易鵬飛等

摘 要： 為了分類識(shí)別不同部位的呼吸音，提出一種基于呼吸氣持續(xù)時(shí)間相對(duì)值參數(shù)，以及呼吸氣間歇時(shí)間相對(duì)值參數(shù)提取的呼吸音分析方法。該方法包括呼吸音預(yù)處理、包絡(luò)提取、基于FCM聚類算法的自適應(yīng)閾值線的選取、特征值提取為主的4個(gè)部分。對(duì)50例3種不同呼吸音進(jìn)行分類實(shí)驗(yàn)，分類準(zhǔn)確率為94%，從而驗(yàn)證了該方法的有效性。在此基礎(chǔ)上，對(duì)該方法在同一種呼吸音病理和健康研究方面做出了展望。

關(guān)鍵詞： 呼吸音； 呼吸音分類； Morlet小波； FCM聚類算法

中圖分類號(hào)： TN911?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2015）12?0016?04

呼吸音俗稱肺音，它能夠反映音源特征，并且能夠反映肺部組織、氣管及胸壁等傳播媒介的聲學(xué)特性，通過對(duì)呼吸音的檢測(cè)可以有效準(zhǔn)確地診斷呼吸系統(tǒng)疾病。對(duì)呼吸音信號(hào)的準(zhǔn)確分析以及分類，可對(duì)呼吸疾病診斷起到重要的輔助作用[1?2]。呼吸音信號(hào)主要分為氣管呼吸音、支氣管呼吸音、支氣管肺泡呼吸音、肺泡呼吸音不同生理部位所產(chǎn)生的呼吸音的時(shí)域波形以及不同變換后的波形都有差異，采用提取包絡(luò)能對(duì)不同生理部位的呼吸信號(hào)進(jìn)行描述，對(duì)其進(jìn)行分類。

1 數(shù)據(jù)采集

本文所用到的呼吸音數(shù)據(jù)采集采用美國BIOPAC公司生產(chǎn)的MP150型16導(dǎo)生理信號(hào)記錄氣管呼吸音、支氣管呼吸音、支氣管肺泡呼吸音、肺泡呼吸音4個(gè)部位的呼吸音數(shù)據(jù)。采樣頻率為20 kHz，呼吸音的周期為12～20次/min，采樣時(shí)間為30 s，為了保證采集數(shù)據(jù)的穩(wěn)定性，截取其中的第3～5周期中的一個(gè)周期數(shù)據(jù)保存，保存格式為.txt或者.mat。呼吸音采集系統(tǒng)如圖1所示。

2 方法的實(shí)現(xiàn)

2.1 預(yù)處理和包絡(luò)提取

在獲取呼吸音包絡(luò)前，原始呼吸音信號(hào)需要進(jìn)行預(yù)處理。首先，對(duì)采集的呼吸音信號(hào)進(jìn)行下采樣，采樣頻率從20 kHz下采樣到2 kHz；接著，用十階巴特沃斯濾波器進(jìn)行濾波保證呼吸音帶寬在100～1 000 Hz之間，再通過小波收縮閾值降噪法來有效去除呼吸音中的白噪聲；最后采用Morlet小波來提取呼吸音包絡(luò)。在包絡(luò)提取法中，用Morlet小波針對(duì)呼吸音包絡(luò)提取比Hilbert變換法提取的包絡(luò)信號(hào)更光滑，能有效地降低使用Hilbert變換法所帶來的不夠光滑，毛刺太多（隨機(jī)干擾成分）等問題，因此，本論文采用Morlet小波方法來提取包絡(luò)[3?4]。

2.3 呼吸信號(hào)的包絡(luò)

圖2為肺泡呼吸音，其音調(diào)相對(duì)較低，吸氣時(shí)音響較強(qiáng)，音調(diào)相對(duì)較高，時(shí)相較長(zhǎng)；呼氣時(shí)音響較弱，音調(diào)相對(duì)較低，時(shí)相較短[6]。圖3為胸膜摩擦音，其是隨著呼吸便可出現(xiàn)臟胸膜和壁胸膜間的摩擦聲，一般在吸氣末與呼氣開始時(shí)較為明顯。正常人胸膜表面光滑，胸膜腔內(nèi)只有微量液體存在，因此呼吸時(shí)胸膜臟層和壁層之間相互滑動(dòng)并無音響發(fā)生。胸膜摩擦音為病理呼吸音的一種[6]。如圖4所示，支氣管呼吸音是呼吸時(shí)氣流在聲門、氣管形成湍流所產(chǎn)生的聲音，吸氣時(shí)主動(dòng)運(yùn)動(dòng)，吸氣時(shí)聲門增寬，氣流通過快；呼氣是被動(dòng)運(yùn)動(dòng)，聲門變窄，氣流通過慢，因而呼氣時(shí)相比吸氣時(shí)相長(zhǎng)，音調(diào)較高，音響較強(qiáng)[6]。

圖5為支氣管呼吸音伴大濕啰音，其是由于通過呼吸道內(nèi)的分泌物如滲出液、血液、濃液等，形成的水泡破裂所產(chǎn)生的聲音，變化在吸氣早起，音調(diào)響亮[6]。

2.4 特征參數(shù)提取

呼吸音的特征參數(shù)，本文使用FCM聚類算法對(duì)呼吸音包絡(luò)信號(hào)進(jìn)行自適應(yīng)選取閾值線，圖6以一例肺泡呼吸音作為參考，然后提取呼吸音特征參數(shù)，呼氣相和吸氣相的持續(xù)時(shí)間（T1，T2），呼氣間隙時(shí)間和吸氣間歇時(shí)間（D1，D2），呼氣相和吸氣相的峰值（P1，P2），最后可以通過呼吸音參數(shù)的特點(diǎn)來判斷吸氣相和呼氣相。

