張曉燕（浙江長征職業(yè)技術(shù)學(xué)院計信系，浙江杭州，310023）

?

基于BP神經(jīng)網(wǎng)絡(luò)的肺音識別與診斷研究

張曉燕
（浙江長征職業(yè)技術(shù)學(xué)院計信系，浙江杭州，310023）

摘要：通過大量研究表明肺音蘊(yùn)含豐富的肺器官生理病態(tài)信息，呼吸道空氣的吸入，呼出經(jīng)由支氣管管道，其因肺部及其呼吸道病變而產(chǎn)生通道狹窄，部分堵塞以及分泌物的堆積，在聽診過程中將在肺部噪音的振動頻率，聲波增幅以及幅升降梯度等進(jìn)行特征表現(xiàn)，通過對特征值的準(zhǔn)確判斷從而確定病因。本文將通過小波變換方法對三十份以上的同類型具有相同病理特征的肺音波形進(jìn)行多頻率的小波分解并根據(jù)各個頻率帶中不同的信號響應(yīng)，分散率等計算小波特征系數(shù)，然后通過BP人工神經(jīng)網(wǎng)絡(luò)將所得特征系數(shù)作為輸入值，優(yōu)化權(quán)重系數(shù)，最后進(jìn)行對為大、中、小濕羅音及哮鳴音等信號的檢測驗證，實(shí)現(xiàn)檢測精準(zhǔn)率達(dá)到90%以上。

關(guān)鍵詞：肺音；多頻率小波變換；神經(jīng)網(wǎng)絡(luò)

0 引言

近年來，霧霾天氣等環(huán)境因素所產(chǎn)生的呼吸道疾病頻發(fā)，對于肺部疾病診斷的快速性與準(zhǔn)確性的需求大幅度提升。Laennec在兩百年前已經(jīng)提出通過聽診判斷確定病理變化，并且成功判別正常人的肺音以及肺病患者的雜音。長期以來人們對肺部噪音及其病理原因做了大量的研究。當(dāng)然，病理特征的正確判斷將受聽診醫(yī)生主觀因素以及病患被動因素的影響而受到限制，患者的緊張焦躁，就診的不良環(huán)境以及醫(yī)生的經(jīng)驗不足大大提高誤診幾率，延誤治療的最佳時間。Gavriely和他的同事通過大量的比對及測量確定其頻率范圍為75Hz至2000Hz之間并且在100Hz到400Hz之間頻率呈指數(shù)下降。吸氣過程的最大頻率為左肺475±115 Hz，右肺446±143 Hz。呼氣中其頻率將有所降低。Kraman和他的同事發(fā)現(xiàn)在低頻帶低于200Hz時，肺部噪音將受到肌肉及心音干擾。在當(dāng)頻率低于50Hz區(qū)間時將無法判別肺部噪音。因此，通過對肺音的時頻分解及各個頻段的分析將給肺音病理的識別和判定提供可能性。劉國棟等人結(jié)合神經(jīng)網(wǎng)絡(luò)及小波分析方法，對呼吸音進(jìn)行了正常，輕度病變以及重度病變成功的進(jìn)行了識別。李圣君等人通過小波包變換提高肺音在高頻段的分辨率，提高肺音的非平穩(wěn)信號的檢測及分析的準(zhǔn)確度。本文將利用小波變換方法對肺音進(jìn)行多頻段的分解，依據(jù)肺病病理特性在各個頻段的特性表征對肺音（大濕羅音，中濕羅音，哮鳴音，水泡音等）進(jìn)行識別。

1 肺音識別過程

肺音信號的采集部分是采用靈敏度較高的加速度聲音傳感器及外圍模塊電路構(gòu)成的信號接收器，通過檢測肺部及其周圍器官中氣流振動實(shí)現(xiàn)肺音的采集，利用小波變換及降噪處理提取信號特征值，再通過BP神經(jīng)網(wǎng)絡(luò)對其進(jìn)行分類判別，實(shí)現(xiàn)數(shù)字化處理。肺音的識別中無法避免心音或者肌肉摩擦音對其造成干擾及病情的誤判。肺音的識別流程圖如圖1所示。

