CN101896122A - 用于在听诊器信号中检测呼吸周期的方法 - Google Patents
用于在听诊器信号中检测呼吸周期的方法 Download PDFInfo
- Publication number
- CN101896122A CN101896122A CN2008801198953A CN200880119895A CN101896122A CN 101896122 A CN101896122 A CN 101896122A CN 2008801198953 A CN2008801198953 A CN 2008801198953A CN 200880119895 A CN200880119895 A CN 200880119895A CN 101896122 A CN101896122 A CN 101896122A
- Authority
- CN
- China
- Prior art keywords
- energy
- stage
- respiration phase
- sampling
- breathing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/02—Stethoscopes
- A61B7/04—Electric stethoscopes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4818—Sleep apnoea
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
为了区分呼吸阶段和不呼吸阶段,一种方法包括针对每个听诊器信号采样执行以下步骤:为了消除听诊器信号的低频,对听诊器信号进行滤波(71),截止频率优选为500Hz;计算(72)滤波后的信号的每个采样的能量值Eh;计算(73)该滤波后的信号的平均能量Eh_moy;继而基于针对该采样的差值Eh-Eh_moy,来决定(74)是呼吸还是不呼吸。
Description
技术领域
本发明涉及用于在听诊器信号中检测呼吸周期的方法。
背景技术
在医疗领域中,通常使用听诊器来实施肺部听诊,以便获得与患者的肺部和呼吸道的生理和病理有关的信息。医生搜寻特定的声音(称为标记(marker)),尤其是公知为飞箭音、捻发音等的声音,以便诊断诸如哮喘或慢性阻塞性肺病之类的病理。尽管使用听诊器的常规听诊是主观的且难于共享,但是电子呼吸音捕捉与分析系统应当使辅助医生进行主观的及时诊断成为可能,而这归功于该系统的更高的灵敏度和优良的结果再现能力。
创建这种系统给检测呼吸周期带来了问题;更确切地说,需要检测对应于吸入阶段的时间间隔,和对应于呼出阶段的另一时间间隔,所述两个间隔由不呼吸(呼吸暂停)间隔分隔。吸入阶段和呼出阶段二者都被进一步细分为三个部分:前期(该阶段的前三分之一)、中期(该阶段的中间三分之一)和末期(该阶段的后三分之一)。自动呼吸周期检测对于确定捻发音相对于呼吸周期的位置和捻发音的数量以及监测睡眠呼吸暂停而言是尤其有用的。
可以借助于声音传感器来检测呼吸音,该声音传感器包括薄膜(诸如,听诊器)和麦克风,并且放置在患者的口腔、气管或肺部。以此方式检测到的呼吸音在下文中将称为听诊器音或听诊器信号。应当区分在肺部检测的肺音和在气管检测的气管音。
听诊器音的特征在于广谱,其平均频率取决于声音检测点。通常假设肺音的频率落在50Hz-2500Hz频带内,而气管音的频率可以高达4000Hz。因此,可以使用8KHz的采样频率。假设气管音针对吸入的频谱在60Hz-600Hz,而针对呼出的频谱在60Hz-700Hz。
很多噪声与医生感兴趣的标记重叠。具体而言,心脏产生噪声:心音的频谱在用于基本信号的20Hz-100Hz范围内,但其也包括用于公知为哨声的声音的更高频率(500Hz及更高)。在气管处,正常的呼吸音受到包含高频分量的噪声的影响,这些噪声在吸入阶段和呼出阶段都能听到。在胸腔处,正常的呼吸音在吸气期间受到轻微噪声的影响,而在呼出阶段期间受到非常容易听见的噪声的影响。
