陳春鳳 王憶勤 徐琎 顏建軍

（1.上海市徐匯區(qū)凌云街道社區(qū)衛(wèi)生服務(wù)中心，上海 200237；2.上海中醫(yī)藥大學(xué)基礎(chǔ)醫(yī)學(xué)院，上海 201203；3.華東理工大學(xué)機(jī)械與動力工程學(xué)院，上海 200237）

聲診是中醫(yī)聞診的重要組成部分。通過聽聲音來診察疾病，是中醫(yī)臨床診斷和辨證的重要手段之一?！峨y經(jīng)》曰：“聞而知之為之圣”，聞聲診病在臨床中具有重要地位。但因受到醫(yī)家個人診療經(jīng)驗(yàn)的不同，以及人的聽力易受心理、年齡、疲勞和外界環(huán)境等因素的影響，傳統(tǒng)聲診方法往往缺乏客觀標(biāo)準(zhǔn)，難以重復(fù)驗(yàn)證，這限制了聲診的繼承發(fā)揚(yáng)和臨床應(yīng)用。聲診的客觀化、標(biāo)準(zhǔn)化研究將會有利于聲診的傳承發(fā)展，發(fā)揮聲診的臨床應(yīng)用價(jià)值。本研究運(yùn)用中醫(yī)聲診客觀化采集和分析方法，以與發(fā)聲關(guān)系最為密切的肺系病證作為切入點(diǎn)，對肺系常見疾病及其不同中醫(yī)證型的語音信號進(jìn)行現(xiàn)代聲學(xué)參數(shù)分析，尋找肺系疾病語音的辨病和辨證特征。

1 資料與方法

1.1 一般資料

收集2010年1月至2020年1月上海市龍華醫(yī)院、上海市曙光醫(yī)院、上海市強(qiáng)生職工醫(yī)院、上海市徐匯區(qū)凌云街道社區(qū)衛(wèi)生服務(wù)中心呼吸科、腫瘤科、中醫(yī)科門診及住院的肺系疾病患者342例。按疾病類型可分為慢性支氣管炎（慢支）組、支氣管哮喘（哮喘）組、原發(fā)性支氣管癌（肺癌）組，符合《支氣管哮喘防治指南》[1]《全國慢性支氣管炎臨床診斷及療效判斷標(biāo)準(zhǔn)》[2]《中國常見惡性腫瘤診治規(guī)范》[3]及《中醫(yī)內(nèi)科學(xué)》[4]中相關(guān)診斷標(biāo)準(zhǔn)；按中醫(yī)證型可分為肺氣虛證、腎氣虛證、肺氣陰兩虛證、實(shí)證（包括痰濕蘊(yùn)肺證和痰熱郁肺證）組，符合《中醫(yī)臨床診療術(shù)語證候部分》[5]《中醫(yī)診斷學(xué)》[6]《中醫(yī)內(nèi)科學(xué)》[4]中的中醫(yī)證型診斷標(biāo)準(zhǔn)。見表1。疾病和證型診斷標(biāo)準(zhǔn)均由兩名副主任醫(yī)師以上職稱的中醫(yī)醫(yī)師判讀，取結(jié)果一致者。各組間樣本在性別、年齡等方面差異無統(tǒng)計(jì)學(xué)意義（P＞0.05）。正常對照組102名為上海中醫(yī)藥大學(xué)在校師生，全身各系統(tǒng)無器質(zhì)性病變。所有受試者均知情并自愿接受試驗(yàn)。排除：合并嚴(yán)重的心、肝、脾、腎、腦等臟器疾病及其他肺系嚴(yán)重疾病者，合并精神疾病者，有鼻部、咽喉部、頸部手術(shù)史者，臨床資料缺失嚴(yán)重者。