圖1 肺音識別流程圖

2 小波變換及分析

聽診呼吸音時，當(dāng)空氣通過含有分泌物的氣管，或通過因痙攣或腫脹而狹窄的支氣管時，在呼吸音的基礎(chǔ)上，又聽到一種附加的呼吸雜音即羅音。根據(jù)羅音的性質(zhì)，可將其分為干性羅音與濕性羅音兩大類。濕羅音即為水泡音。按照氣管的管徑大小及管內(nèi)滲出物的數(shù)量可分為大，中，小濕羅音。大濕羅音主要出現(xiàn)于氣管，主支氣管內(nèi)，振幅強(qiáng)烈且頻率較低，小濕羅音主要發(fā)生在小支氣管，出現(xiàn)于吸氣后期，振幅小并且頻率較高，中濕羅音即位于大，小羅音中間。哮鳴音相較于濕羅音振幅較高，持續(xù)時間長，頻率也較高，發(fā)生原因為呼吸時空氣通過支氣管收縮迫使空氣通過由于病變引起的狹窄呼吸道所產(chǎn)生的聲音。濕羅音及哮鳴音的波形如圖2所示。

原始肺音采集信號的取樣頻率為44100 Hz，大大高于肺音的主要頻帶范圍。對原始信號的直接分解降噪處理將加大信號分析的難度。通過matlab擴(kuò)大信號取樣率對原始信號進(jìn)行降頻處理。處理后的信號頻率為1000 Hz符合大部分肺音的頻帶范圍。使用小波分解功能對降頻后的信號進(jìn)行五級分解處理。第一級至五級分解后得到的細(xì)節(jié)信號系數(shù)為CD1，CD2，CD3，CD4，CD5以及五級低頻信號CA5。表1為分解后的各級頻帶范圍。接著對分解后的各級細(xì)節(jié)信號進(jìn)行門限濾波功能實(shí)現(xiàn)降噪功能。本文使用周期性擴(kuò)展的haar小波進(jìn)行五級濾波處理，門限值為20%。降噪后的信號比原始信號有著較好的濾波。水泡音降噪處理后波形如圖3所示。

圖2 濕羅音及哮鳴音波形圖

圖4 大小濕羅音的低高頻信號圖

圖5 哮鳴音及正常呼吸音的低高頻信號

圖3 水泡音降噪處理后波形

大、小濕羅音呼吸音經(jīng)過小波變換后的各頻段波形如圖4所示。研究得知，濕羅音和正常呼吸音在二級，三級上存在著頻率響應(yīng)，且大濕羅音的分散尺度比中、小濕羅音較大。正常呼吸音的波形較為集中，且振幅均勻。在小濕羅音中各級高頻帶中存在著振幅波動。

哮鳴音及正常呼吸音的頻率信號如圖5所示。由圖上可知，相較于正常呼吸音，哮鳴音在高頻帶（500-1000 Hz）及在低頻帶（0-31.3）中存在著頻率響應(yīng)，且高頻帶中波動分布較為均勻。

通過圖4，圖5中波形的比較可知，頻率響應(yīng)的波段位置Φ（i）、波形的波動率w（i）、波形均勻分布率u（i）作為特征值進(jìn)行肺音的識別，如式（2）表示：

波段的頻率響應(yīng)位置將通過閥值評判，當(dāng)增幅高于或低于給定閥值時（0.3）將激活函數(shù)為0或1階躍信號。波形的波動率表示運(yùn)動頻率，在肺音信號中可表示為波長信息，波長越段頻率越低，反之則越長。波形分布率描述信號在時頻信號中位置聚集信息。濕羅音較呼吸正常音在高頻波段中運(yùn)動頻率低且較分散，哮鳴音則表現(xiàn)為分散均勻，正常呼吸音波動較集中且頻率高。

3 BP人工神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)將由輸入層，隱藏層，輸出層組成。BP神經(jīng)網(wǎng)絡(luò)如圖6所示。輸入層為六個節(jié)點(diǎn)數(shù)由通過小波分解得到各級頻帶信息構(gòu)成，各級隱藏層中每個節(jié)點(diǎn)信息接收輸入層信息進(jìn)行計算并得到特征信息，通過對各種肺音病理的判斷訓(xùn)練學(xué)習(xí)權(quán)重信息。

