基于咳嗽音的儿童肺炎院外诊断识别研究

发布时间：2021-05-21 05:43

　　肺炎每年造成全球140万左右的儿童死亡,其中有75%发生在非洲和亚洲的贫困偏远地区。及时准确的诊断并配合有效的治疗手段本可以阻止大量的肺炎致死病例发生,但这些地区缺乏专业的医疗设备和团队,难以及时得到准确的肺炎诊断结果。另外,每当流感高发季节,大城市中的儿童医院也常是人满为患的状态,而其中大部分患儿仅是普通上呼吸道感染,本可以先在家自行休养,无需即刻去医院诊治。于是本文借鉴语音识别技术,提出一种基于咳嗽音的肺炎识别方法,实现儿童肺炎的院外诊断。该方法的目的是将肺炎咳嗽音与其它病理性咳嗽音进行区分,识别流程与语音识别类似,先对咳嗽音信号进行预处理,再进行特征提取,最后将提取到的特征向量输入到已经训练好的分类模型中得到预测结果。本文所做的主要工作大致如下:1)对标准MFCC特征向量进行改进,MFCC提取过程中采用的滤波器组为Mel频率滤波器组,在频域上的分布表现为低频密集、高频稀疏,而肺炎咳嗽音和其它病理性咳嗽音在频域上的差异主要体现在中频段,因此MFCC未能有效地反映两类咳嗽音信号间的差异。于是重新调整Mel频率滤波器组的分布,修改为中频密集、低频和高频稀疏。实验结果表明,改进后的16阶... 

【文章来源】：中国计量大学浙江省

【文章页数】：76 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
1 绪论
    1.1 研究目的和意义
    1.2 国内外研究现状
        1.2.1 语音识别发展
        1.2.2 咳嗽音识别发展
    1.3 研究内容
    1.4 论文结构安排
2 咳嗽及咳嗽音机理分析
    2.1 咳嗽及咳嗽音的产生
        2.1.1 咳嗽的产生机理
        2.1.2 咳嗽的分类
        2.1.3 咳嗽音的产生
    2.2 肺炎的病理学特征
    2.3 咳嗽音的时域分析
        2.3.1 咳嗽音的构成
        2.3.2 肺炎咳嗽音时域特征
    2.4 咳嗽音的频域分析
        2.4.1 傅立叶变换和短时傅立叶变换
        2.4.2 肺炎咳嗽音的频域特性
    2.5 本章小结
3 咳嗽音的特征向量提取
    3.1 MFCC特征量
        3.1.1 Mel频率
        3.1.2 MFCC参数的提取
        3.1.3 MFCC差分系数
    3.2 改进MFCC
    3.3 小波分析
        3.3.1 小波分析概述
        3.3.2 小波变换及其基本性质
        3.3.3 小波变换的多分辨分析
        3.3.4 小波包信号分解
    3.4 基于小波包分解的特征提取
        3.4.1 咳嗽音的小波包能量分解
        3.4.2 基于方差分析的特征选择
        3.4.3 小波能量的倒谱处理
    3.5 本章总结
4 肺炎咳嗽及病人的自动分类
    4.1 支持向量机
        4.1.1 支持向量机概述
        4.1.2 最优分类超平面
        4.1.3 线性情况
        4.1.4 非线性情况与核函数
    4.2 单个咳嗽音的肺炎识别实验
        4.2.1 实验数据来源
        4.2.2 SVM核函数的选择
        4.2.3 SVM参数值的选取
        4.2.4 特征向量的选取
    4.3 病人的肺炎识别实验
        4.3.1 ROC曲线的绘制及分析
        4.3.2 最佳PCIth值的确定
    4.4 本章小结
5 肺炎识别软件的设计与实现
    5.1 软件总体设计
        5.1.1 设计目标
        5.1.2 整体设计方案
        5.1.3 界面展示及使用流程
    5.2 主要功能模块设计
        5.2.1 音频录制和播放模块
        5.2.2 绘制波形图模块
        5.2.3 特征提取模块
        5.2.4 SVM预测模块
    5.3 两个关键技术的解决
        5.3.1 多线程处理技术
        5.3.2 大文件读取技术
    5.4 本章小结
6 总结与展望
    6.1 总结
    6.2 展望
参考文献
作者简历


【参考文献】：
期刊论文
[1]地震波信号的小波包分解及能量分布特征[J]. 杜剑,毛毳,林贝贝.  天津城建大学学报. 2017(03)
[2]不确定信息下凸优化问题的鲁棒解刻划[J]. 孙祥凯.  数学物理学报. 2017(02)
[3]融合Mel系数和kNN的语音端点检测[J]. 韩云飞,张太红,白涛.  信息技术. 2017(03)
[4]基于改进反向Mel频率倒谱系数的咳嗽干湿性自动分类[J]. 朱春媚,刘保军,黎萍,莫鸿强,郑则广.  生物医学工程学杂志. 2016(02)
[5]儿童肺炎支原体感染流行病学的研究进展[J]. 吴倩,吴起武.  中国妇幼保健. 2016(05)
[6]肺炎支原体感染的流行病学[J]. 殷勇,陆权,闫晓莉,邹映雪.  中华儿科杂志. 2016 (02)
[7]一种改进型的MEL滤波器混合特征参数提取方法研究[J]. 黄锐,陆安江,张正平.  通信技术. 2014(12)
[8]声纹识别中MEL参数的提取研究[J]. 黄成玉,张全柱,赖斌.  电源技术. 2011(04)
[9]采用MFCC和DTW的咳嗽干湿性自动分类技术[J]. 李文,莫鸿强,田联房,阳国清,郑则广.  计算机工程与应用. 2010(13)
[10]基于RBF核函数的支持向量机参数选择[J]. 林升梁,刘志.  浙江工业大学学报. 2007(02)

硕士论文
[1]支持向量机核函数及关键参数选择研究[D]. 尹嘉鹏.哈尔滨工业大学 2016
[2]基于AUC的分类器性能评估问题研究[D]. 蒋帅.吉林大学 2016



本文编号：3199159