表1 研究對象的疾病類型和中醫(yī)證型分布

1.2 方法

運(yùn)用華東理工大學(xué)研發(fā)的“中醫(yī)聞診采集系統(tǒng)”采集聲音樣本。被采集者在獨(dú)立安靜的診室內(nèi)（外界噪聲＜30 dB），采取自然舒適坐姿，處于放松狀態(tài)，帶耳麥一體式電熔式話筒，口唇距耳麥話筒約10 cm，在采樣人員指導(dǎo)下由系統(tǒng)自動領(lǐng)讀被采集者朗讀元音[a:]，平穩(wěn)發(fā)音1～3 s。采樣頻率為16 kHz，量化位數(shù)16位（16 Bit），聲道為單聲道。聲音樣本以WAV文件形式保存。

1.3 觀察指標(biāo)

采集的聲音信號經(jīng)小波包分解后計(jì)算不同頻段的近似熵值。運(yùn)用小波包變換結(jié)合近似熵的非線性分析方法對樣本進(jìn)行處理分析，提取樣本各頻段的近似熵值。語音信號分類識別：將小波包分解提取的小波包能量和Shannon熵值特征進(jìn)行優(yōu)化選擇，分別運(yùn)用支持向量機(jī)（support vector machine，SVM）和BP（back propagation）神經(jīng)網(wǎng)絡(luò)對樣本進(jìn)行分類識別。

1.4 統(tǒng)計(jì)學(xué)處理

運(yùn)用SPSS軟件Mann-Whitey U檢驗(yàn)，對提取的參數(shù)作總體狀況和分布狀況的統(tǒng)計(jì)分析，P≤0.05表示差異有統(tǒng)計(jì)學(xué)意義，P≤0.01表示差異有顯著性統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 肺系三病不同中醫(yī)證型的語音分析結(jié)果

肺氣虛、腎氣虛、肺氣陰兩虛、實(shí)證和正常對照五組樣本比較，有較多頻段的小波包能量和Shannon熵值差異具有統(tǒng)計(jì)學(xué)意義（P＜0.05）。小波包分解7層254個頻段中，小波包能量差異項(xiàng)共97項(xiàng)，Shannon熵值差異項(xiàng)共17項(xiàng)。以小波包第四層上五組樣本的小波包能量和Shannon熵值特征的比較為例，結(jié)果如下：

（1）五組樣本的小波包能量特征有較多頻段的差異有統(tǒng)計(jì)學(xué)意義（P＜0.05）。差異頻段項(xiàng)集中在5 500～7 500 Hz（見表2、表3）。差異頻段區(qū)各組小波包能量的比較顯示：實(shí)證組＞腎氣虛組＞肺氣陰兩虛組＞肺氣虛組＞正常組（見圖1）。

表2 肺系三病不同中醫(yī)證型的小波包能量比較（±s，×10-4）

表2 肺系三病不同中醫(yī)證型的小波包能量比較（±s，×10-4）

注：僅列出差異有統(tǒng)計(jì)學(xué)意義的小波包能量項(xiàng)，P＜0.05。

頻段/Hz 肺氣虛組 腎氣虛組 肺氣陰兩虛組 實(shí)證組 正常對照組5 500～6 000 2.50±2.93 3.16±4.224 3.00±5.07 3.43±4.98 1.84±2.90 6 000～6 500 2.23±2.86 2.84±4.22 2.65±5.22 2.96±4.80 1.64±2.90 6 500～7 000 1.60±2.32 2.19±3.74 2.22±4.74 2.33±4.18 1.41±2.90 7 000～7 500 0.80±1.87 1.25±3.30 1.15±3.77 1.49±3.89 0.65±2.90

表3 肺系三病不同中醫(yī)證型的小波包Shannon熵值比較（±s）

表3 肺系三病不同中醫(yī)證型的小波包Shannon熵值比較（±s）

注：僅列出差異有統(tǒng)計(jì)學(xué)意義的小波包Shannon熵值項(xiàng)，P＜0.05。

頻段/Hz 肺氣虛組 腎氣虛組 肺氣陰兩虛組 實(shí)證組 正常對照組0～500 2.40±5.08 2.65±6.01 2.85±6.94 1.97±4.29 1.61±2.04 500～1 000 2.75±7.95 2.70±6.40 3.40±8.09 2.05±5.03 2.42±5.54 2 500～3 000 8.66×10-2±4.71×10-1 6.12×10-2±1.64×10-1 1.21×10-1±3.34×10-1 6.53×10-2±2.43×10-1 1.70×10-3±7.98×10-3 4 000～4 500 5.40×10-5±1.89×10-4 4.57×10-5±1.01×10-4 1.62×10-4±6.10×10-4 3.48×10-5±8.32×10-5 3.19×10-6±1.05×10-5 4 500～5 000 7.84×10-4±4.04×10-3 6.64×10-4±1.58×10-3 1.75×10-3±6.09×10-3 5.57×10-4±1.89×10-3 2.21×10-5±9.63×10-5