2.4.1 FCM聚類算法

FCM聚類算法也稱模糊C均值聚類[7]，是由Bezkek于1981年提出的，它是目前廣泛采用的一種聚類算法。FCM把n個(gè)向量[Xi]（[i]=1，2，…，n）分為c個(gè)模糊組，并求出每個(gè)組的聚類中心，使其非相似性指標(biāo)的價(jià)值函數(shù)達(dá)到最小，并且它能給出每個(gè)樣本的隸屬度來確定隸屬于某個(gè)小組的程度。而FCM的模糊劃分，使數(shù)據(jù)以（0，1）間的隸屬度來確定其屬于各個(gè)組的程度，同時(shí)歸一化規(guī)定后，一個(gè)數(shù)據(jù)隸屬度總和為1，即：

[i=1cpij=1， ?j=1，2，…，n] （5）

FCM的目標(biāo)函數(shù)為：

[Km（P，c1，…，cc）=i=1cj=1n（pij）m（dij）2] （6）

式中：[pij]介于（0，1）間；[ci]為模糊組L的聚類中心；[dij=ci-Xj]為L(zhǎng)個(gè)聚類中心與第j個(gè)數(shù)據(jù)點(diǎn)間的歐幾里得距離；[m∈[1，∞）]為加權(quán)指數(shù)。構(gòu)建目標(biāo)函數(shù)式（7），可求得式（6）達(dá)到最小值的必要條件：

[J（U，c1，…cc，λ1，…，λn）=J（U，c1，…，cc）+j=1nλj（i=1cpij-1） =i=1cj=1n（pij）m（dij）2+j=1nλj（i=1cpij-1）] （7）

式中：[λj]，j=1，2，…，n是式（7）的n個(gè)約束式的拉格朗日乘子。對(duì)所有輸入?yún)?shù)求導(dǎo)，使式（6）達(dá)到最小的必要條件：

[ci=j=1n（pij）mxjj=1n（pij）m] （8）

[uij=1k=1c（dijdkj）2（m-1）] （9）

2.4.2 閾值線選取

閾值線的選定會(huì)確定幾組呼吸音周期的特征參數(shù)，采用FCM聚類算法可得到聚類中心參數(shù)[[C1（p）]，[C2（p）]]，[[C3（p）]，[C4（p）]]通過得到的參數(shù)分析閾值時(shí)得到的特征參數(shù)比較穩(wěn)定，圖7中當(dāng)閾值選取30%～40%時(shí)比較穩(wěn)定，在選取40%作為閾值線時(shí)，得到的參數(shù)值為0.918，1.035，2.352，3.388。

2.5 呼吸音區(qū)域定位

閾值線選取后根據(jù)呼吸規(guī)律，平靜呼吸時(shí)呼氣時(shí)間T1是要長(zhǎng)于吸氣時(shí)間T2，通過呼吸相和吸氣相（TI，T2）的對(duì)比判定，確定吸氣相和呼氣相，同時(shí)確定呼氣間歇時(shí)間D1和吸氣間歇時(shí)間D2，通過歸一化后得到的（T1，T2），（D1，D2）為1.035 s，0.918 s，2.352 s，3.388 s。

3 實(shí)驗(yàn)與驗(yàn)證

本文采用50例3種不同類的呼吸音進(jìn)行分析，以[T1T2，D1D2]作為區(qū)分呼吸音類型參數(shù)，如表1～表6所示。

圖8使用表4～表6所示的數(shù)據(jù)作為參數(shù)，可以清楚表明不同的呼吸音的特征值，使其有不同的分布區(qū)域，以達(dá)到識(shí)別分類的目的。在50例數(shù)據(jù)中共有47例數(shù)據(jù)得到準(zhǔn)確的分類識(shí)別。

4 結(jié) 語

本文從時(shí)域的角度研究了一種呼吸音分類識(shí)別的分析方法，目的是分類識(shí)別不同部位的呼吸音，以及為研究在同一部位病理呼吸音和正常呼吸音的識(shí)別研究做基礎(chǔ)。該方法基于臨床實(shí)驗(yàn)采集數(shù)據(jù)庫分析得出結(jié)論，對(duì)于實(shí)際應(yīng)用和普遍性還需根據(jù)情況對(duì)算法做進(jìn)一步的研究。

參考文獻(xiàn)

[1] SOVIJ?RVI A R A，MALMBER L P. Characteristics of breath sounds and adventitious respiratory sounds [J]. Eur Respir Rev， 2000， 10（77）： 591?596.

[2] KANDASWAMY A， KUMAR C S， RAMANATHAN R P， et al. Neural classification of lung sounds using wavelet coefficients [J]. Computers in Biology and Medicine， 2004， 34（6）： 523?537.

[3] 李圣君，劉毅.肺音特征提取的小波包變換方法[J].計(jì)算機(jī)科學(xué)，2005（z1）：162?164.

[4] 何嶺松，李巍華.用Morlet小波進(jìn)行包絡(luò)檢波分析[J].振動(dòng)工程學(xué)報(bào)，2002，15（1）：119?122.

[5] 孫延奎.小波分析及其應(yīng)用[M].北京：機(jī)械工業(yè)出版社，2005.

[6] 陳文彬，潘祥林.診斷學(xué)[M].北京：人民衛(wèi)生出版社，2008

[7] 孫曉霞，劉曉霞，謝倩茹.模糊C?均值（FCM）聚類算法的實(shí)現(xiàn)[J].計(jì)算機(jī)應(yīng)用與軟件，2008，25（3）：48?50.