呼吸信号不是固定的,因为肺部的容量持续改变,并且其因患者的年龄、体重和呼吸条件而发生变化。所有这些因素都使得难以自动检测呼吸周期。各种呼吸周期检测系统已经经过测试,并且大部分这样的系统同时利用:
-气管音,以确定吸入阶段和呼出阶段,
-若干肺音,
-以及测量呼出气体的容量。
这些已知的系统是实验性系统,其对于在医生中普遍使用而言过于复杂,因为它们同时使用多个声音传感器和肺活量计。而且,它们不能针对家庭远程医疗的目的而由医生独自使用。此外,这些已知系统执行的呼吸周期检测通常受到影响所捕获信号的噪声的干扰。
文献DE 10.2006.017.279A1描述了一种用于在听诊器信号中检测呼吸周期的方法,以便区分呼吸阶段和不呼吸阶段,包括针对每个听诊器信号采样执行下述步骤:
-诸如在200ms的时段内,基于滤波后的信号的采样序列的值,计算滤波后的信号的每个采样的能量值,
-在持续几十秒的滑动窗口中计算参考值,其是滤波后的信号的平均能量,
-继而,基于为该采样计算的能量与参考值之间的差值来决定是呼吸还是不呼吸。
该方法仅使得区分呼吸阶段和不呼吸阶段成为可能。其不能区分吸入和呼出。其目的在于研究睡眠呼吸暂停。对于检测呼吸暂停而言是够用的。在区分吸入和呼出之前,其能够可靠地用于实施检测呼吸阶段的第一步。然而,已经发现,在实现吸入和呼出之间的可靠区分时,检测呼吸阶段的该第一步便不那么可靠了。
发明内容
本发明的目的在于公开一种用于自动检测呼吸周期的方法和系统,从而针对寄生信号(诸如,心脏噪声、传感器摩擦皮肤或衣服的噪声、环境噪声、医生的话音等)实现更可靠且更鲁棒的检测。
本发明的目的是一种用于在听诊器信号中检测呼吸周期的方法,以便区分呼吸阶段和不呼吸阶段,该方法包括针对每个听诊器信号采样执行以下步骤:
-基于信号采样的序列的值,计算每个听诊器信号采样的能量值Eh,
-计算该信号的平均能量Eh_moy,
-继而基于针对该采样的差值Eh-Eh_moy,来决定是呼吸还是不呼吸;
其特征在于,
所述方法包括在针对听诊器信号的每个采样计算能量值Eh以及计算该信号的平均能量Eh_moy之前,使用高通滤波器对听诊器信号进行滤波;以及
截止频率在400Hz-500Hz之间。
实验表明,以此方式为特征的方法实现了更可靠的呼吸/不呼吸区分,因为其消除了干扰噪声(和部分呼吸音),而同时允许足够的呼吸音通过,以便支持呼吸/不呼吸之间的可靠区分,以及在稍后步骤中支持吸入/呼出之间的可靠区分。
在优选实施方式中,本发明的方法包括以下特征中的一个或多个。
为了计算该滤波后的信号的平均能量Eh_moy,该方法包括从所述滤波后的信号的起点开始考虑所有能量值Eh。
为了针对采样Ei做出经平滑的决定,该方法包括:
-考虑一系列时间窗Fj,j从1变到n,n是偶数。时间窗Fj对应于n个连续采样Ei-n+j+1............,Ei,...........,Ei+j
-针对每个窗口Fj,j从1变到n,在窗口内对针对其做出的临时决定是呼吸的采样的数量Rj进行计数,以及将该数量与包含在窗口Fj内的每个采样相关联,尤其是采样Ei,
-针对j=1到n,将分别与时间窗Fj的采样Ei相关联的值Rj相加,其中j从1变到n,以便获得值
-继而将值RT与n/2进行比较,以及如果RT>n/2,则随后推导出采样Ei属于呼吸阶段,否则推导出其属于不呼吸阶段。
根据一个优选实施方式,该方法进一步包括平滑不确定阶段的步骤,与呼吸阶段或不呼吸阶段的典型持续时间相比,所述不确定阶段的持续时间不可忽略,其特征在于,为了平滑给定不确定阶段,该方法包括:
-通过检查下述条件而测试假设其是呼吸阶段的第一假设,所述假设仅在所有下述条件都满足的情况下才通过验证:
·|能量(ri+2)-能量(ri-2)|<ε2
·|能量(ri+1)-能量(ri-1)|<ε1
·|能量(ri)-能量(ri+2)|<ε2
·|能量(ri)-能量(ri-2)|<ε2
其中aj是不呼吸阶段,而rk是呼吸阶段,
其中ε1,ε2是两个固定值,
以及其中ri是不确定阶段,ri+1和ri+2是紧随其后的两个呼吸阶段,而ri-1和ri-2是紧接在其前面的两个呼吸阶段;
