества классификации [16].
После представления исходных признаков в наиболее подходящем для анализа виде следует преобразовать их к нечеткому представлению. При этом преобразование к нечеткому виду должно быть задано исходя от решаемой задачи и определяться структурой ЛП признака (этап 3).
После выполнения всех перечисленных этапов следует запустить процедуру построения ядра НИС с последующим выделением продукционных правил (этап 4).
Эксперт, анализируя полученные на предыдущем этапе продукционные правила, может (этап 5) корректировать структуры ЛП признаков для увеличения точности классификации (этап 5.1).
После выполнения всех этапов настройки возможны загрузка рабочих выборок объектов, расчет и визуализация результатов их интерпретации (этап 6).
Результаты испытаний системы автоматической интерпретации записей ДШ с адаптацией к средствам регистрации сигналов
Испытания системы были произведены с использованием трех разных устройств регистрации ДШ: 3M Littmann 4100, авторского устройства [17] и устройства цифровой электронной аускультации КоРА-03М1 [18].
Регистрация ДШ осуществлялась в трех точках корпуса пациента. В качестве испытуемых выступали как здоровые люди, так и пациенты с патологиями органов дыхания. С помощью субъективной классификации экспертом (врачом высокой квалификации с хорошим состоянием органов слуха) из всех зарегистрированных записей сформированы два множества образцов ДШ (норма, патология).
Электронные стетоскопы, участвовавшие в испытаниях, имеют существенные различия в своих характеристиках. С помощью устройства 3M
Littmann 4100 регистрировались образцы шума с частотным диапазоном 0-4 кГц, при частоте дискретизации 8 кГц и разрешении 16 бит. Записи аворского устройства имеют частотный диапазон 0-5кГц, частоту дискретизации 11025 Гц, разрешение 16 бит. Коллекция записей ДШ, сделанная с помощью устройства КоРА-03М1, иллюстрирует легочные шумы в частотном диапазоне 0-3 кГц при частоте дискретизации 4 кГц и разрешении 16 бит.
Состав обучающей выборки (ОВ) и тестовой выборки (ТВ) приведен в таблице 1.
Таблица 1
Характеристика выборок
Table 1
Characteristics of the samples
Классы объектов Норма Патология
Littmann 4100
ОВ (32) 17 15
ТВ (30) 17 13
Авторское устройство
ОВ (148) 121 27
ТВ (32) 25 7
КоРА-03М1
ОВ(50) 25 25
ТВ(37) 18 19
Классификация записей проводилась по ОВ и ТВ, которые не пересекались. Анализ результатов работы программы выявил существенные различия в структурах НИС-классификаторов [15, 19], сформированных для разных средств регистрации шумов (табл. 2). Однако варианты сгенерированных правил показали близкие по точности результаты работы интерпретаторов ДТ для каждой модели электронного стетоскопа (табл. 3).
Таблица 2
Характеристики НИС-классификаторов
Table 2
Characteristics of the NIS-classiflers
Количество Модель устройства для регистрации ДШ
Littmann 4100 Авторское устройство ^РА-03М1
признаков в модели ДШ 190 186 152
контрольных вершин norm:5 pathology:9 norm:10 pathology:3 norm:6 pathology:10
ассоциативных элемен- 889 5252 1289
тов
связей 2839 15192 3911
признаков, включенных 33 132 49
в правила
Таблица 3
Результаты работы интерпретаторов ДШ
Table 3
Results of the respiratory noises interpreters
Характеристика Littmann 4100 Авторское устройство ^РА-03М1
ОВ ТВ ОВ ТВ ОВ ТВ
Число неправильно распознанных объектов 2 2 1 4 5 4
Успешность классификации, % 93,7 93,2 99,3 87,5 90,0 89
В заключение отметим, что предложенная методика и программные средства позволяют существенно расширить возможности ПО, поставляемого в комплекте с электронными стетоскопами. Дальнейшее развитие этого направления исследований позволит перейти к классификации ДТ по видам патологий и будет способствовать повышению качества аускультативного исследования органов дыхания.
Литература
1. Cardionics. URL: http://www.cardionics.com (дата обращения: 16.09.2015).
2. Contec. URL: http://www.contecmed.com (дата обращения: 16.09.2015).
3. ADC. URL: http://www.adctoday.com/products/657 (дата обращения: 16.09.2015).
4. Littmann. URL: http://www.littmann.com (дата обращения: 16.09.2015).
5. Welchallyn. URL: http://www.welchallyn.com/en/ products.html (дата обращения: 16.09.2015).
6. Kraman S.S., Wodicka G.R., Pressler G.A., Pasterkamp H. Comparison of lung sound transducers using a bioacoustic transducer testing system. Journ. of Applied Physiology, 2006, vol. 101, no. 2, pp. 469-476; DOI: 10.1152/japplphysiol.00273.2006.
