利用床垫式和腰带式生理信号监测系统进行咳嗽的监测与识别

发布时间：2017-04-27 17:10

  本文关键词：利用床垫式和腰带式生理信号监测系统进行咳嗽的监测与识别，，由笔耕文化传播整理发布。

【摘要】：近年来,雾霾天气频发,空气污染问题日益严重,由此引发的呼吸系统疾病己成为威胁人们身体健康的主要原因之一。咳嗽是呼吸系统疾病最常见和典型的症状之一,频繁的、剧烈的咳嗽会导致患者产生胸闷、胸痛的感觉,严重影响其生活与工作,尤其是夜间持续咳嗽还会影响患者的睡眠质量,使其白天昏沉乏力。所以如何能够有效的量化咳嗽的发生频率和强度等特征、使医生能更准确的进行疾病诊断是目前咳嗽研究的一个重点。 目前对咳嗽的量化手段主要是利用咳嗽监测仪对患者进行长时间持续监测,然后应用咳嗽识别算法处理数据实现咳嗽频率和强度的自动分析。咳嗽监测方法多采用声音记录与语音识别技术相结合实现咳嗽事件的自动分析计数,后期处理数据量庞大,算法复杂。本文另辟蹊径,分别以床垫式和腰带式生理信号监测系统作为实验平台,利用工程的理论方法对得到的腹部呼吸运动信号和体动进行多方位的分析和研究,较好地完成了咳嗽事件的识别。床垫式生理信号监测系统是一种无电极、无生理负荷的监测系统,其主要部分是以压力传感器为核心元件的微动敏感充气床垫,病人可以在自然状态下(躺位),不必佩戴任何仪器装置,测量多种人体生理信号。腰带式生理信号监测系统由起固定作用的腰带和腰带内侧的加速度传感器、麦克风、压力传感器和采集存储数据的机盒等元件组成,记录了咳嗽时腹部的加速度、振动信号和呼吸波,并将采集到的声音提取包络一同作为咳嗽事件的辨识特征。本文的工作和取得的成果主要有： (1)对床垫式生理信号监测系统原始信号进行预处理,成功从原始信号中分离出胸冲击、腿冲击和呼吸波。针对上身、下身原始信号和预期得到的呼吸波等信号的频率分布特点,本文进行了软件处理,采用了数字信号滤波和小波分析结合分离信号的方法。在充分理解数字滤波器工作原理的基础上,结合实际应用的需要,选择并设计了零相位滤波器进行滤波,得到精确零相位失真的输出信号。而小波分析法则是将上身和下身原始信号进行分解,获取不同频率范围的信息,从中选择符合实际应用的信号,为后面的进一步研究打下了良好的基础。 (2)对腰带式生理信号监测系统通过麦克风采集的声音信号进行提取包络的处理。首先在对原始声音信号进行处理前,先对不同病人的咳嗽声音样本进行功率谱估计,大致确定咳嗽的频率范围,将其作为高频滤波器的频率；然后将声音信号经过高通滤波器保留包含咳嗽事件的高频成分,抑制不必要的低频成分；最后对高频成分进行求和、欠采样等一系列方式提取包络曲线。采用声音包络而非原始声音信号作为识别咳嗽事件的特征信号,优点在于持续监测的声音信号数据量庞大、噪声多、分析处理比较复杂；而经过滤波的声音包络数据量小,最重要的是它忽略了低频噪声,使得波形平滑干净,凸显了咳嗽事件,有利于算法的编写。 (3)实现床垫式和腰带式生理信号监测系统对于咳嗽事件的识别。针对这两种不同的系统分别设计了实验,以床垫(或腰带)作为实验平台,在实验室理想环境下对患者进行监测,并通过麦克风记录声音信号,用做后期的人工识别计数。对实验得到的数据,本文设计了与监测系统配套的识别算法,充分利用咳嗽时加速度、呼吸波、振动信号和声音包络信号独有的特征,能够较好的从大量干扰事件(如清喉、说话等)中识别出咳嗽事件,与人工计数比较敏感性为88.4%(床垫)和90.0%(腰带),特异性能够达到96.0%(床垫)和98.6%(腰带),初步实现了床垫式和腰带式生理信号监测系统监测和分析识别咳嗽的功能。 未来,还可以更进一步的挖掘咳嗽发生时各生理信号的改变,从其细微变化处着手,实现不同种类咳嗽的自动分类,提高咳嗽监测系统的敏感性和特异性,减小环境对咳嗽信号识别的干扰,使其能够真正应用在临床诊断上。
【关键词】：生理信号监测系统 咳嗽 加速度 呼吸波 声音信号
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：R56
【目录】：

