呼吸音分类识别系统的设计与实现

发布时间：2020-07-20 08:34

【摘要】：呼吸系统是维持生物体正常运转和机体新陈代谢的重要系统,任何肺部疾病的发生必定会导致呼吸系统的异常,由于我国呼吸系统疾病死亡率日益增长,社会各界也逐渐开始重视呼吸音的发病信号,而对呼吸音信号的研究不仅可有效防治呼吸系统疾病,还可以促进临床医学、医学信号处理技术的发展以及相关医学仪器的研发,目前,对呼吸音信号分类识别的研究已经成为国内外关注的热点。本课题旨在设计出一种呼吸音分类识别系统对常见呼吸音进行有效分类识别。主要研究内容为利用Cool Edit Pro软件对临床医学标准听音训练所用的呼吸音信号进行初步处理,将每类呼吸音截取为若干个样本数据作为实验数据,提取实验数据的有效特征后,选用支持向量机(SVM)与BP神经网络作为呼吸音特征识别模型,在MATLAB软件平台上进行实验分类。首先对样本数据进行预处理与端点检测,以减少无效数据的处理时间,由于不同时间段不同类型呼吸音能量高低的差异性,所以采用提取的两种短时时域参数(即短时能量与短时过零率特征参数)作为特征参数,然后借鉴语音识别中常用的Mel倒谱系数(12维MFCC),由于非平稳呼吸音信号动态变化的特点,所以对静态MFCC进行优化并提取MFCC的动态参数(12维(35)MFCC),将短时时域参数法与MFCC静态、动态参数法提取的呼吸音特征参数相结合为组合特征参数。实验结果表明,提取的特征参数满足差异性、统一性与相关性要求,且组合特征参数的识别效果明显优于两类特征参数单独识别。由于呼吸音类型众多,单凭一种识别模型不能准确识别每类呼吸音信号,故本文引入两类识别模型,以归一化的特征参数作为样本数据分别输入BP神经网络与SVM模型训练识别,通过实验表明BP网络对不同类型呼吸音识别差异较大(对粗湿罗音、低调干Up音、湿罗音捻发音和中湿Up音识别率可达98%,而对支气管呼吸音伴大湿Up音识别率不足70%),而SVM对每类呼吸音特征识别率均很稳定,总体识别率可达97.857%,可构建稳定、准确的识别样本库。在上述理论方法和实验研究的基础上,采用MATLAB设计并实现了人机交互式的呼吸音分类识别系统,该系统已实现如下功能:调用初步处理后的呼吸音样本,提取样本数据的特征参数来构建样本库并输入识别模型进行训练,而后输入待识别呼吸音的特征参数进行快速分类识别,输出端显示识别结果供被测试者参考。
【学位授予单位】：郑州大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN912.34
【图文】：

听诊器,绪论,主观性,医师

医用听诊器图

医师,患儿,呼吸音,呼吸系统疾病

2图 1.2 医师听诊患儿图器只能由医师单独使用也不利于会诊病情，可能发队等就诊方式时效性差，使得对呼吸系统疾病的前预期的结果。经过多年研究发现呼吸音中蕴含着不，而这类低频信号包含了大量有用的信息，又因为平稳时变信号，由各频率成分叠加组成，不同呼吸，所以有必要对呼吸音信号进行量化[4]，随着国内外的研究与发展，通过研究呼吸音与呼吸系统疾病的

听诊器,智能,呼吸音

图 1.3 Clini Cloud 智能听诊器1.2 国内外研究现状1.2.1 呼吸音信号特征提取研究现状呼吸音研究初期，由于呼吸音采集技术与装置发展不成熟，最早由法国医生雷奈克在 1861 年发明的传统听诊器仍在沿用，但传统的听诊器不能实时捕捉

【参考文献】