圖1 差異頻段處肺系三病不同中醫(yī)證型的小波包能量分布（P＜0.05）

（2）五組樣本的小波包Shannon熵值特征比較，有較多頻段差異有統(tǒng)計(jì)學(xué)意義（P＜0.05）。差異頻段區(qū)，肺氣陰兩虛組的小波包Shannon熵值最高，正常對照組最低。肺氣陰兩虛組的總熵值最高，其次為肺氣虛組、腎氣虛組、實(shí)證組，正常對照組最低。見圖2。

圖2 肺系三病不同中醫(yī)證型的總熵值

2.2 分類識別結(jié)果

采用小波包分解提取的小波包能量和Shannon熵值兩種特征，對7層254個頻段上提取的所有特征進(jìn)行優(yōu)化選擇，分別運(yùn)用SVM和BP神經(jīng)網(wǎng)絡(luò)對肺系不同病證樣本進(jìn)行分類識別，并比較兩者的分類識別效果，結(jié)果如下：

2.2.1 肺系三病的語音分類識別結(jié)果

運(yùn)用SVM對肺癌、慢支、哮喘和正常對照四組樣本進(jìn)行分類識別的總準(zhǔn)確率為76.29%，肺癌、慢支、哮喘、正常對照的判別準(zhǔn)確率分別為79.49%、73.95%、66.67%和90.20%。運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對肺癌、慢支、哮喘和正常對照四組樣本進(jìn)行分類識別的總準(zhǔn)確率為61.17%，肺癌、慢支、哮喘和正常對照的判別準(zhǔn)確率分別為：52.56%、54.62%、64.58%和70.59%。SVM的分類效果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。

2.2.2 肺系三病不同中醫(yī)證型的語音分類識別結(jié)果

運(yùn)用SVM對肺氣虛、腎氣虛、肺氣陰兩虛、實(shí)證和正常對照五組樣本進(jìn)行分類識別的總準(zhǔn)確率為83.67%，肺氣虛、腎氣虛、肺氣陰兩虛、實(shí)證和正常對照組的判別準(zhǔn)確率分別為84.48%、80.56%、79.17%、80.82%和90.20%。運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對肺氣虛、腎氣虛、肺氣陰兩虛、實(shí)證和正常對照五組樣本進(jìn)行分類識別的總準(zhǔn)確率為71.95%，肺氣虛、腎氣虛、肺氣陰兩虛、實(shí)證和正常對照組的判別準(zhǔn)確率分別為：75.00%、56.94%、66.67%、67.12%和70.59%。SVM的分類效果明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。

3 討論

聲診理論歷史悠久，在長期臨床實(shí)踐中發(fā)揮著獨(dú)特而重要的應(yīng)用價(jià)值。隨著科學(xué)技術(shù)的不斷發(fā)展，運(yùn)用現(xiàn)代聲學(xué)儀器和方法對臨床常見疾病和證型的聲學(xué)參數(shù)進(jìn)行研究和探討，對語音進(jìn)行定性、定量分析，為研究聲診的客觀方法和標(biāo)準(zhǔn)提供了可能。聲診客觀化研究起步較晚，但經(jīng)過研究者們不斷地探索，在聲音的客觀采集、描記方法與儀器以及聲音信號特征提取和分類識別的研究方面都取得一些進(jìn)展。一方面，基于聲學(xué)、空氣動力學(xué)、頻譜分析、聲圖儀等理論和方法，研制開發(fā)的聲音傳感器和聲音采集分析系統(tǒng)和儀器，例如數(shù)字式通用語音頻譜儀、二十五音分析儀、寬頻帶聲音傳感器等已開始相繼見于一些文獻(xiàn)報(bào)道[7-8]，能較為客觀地采集和描記聲音信號的波形；另一方面，運(yùn)用各種信號處理和分析技術(shù)對聲音信號進(jìn)行分析，如頻域分析法、時域分析法、小波分析法等，提取得到更多聲音的定量參數(shù)[9-12]，并運(yùn)用統(tǒng)計(jì)學(xué)、人工神經(jīng)網(wǎng)絡(luò)、SVM等方法進(jìn)行聲音信號的分類識別研究。這些技術(shù)和方法為中醫(yī)借鑒和運(yùn)用現(xiàn)代聲學(xué)技術(shù)方法進(jìn)行聲診的客觀化研究提供了基礎(chǔ)。

