Т.М. Магрупов1, Р.Р. Axмaджанов2, З.М. Рахимберганова3

1,3 Ташкентский государственный технический университет им. Ислама Каримова (г. Ташкент, Республика Узбекистан)
2 НЦ «Медицинская техника и технология» (г. Ташкент, Республика Узбекистан)
1 talatmt@rambler.ru, 2 akhmadjonovr.98@gmail.com, 3 raximberganovaz@gmail.com

Постановка проблемы. Заболевания легких вызывают различные проблемы для здоровья человека, их ранняя диагностика и лечение очень важны в сохранении трудоспособности человека во всех странах мира. Выявление типа заболеваний легких по звуковым сигналам стало основополагающим при определении диагноза пациента.

Цель. Разработать алгоритм обработки и анализа звуков легких на основе методов глубокого обучения сверточных нейронных сетей для повышения точности диагностики респираторных заболеваний.

Результаты. Предложена методика обработки и анализа звуков легочных заболеваний для глубокого обучения нейронных сетей. Для оптимизации обработки данных звуков использованы методы извлечения Мел-частотных кепстральных коэффициентов, добавление шума, растяжение по времени и смещение высоты тона звуков, которые обеспечивают создание модели глубокого обучения.

Практическая значимость. Предложенная методика обработки и анализа легочных звуков с помощью моделей глубокого обучения обеспечивает возможности получения медицинскими работниками достоверных результатов в диагностике респираторных заболеваний с более высокой точностью, способствуя раннему вмешательству и лечению пациента.

Магрупов Т.М., Axмaджанов Р.Р., Рахимберганова З.М. Методика обработки и анализа данных звуков легочных заболеваний на основе глубокого обучения нейронных сетей // Биомедицинская радиоэлектроника. 2025. T. 28. № 5. С. 115−119. DOI: https://doi.org/10.18127/j156 04136-202505-23

1. Arnold J.E., Figueroa W.Q. Enhancing Lung Sound Auscultation with Smart Stethoscopes. Journal of Clinical Engineering. 2021. V. 47.№ 3. P. 14–148.
2. Levitan R., Stephen J. The Importance of Lung Sound Analysis in Medical Diagnosis. Journal of Pulmonary Medicine. 2020. V. 23. № 5. P. 34–357.
3. Singh P., Kumar A. Challenges in Respiratory Sound Data Collection for Disease Classification. Respiratory Medicine and Research. 2021. V. 42. № 2. P. 103–110.
4. Magrupov T.M., Talatov Y.T., Magrupova М.Т. Method and algorithms for measuring the signs of biomedical indicators of medical diagnostics. 2021 Int. Conf. on Information Science and Communications Technologies (ICISCT). Tashkent. Uzbekistan. 2021. P. 214–219.
5. Абдумаликова Ф., Гиясова М., Усманов Х. Особенности течения сердечно-сосудистых заболеваний при Covid-19 // Вестник Ташкентской медицинской академии. 2021. С. 82 – 84.
6. Магрупов Т.М., Нуриллаева Н.М., Хидоятова М.Р., Абдумаликова Ф.Б., Зубайдуллаева М.Т. Методы анализа и обработки биомедицинских сигналов при заболеваниях легких // Вестник молодых ученых. 2024. № 24. С. 71–79.
7. Магрупов Т.М., Нуриллаева Н.М., Ахмаджонов Р.Р., Зубайдуллаев Ш.Ш., Гаибназаров С.С., Семенова Е.А. Алгоритмическая и программная реализация технологии классификации биомедицинских изображений легочных (biomedical engineering) Медицинская техника. 2025. №2. С. 18–21.
8. Lee K.S. Neural Networks for Automated Respiratory Sound Analysis. Biomedical Signal Processing and Control. 2019. V. 51. P. 79–85.
9. López-Cuenca P., Vargas V.S., Rueda L. Deep Learning Techniques for Automated Classification of Respiratory Patterns. IEEE Transactions on Biomedical Engineering. 2019. V. 66. № 8. P. 2313–2321.