-以及如果第一假设未通过验证,则通过检查下述条件测试假设其是不呼吸阶段的第二假设,所述假设仅在所有下述条件都满足的情况下才通过验证:
·|能量(ri-2)-能量(ri)|<ε2
·|能量(ri-1)-能量(ri+1)|<ε1
其中aj是不呼吸阶段,而ai是不呼吸阶段,以及rk是呼吸阶段,
其中ri是不确定阶段,ri+1是紧随其后的呼吸阶段,而ri-1和ri-2是紧接在其前面的两个呼吸阶段,以及ε0,ε1,ε2是三个固定值。
根据一个实施方式,为了验证假设,该方法进一步包括测量不确定阶段的持续时间并将其与对应于所述假设的典型值进行比较。
根据一个实施方式,为了验证假设,该方法进一步包括测量不确定阶段的持续时间并将其与其类型与所述假设定义的相同的其他阶段的持续时间的平均值进行比较。
根据一个实施方式,为了区分呼吸阶段内的吸入/呼出,该方法进一步包括:
-从信号的起点开始,计算偶数编号的呼吸阶段的采样的总能量,
-从信号的起点开始,计算奇数编号的呼吸阶段的采样的总能量,
-将这两个总能量进行比较,并从其推导出:如果偶数编号的呼吸阶段的采样的总能量大于奇数编号的呼吸阶段的采样的总能量,则偶数编号的呼吸阶段是吸入阶段,反之亦然。
根据另一个实施方式,为了区分呼吸阶段内的吸入/呼出,该方法进一步包括:
-计算偶数编号的呼吸阶段的持续时间的平均,
-计算奇数编号的呼吸阶段的持续时间的平均,
-将这两个平均进行比较,并从其推导出:如果偶数编号的呼吸阶段的持续时间的平均大于奇数编号的呼吸阶段的持续时间的平均,则偶数编号的呼吸阶段是呼出阶段,反之亦然。
附图说明
在以下描述和附图的辅助下,将更好地理解本发明,并且其他特征将变得明显:
-图1描述了本发明方法的一个示例性实施方式的步骤。
-图2描述了在四个呼吸周期期间、于肺部处检测的听诊器信号的值的图形。
-图3描述了在高通滤波之后、此听诊器信号的值的图形。
-图4描述了同一滤波后的听诊器信号的能量的图形。
-图5描述了同一滤波后的听诊器信号的能量和同一滤波后的听诊器信号的平均能量之间的差的图形。
-图6描述了用于同一滤波后的听诊器信号的、临时呼吸/不呼吸决定的图形。
-图7描述了在平滑了短暂错误之后、针对同一滤波后的听诊器信号的呼吸/不呼吸决定的图形。
-图8描述了在呼吸阶段期间、针对同一滤波后的听诊器信号的吸入/呼出决定的图形。
具体实施方式
针对每个声音采样,在两个连续步骤中检测呼吸周期的阶段:
1)区分呼吸阶段(或者是吸入或者是呼出)和不呼吸阶段(仅噪声)。
2)针对第一区分步骤确定的每个呼吸阶段,区分吸入和呼出。
图1的流程图描述了本发明方法的一个示例性实施方式的步骤。
-步骤70:在肺部捕捉呼吸音,以及继而以8KHz的频率将该呼吸音数字化。在一个实施方式中,可以在气管处捕捉呼吸音。
-步骤71:利用高通滤波器对信号进行数字滤波,该高通滤波器的截止频率在400Hz-500Hz之间,优选地在500Hz,以便减轻干扰呼吸周期检测的噪声,尤其是医生的话音产生的噪声。
-步骤72:基于滤波后的信号的N个采样的序列的值,计算滤波后的信号的每个采样的能量值Eh。
-步骤73:在优选地从起始处开始的时间间隔之上,计算滤波后的听诊器信号的平均能量Eh_moy。
-步骤74:计算针对滤波后的听诊器信号的采样而计算的能量Eh与滤波后的听诊器信号的平均能量Eh_moy之间的差。基于此差值来做出是呼吸还是不呼吸的临时决定:
如果(Eh-Eh_moy)>0,则是呼吸阶段。
否则,是不呼吸阶段。
-步骤75:平滑如下错误,该错误的持续时间相对于呼吸或不呼吸阶段的持续时间而言是短暂的。这使得可以消除关于孤立采样或几个孤立采样的错误决定。
-步骤76:平滑不确定阶段。不确定阶段是这样的间隔,与呼吸阶段或不呼吸阶段的典型持续时间相比,其持续时间不可忽略,并且其在少量经平滑的“不呼吸”决定和少量经平滑的“呼吸”决定之间交替。此交替并不由步骤75平滑,因为该步骤要处理太多采样。其在检测呼吸阶段或不呼吸阶段时引起一个或多个中断。
-步骤77:在每个呼吸阶段期间,使用下述方法区分吸入/呼出。