7. Кулаков Ю.В., Молдованова Л.М., Коренбаум В.И. Возможности билатеральной бронхофонографии в диагностике патологического очага в легком // Тихоокеанский медицинский журнал. 2005. № 1. С. 37-40.
8. Вовк И.В., Семенов В.Ю. Автоматическое обнаружение и распознавание сухих хрипов на основе анализа их автокорреляционной функции // Акустический вестник. 2005. Т. 8. № 3. С. 17 - 23.
9. Гринченко В.Т., Крижановский В.В., Крижанов-ский В.В. (мл.). Компьютерная система для экспресс-анализа и классификации звуков дыхания // Внедрения и разработки. 2003. № 1-2. С. 30-31.
10. Pasterkamp H., Kraman S. and Wodicka G. Respiratory Sounds Advances Beyond the Stethoscope. Indiana Purdue Univ. Publ., 1997, vol. 156, no. 3, pp. 974-987.
11. Gnitecki J. and Moussavi Z. The fractality of lung sounds: a comparison of three waveform fractal dimension algorithms. Journ. of Chaos, Solitons and Fractals, 2005, vol. 26 (4), pp. 1065-1072.
12. Дюк В.А., Флегонтов А.В., Фомина И.К. Применение технологий интеллектуального анализа данных в естественнонаучных, технических и гуманитарных областях // Изв. РГПУ им. А.И. Герцена. 2011. № 138. С. 77-84.
13. Аль-Нажжар Н.К. Модели, алгоритмы и технические средства исследования и автоматического анализа дыхательных шумов: автореф. ... к.т.н. СПб, 2007. 18 с.
14. Ханеев Д.М., Филатова Н.Н. Пирамидальная сеть для классификации объектов, представленных нечеткими признаками // Изв. ЮФУ. Технические науки. 2012. № 9 (134). С. 45-49.
15. Филатова Н.Н., Ханеев Д.М. Интерпретатор сигналов на основе нейроподобной иерархической структуры // Программные продукты и системы. 2014. № 1. С. 92-97.
16. Филатова Н.Н., Ханеев Д.М., Сидоров К.В. Алгоритм классификации графиков с последовательным укрупнением признаков // Программные продукты и системы. 2014. N° 3. С. 78-86.
17. Филатова Н.Н., Аль-Нажжар Н. Устройство регистрации и анализ дыхательных шумов: пат. 66174 Рос. Федера-
ция: № 2007113453/22; заявл. 10.04.2010; опубл. 10.09.2010. Бюл. № 25. 2 с.
18. Макаренкова А.А. Акустические характеристики звуков дыхания, методы их регистрации и обработки: дисс. ... к.ф.-м.н. Киев: Изд-во Ин-та гидромеханики, 2008. 149 с.
19. Филатова Н.Н., Ханеев Д.М. Автоматическое построение понятий о классах дыхательных шумов: свид. на прогр. для ЭВМ № 2012616472; заявл. № 2012614096; опубл. 18.07.2012. Бюл. № 81 (4). 1 с.
DOI: 10.15827/0236-235X. 113.186-192 Received 27.12.15
A RESPIRATORY SOUNDS INTERPRETER ADAPTATED TO SIGNAL RECORDING DEVICES KhaneevD.M., Postgraduate Student, t_ran@mail.ru (Tver State Technical University, Quay Nikitin 22, Tver, 170026, Russian Federation)
Abstract. The article considers the problem of constructing respiratory sounds interpreter programs that are customized for signal recording device parameters. When using neural network technologies for respiratory sounds classification, technical characteristics of electronic stethoscopes are different. Thus, the paper shows that it is necessary to readjust scales for assessing learning sample objects' features. The paper describes the architecture and features of the software to analyze respiratory sounds records; it highlightes the subsystem for adjusting to a noises recorder, which allows generating an individual set of classification rules for each stethoscope model. These rules are generated by neural-like hierarchical structures; each of them synthesizes concepts of several respiratory sounds classes recorded by the stethoscopes of one model. The class descriptions are created using fuzzy features. The generation of scales for their evaluation is automated. The paper considers the results of system operation with 3 different types of respiratory sounds registration devices (3M Littmann 4100, an original device Pat. 66174 and KoRA-03M1 device) that have different characteristics.