圖6 四層BP神經(jīng)網(wǎng)絡(luò)圖

通過對濕羅音與哮喘音各三十份樣本進(jìn)行計算分析。其中二十份樣本作為訓(xùn)練集，剩余十份用于測試。該網(wǎng)絡(luò)由一個輸入層，一個輸出層以及兩個隱藏層構(gòu)成。其中pj為輸入值，一層隱藏層包括信號的三個特征值。fp，q與fp，q為一級和二級權(quán)重，gc為偏置。通過Sigmoid函數(shù)作為傳遞函數(shù)，決定并判別輸出信息。輸出層可由式（3）表示：Si=W（Δi·fp，q+gi） f1（i=1，2···5）式（3）

通過matlab的工具箱對已建立的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行學(xué)習(xí)訓(xùn)練，利用梯度下降法使得輸出數(shù)值逼近預(yù)期。經(jīng)過2826多次的訓(xùn)練，輸出誤差逐步減低于10-4，滿足要求。優(yōu)化所得權(quán)重信息及由此獲得的檢測正確率如表2所示。神經(jīng)網(wǎng)絡(luò)誤差曲線如圖7所示。

表2 各肺音的權(quán)重系數(shù)

4 結(jié)論

結(jié)合小波變換和人工神經(jīng)網(wǎng)絡(luò)對肺音進(jìn)行多級分解，繼而對其進(jìn)行病理識別得到較好的驗證，結(jié)果也滿足預(yù)期。

通過小波變換實(shí)現(xiàn)了對呼吸音在不同頻率帶，不同時間位置的分析，對呼吸過程中的突變信號進(jìn)行較好的分析，這既能確定波形響應(yīng)位置，振幅深度，又可通過小波變換的濾波功能對肺音進(jìn)行降噪處理。

通過人工神經(jīng)網(wǎng)絡(luò)對肺音進(jìn)行識別分類的優(yōu)點(diǎn)在于訓(xùn)練算法較為簡單，通過反向計算權(quán)重并以梯度下降法固定去延伸方向，分類效果較好，訓(xùn)練學(xué)習(xí)速度快，但對于樣本的要求較高，易陷入局部較小值的缺點(diǎn)。

表1 五級分解的各級頻帶范圍

圖7 神經(jīng)網(wǎng)絡(luò)誤差曲線

參考文獻(xiàn)

［1］周宇峰，程景全.小波變換及其應(yīng)用.物理·37卷（2008年）1期.

［2］Laennec， R. De l'auscultation mediate ou traite du diagnostic de maladies des poumons et du coer.， in Brosson et Chaude， Paris.1819

［3］ Gavriely， N.， Palti， Y.， & Alroy， G.Spectral characteristics of normal breath sounds， J.Appl.Physiol， vol. 50， no. 2， pp. 307-314.1981.

作者簡介

張曉燕.女.1983.2浙江長征職業(yè)技術(shù)學(xué)院計信系.講師 碩士.研究方向：電子與通信.

課題：浙江省教育廳2015年度高等學(xué)校國內(nèi)訪問學(xué)者專業(yè)發(fā)展項目 項目名稱：互聯(lián)網(wǎng)智能聽診器的設(shè)計與應(yīng)用 項目編號：無

Research of lung sound recognition and diagnosis based on BP neural network

Zhang Xiaoyan
（Zhejiang Changzheng Vocational and Technical College，Hangzhou，310023）

Abstract：Through a large number of studies have indicated that lung sound contains rich lung physiological and pathological information，inhalation of respiratory tract air exhaled through the bronchial tubes， the due to lung and respiratory disease and narrow channel， part of the blockage and accumulation of secretions and in auscultation process will be in lung noise vibration frequency，acoustic amplitude and amplitude fluctuation gradient of features，through the feature value of the accurate judgment to determine the cause. The through wavelet transform method for more than 30 copies of the same type has the same pathological features of lung sound waveform of multi frequency wavelet decomposition and according to the signal of each frequency band in different response，dispersion rate calculation of the wavelet coefficients， and then through the BP artificial neural network will be income characteristic coefficient as input values， optimal weighted coefficient，finally to for large，medium and small wet rale and wheezing sound sound signal testing and certification，to achieve accurate detection rate reached more than 90%.

Keywords：lung sound；multi frequency；wavelet transform；neural network