• 摘要8-10
• ABSTRACT10-12
• 第一章 绪论12-26
• 1.1 咳嗽的神经生理学特征12-13
• 1.2 咳嗽的生理学特征13
• 1.3 咳嗽的危害13-14
• 1.4 咳嗽监测技术的发展14-20
• 1.4.1 咳嗽监测仪的发展历史14-18
• 1.4.2 咳嗽音识别技术的发展历史及研究现状18-20
• 1.5 床垫式咳嗽监测系统20-22
• 1.6 腰带式咳嗽监测系统22-24
• 1.7 本文主要工作24-26
• 第二章 咳嗽信号特征及咳嗽评估方法26-34
• 2.1 咳嗽信号的特征分析26-28
• 2.2 咳嗽与其他事件的区别28-30
• 2.3 咳嗽评估方法30-33
• 2.4 总结33-34
• 第三章 微动敏感床垫信号处理及提取34-48
• 3.1 数字信号滤波法34-40
• 3.1.1 数字滤波器概述34-35
• 3.1.2 数字滤波器的工作原理35-37
• 3.1.3 零相位数字滤波器处理床垫原始信号37-40
• 3.2 小波变换处理床垫原始信号40-46
• 3.2.1 小波变换的定义40-43
• 3.2.2 小波变换处理原始信号43-46
• 3.3 最优算法的选择46-47
• 3.4 总结47-48
• 第四章 腰带式监测系统的信号提取48-58
• 4.1 高通滤波器的设计48-55
• 4.1.1 功率谱估计的原理48-50
• 4.1.2 咳嗽频率的确定50-53
• 4.1.3 窗函数的设计原理53
• 4.1.4 高通滤波器的实现53-55
• 4.2 声音包络的提取55-56
• 4.3 总结56-58
• 第五章 咳嗽识别算法设计58-70
• 5.1 基于微动敏感床垫的咳嗽识别算法58-62
• 5.1.1 实验平台58
• 5.1.2 研究对象58
• 5.1.3 实验步骤58-59
• 5.1.4 算法设计59-60
• 5.1.5 实验结果60-62
• 5.2 基于腰带式咳嗽信号监测系统的咳嗽识别算法62-68
• 5.2.1 实验平台62
• 5.2.2 研究对象62-63
• 5.2.3 实验步骤63
• 5.2.4 算法设计63-64
• 5.2.5 实验结果64-68
• 5.3 结论68-70
• 第六章 总结与展望70-74
• 6.1 工作总结70-71
• 6.2 后续工作及展望71-74
• 参考文献74-78
• 致谢78-79
• 攻读硕士学位期间发表的学术论文79-80
• 学位论文评闻及答辩情况表80

【相似文献】

中国期刊全文数据库 前10条

1 李玉生;兰丰礼;;一种适用于检测生理信号的程控增益放大器的研制[J];医学物理;1991年Z1期

2 陈龙聪,胡国虎,高斌;开放式生理信号产生及测量仪的研制[J];生物医学工程学杂志;2004年06期

3 孙卫新;;心脏生理信号的计算机分析[J];国外医学(生物医学工程分册);1987年03期

4 邓伯庄;一种用计算机处理电生理信号的接口电路[J];生理科学;1988年02期

5 刘新民,陈善广,王立为,宿双宁,王圣平,于澍仁,肖培根;动物生理信号计算机自动测试与分析系统在药物毒理研究中的应用[J];应用基础与工程科学学报;1995年03期

6 邢志新,邱衍勃,浦京遂;快采慢放——一种记录快变生理信号的新方法[J];北京生物医学工程;1992年01期

7 陈波;冯焕清;陈薇;杜亚军;;周期性电生理信号一种融合方法的研究[J];中国医疗器械杂志;2010年03期

8 杨星星;张松;芦杨;杨琳;王薇薇;顾冠雄;;基于生理信号的疲劳驾驶风险检测方法的研究进展[J];中国医学装备;2013年07期

9 杨洁秋;王慧艳;;利用家用录像机记录生理信号[J];国外医学.生物医学工程分册;1991年05期

10 崔文生,吴效明,朱斌,王晓航;通用生理信号实时检测与显示模型[J];暨南大学学报(自然科学与医学版);2000年01期

中国重要会议论文全文数据库 前3条

1 李伟博;吴效明;;基于EZ-USB FX2的生理信号采集接口技术[A];中国仪器仪表学会医疗仪器分会2010两岸四地生物医学工程学术年会论文集[C];2010年

2 李国丽;史利杰;胡存刚;张萍;詹月红;;基于LabVIEW的生理信号处理研究[A];计算机技术与应用进展——全国第17届计算机科学与技术应用（CACIS）学术会议论文集（下册）[C];2006年

3 平安;王志良;;基于生理信号的人机情感交互系统应用研究综述[A];2009中国控制与决策会议论文集（3）[C];2009年

中国重要报纸全文数据库 前1条

1 记者 王怡;我研制出人造仿生电子皮肤[N];科技日报;2014年

中国博士学位论文全文数据库 前3条

1 温万惠;基于生理信号的情感识别方法研究[D];西南大学;2010年

2 黄丹飞;基于生理信号关联分析的可组合多通道监护系统的研究[D];长春理工大学;2011年

3 王娆芬;过程控制操作员生理信号分析及功能状态建模[D];华东理工大学;2012年

中国硕士学位论文全文数据库 前10条

1 刘月华;典型生理信号综合测量及情绪识别研究[D];上海交通大学;2011年

2 孙圣;织物化多生理信号检测装置的设计[D];电子科技大学;2013年

3 侯永捷;面向压力评估的多生理信号采集和分析系统设计[D];燕山大学;2013年

4 李亭亭;运动员生理信号的采集和数据分析系统的研究[D];沈阳工业大学;2008年

5 孙洪央;基于多生理信号的压力状态下情绪识别方法研究[D];上海交通大学;2013年

6 程德福;双重结构粒子群和K近邻法用于生理信号情感状态识别的研究[D];西南大学;2009年

7 鲁舜;运用蚁群优化算法筛选情感生理信号特征[D];西南大学;2009年

8 郭漩;基于人工神经网络的多生理信号情绪识别系统设计与实现[D];华东师范大学;2014年

9 牛晓伟;生理信号的情感模式识别[D];西南大学;2008年

10 荣一霖;基于DSP的虚拟生理信号监测分析系统[D];长春理工大学;2009年

  本文关键词：利用床垫式和腰带式生理信号监测系统进行咳嗽的监测与识别，由笔耕文化传播整理发布。

本文编号：331030