The analysis of the results revealed significant differences in the parameters of the classifiers of neuron-like hierarchical structures formed for different respiratory sounds recording devices. However, the generated rules showed similar results (88-93 % accuracy) of respiratory sounds interpreters for each electronic stethoscope model.
Keywords: neural-like hierarchical structure, growing pyramidal networks, respiratory sounds, auscultation, electronic stethoscope, classification program, fuzzy features.
References
1. Cardionics. Available at: http://www.cardionics.com (accessed September 16, 2015).
2. Contec. Available at: http://www.contecmed.com (accessed September 16, 2015).
3. ADC. Available at: http://www.adctoday.com/products/657 (accessed September 16, 2015).
4. Littmann. Available at: http://www.littmann.com (accessed September 16, 2015).
5. Welchallyn. Available at: http://www.welchallyn.com/en/products.html (accessed September 16, 2015).
6. Kraman S.S., Wodicka G.R., Pressler G.A., Pasterkamp H. Comparison of lung sound transducers using a bioacoustic transducer testing system. Journ. of Applied Physiology. 2006, vol. 101, no. 2, pp. 469-476.
7. Kulakov Yu.V., Moldovanova L.M., Korenbaum V.I. Potential of bilateral bronchophonography in diagnostics of pathologic focus in lung. Tikhookeansky meditsinsky zhurnal [Pacific Medical Journal]. 2005, no. 1, pp. 37-40 (in Russ.).
8. Vovk I.V., Semenov V.Yu. Dry rale automated detection and recognition based on their autocorrelation function analysis. Akustichesky vestnik [Acoustic Bulletin]. Kiev, 2005, vol. 8, no. 3, pp. 17-23 (in Russ.).
9. Grinchenko V.T., Krizhanovsky V.V., Krizhanovsky V.V. (Jr.). A computer system for respiratory sounds express-analysis and classification. Vnedreniya i razrabotki [Implementation and Inventions]. Kiev, 2003, no. 1-2, pp. 30-31 (in Russ.).
10. Pasterkamp H., Kraman S., Wodicka G. Respiratory Sounds Advances Beyond the Stethoscope. Indiana Purdue Univ. Publ., 1997, vol. 156, no. 3, pp. 974-987.
11. Gnitecki J., Moussavi Z. The fractality of lung sounds: a comparison of three waveform fractal dimension algorithms. Journ. of Chaos, Solitons and Fractals. 2005, vol. 26 (4), pp. 1065-1072
12. Dyuk V.A., Flegontov A.V., Fomina I.K. Data intelligent analysis technologies in technical sciences, humanities and sciences. Izvestiya Rossiyskogo gos. pedagogicheskogo universiteta im. A.I. Gertsena [Izvestia: Herzen University Journal of Humanities & Science]. 2011, no. 138, pp. 77-84 (in Russ.).
13. Al-Nazhzhar N.K. Modeli, algoritmy i tekhnicheskie sredstva issledovaniya i avtomaticheskogo analiza dykhatelnykh shumov [Models, Algorithms and Equipment for Respiratory Sounds Research and Automatic Analysis]. PhD author's summary. St. Petersburg. 2007, 18 p. (in Russ.).
14. Makarenkova A.A. Akusticheskie kharakteristiki zvukov dykhaniya, metody ikh registratsii i obrabotki [Respiratory Sounds Acoustic Features, their Recording and Processing]. PhD Thesis. Kiev, 2008, 149 p.
15. Filatova N.N., Khaneev D.M. Avtomaticheskoepostroenieponyaty o klassakh dykhatelnykh shumov [Computer-Aided Development of Respiratory Sounds Terms]. Software State Registration Certificate no. 2012616472 (in Russ.).
16. Khaneev D.M., Filatova N.N. The pyramidal network for classification of objects, presented by fuzzy features. Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences]. Taganrog, 2012, no. 9 (134), pp. 45-49 (in Russ.).
17. Filatova N.N., Khaneev D.M. Signals interpreter based on neural-like hierarchical structure. Programmnye produkty i sistemy [Software & Systems]. 2014, no. 1, pp. 92-97 (in Russ.).
18. Filatova N.N., Khaneev D.M., Sidorov K.V. Diagrams classification algorithm with consequent enlarging of features. Programmnye produkty i sistemy [Software & Systems]. 2014, no. 3, pp. 78-86 (in Russ.).
19. Filatova N.N., Al-Nazhzhar N. Ustroystvo registratsii i analiz dykhatelnykh shumov [A Recorder and Respiratory Sounds Analysis]. Patent 66174 RF, no. 2007113453/22, 2010 (in Russ.).