辨病和辨證是中醫(yī)學(xué)從不同角度對疾病本質(zhì)進(jìn)行認(rèn)識的方法，是中醫(yī)診療理論體系的兩個重要部分。本研究對肺系三種疾?。?、哮喘、肺癌）的四種常見證型（肺氣虛、腎氣虛、肺氣陰兩虛、實(shí)證）和正常人語音信號進(jìn)行客觀檢測與分析，結(jié)果顯示小波包能量和Shannon熵值特征的差異項(xiàng)分別有97項(xiàng)和17項(xiàng)。小波包能量的差異項(xiàng)集中在5 500～7 500Hz頻段區(qū)。運(yùn)用小波包分解方法提取的小波包能量和Shannon熵值兩個特征可以初步區(qū)分肺系四種常見證型患者之間的語音差異，以及肺系不同病證患者和正常人之間的語音差異。這一結(jié)果初步證明了小波包能量和Shannon熵值等現(xiàn)代聲學(xué)參數(shù)在中醫(yī)診斷辨證中可以提供一定的輔助作用。

模式識別是20世紀(jì)60年代初在計(jì)算機(jī)科學(xué)、人工智能等學(xué)科基礎(chǔ)上迅速發(fā)展而來的一門新學(xué)科，近年來被引入到聲診研究中。在模式識別過程中，特征的提取與選擇、分類器的設(shè)計(jì)都是非常關(guān)鍵的兩個方面。在聲診信號的特征提取方面，有時域分析、頻域分析、小波包分析等多種方法，其中小波包分析是一種時頻結(jié)合的分析方法，在時域和頻域都能較好的表征信號局部信息，具有多分辨率的特性。對分析和處理語音信號等非平穩(wěn)隨機(jī)信號非常適合。在分類器方面，BP神經(jīng)網(wǎng)絡(luò)是基于對人腦組織結(jié)構(gòu)、活動機(jī)制的初步認(rèn)識提出的一種新型信息處理體系，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。SVM[13]是一種非常有潛力的分類識別技術(shù)，它是建立在VC維和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理之上的基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法。SVM可以根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折中，具有很好的泛化能力，在解決小樣本、非線性以及高維模式識別問題中有很大優(yōu)勢。本研究運(yùn)用小波包分解提取了小波包能量和Shannon熵值特征，分別運(yùn)用SVM和BP神經(jīng)網(wǎng)絡(luò)，進(jìn)行肺系不同疾病和證型的聲診分類識別，結(jié)果發(fā)現(xiàn)SVM對肺系病證的分類識別準(zhǔn)確率分別為76.29%和83.67%，而BP神經(jīng)網(wǎng)絡(luò)對肺系病證的分類識別準(zhǔn)確率分別為61.17%和71.95%?？梢娫趯Ψ蜗挡∽C的聲診分類識別中，SVM和BP神經(jīng)網(wǎng)絡(luò)均有較好的識別率，SVM的分類識別效果更優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。同時初步證明了以小波包能量和Shannon熵值特征為代表的小波包特征參數(shù)在肺系病證的分類識別具中有一定的貢獻(xiàn)，為中醫(yī)聲診信號的特征提取和分類識別提供一種有效的新方法和思路。