高通滤波器71的截止频率在400Hz-550Hz之间,因为已经发现,其值较低时,错误决定的比率会快速上升。例如,此滤波可以通过二阶Butterworth滤波器实现。为了达到500Hz的截止频率,算法如下:
y[i]=b[0]*×[i]+b[1]*×[i-1]+b[2]*×[i-2]+a[1]*y[i-1]+a[2]*y[i-2],
其中a(i)和b(i)是Butterworth滤波器系数。
在此实施方式中:
b(0)=0.7571
b(1)=-1.5142
b(2)=0.7571
a(1)=-1.4542
a(2)=0.5741
计算(72)与滤波后的听诊器信号的每个采样相关联的能量Eh是使用常规方法进行的。在考虑包含位于给定采样之前的240个采样的窗口的情况下,针对该给定采样进行计算。计算时段由此等于采样时段。
将240采样窗口纳入考虑(即,对于采样频率是8kHz的信号来说为30ms)。
其中x(i)是使用16位进行编码的,并且这些值在-215到216之间变化。因此,能量E是在0至240*231之间的值上取得的。
为了独立于所讨论的窗口大小而获得结果,将获得的值E除以窗口中的采样数量,N=240。
另外,为了简化实现,切换到对数坐标图。这减小了动态性,但是不会影响获得的结果。最后,每个采样的能量Eh的公式为:
在步骤73中,在优选地从其起始处开始的时间间隔期间之上,计算滤波后的听诊器信号的平均能量Eh_moy,以便消除依赖于患者的变化以及消除寄生噪声的影响。当医生开始听诊时,他将听诊器罩施加到患者皮肤上,并移动该听诊器罩。此移动会产生摩擦噪声。同时,他会说话,诸如,他会说“深呼吸”。接着,他关注于听到的内容,并在一个地方等待一段时间,随后继续在患者的皮肤上移动听诊器罩。
在固定时段(无论多长)上计算平均能量Eh_moy不能保证该计算不是在一段不好的时段(在听诊器罩移动时)上进行的。从信号的起点开始计算平均值可以得益于这样的事实,即,移动的总时间远小于不移动的总时间。由此,该平均值更接近于理想平均值,其只会考虑没有由听诊器罩移动和医生话音引起的寄生噪声的时段。
图2示出了在四个呼吸周期之上捕获的听诊器信号(约180,000个采样)的值V的图形。在医生要求患者完全吸气或呼气时,每个周期通常持续4-7秒。每个周期包括:吸入阶段、不呼吸阶段、呼出阶段和第二个不呼吸阶段。在不呼吸阶段,没有空气流动,意味着不会产生声音,但是传感器会捕获噪声。该图示出了在吸入阶段期间的音量远大于在呼出阶段的音量。在两个不呼吸阶段期间的噪声音量通常远小于在呼出阶段期间的呼吸音量,但是与呼吸音量相比,其不能被忽略。此外,噪声有时大于呼吸音量,尤其是在医生向患者说话时的声音噪声(该图的后半部分)。
图3描绘了在高通滤波(截止频率为500Hz)之后的同一听诊器信号的值Vh的图形。已经发现,噪声(尤其是声音噪声)与图2所示原始信号相比要小得多。
图4在其上部描绘了同一滤波后的听诊器信号的能量Eh的图形,该同一滤波后的听诊器信号在下部描绘。
图5描绘了同一滤波后的听诊器信号的能量Eh与该同一滤波后的听诊器信号的平均能量Eh_moy之间的差(Eh-Eh_moy)的图形。基于此数据,通过实施以下测试,可以做出临时呼吸/不呼吸决定:
如果Eh-Eh_moy>0,则是呼吸阶段。
否则,是不呼吸阶段。
减去作为参考的此滑动平均值Eh_moy,使得可以持续地调整有区别的状况以适应噪声电平的变化和有用信号电平的变化,这些电平特别地因患者而异。
图6描绘了在四个呼吸周期之上、针对同一滤波后的听诊器信号的临时呼吸/不呼吸决定的图形。此滤波后的信号的图形是重叠的。
平滑短暂错误(步骤75)
对于每个采样,在步骤74中,做出临时决定:
-如果(Eh-Eh_moy)>0,则呼吸(简称为“r”)
-或者如果(Eh-Eh_moy)<或=0,则不呼吸(简称为“a”)
理想状况下,会获得以下形式的一系列决定:
rrrrrrrrrrrrrrrraaaaaaaarrrrrrrrrrrrraaaaaaa
然而,针对一个采样或若干连续采样,可能发生错误决定。为了消除这些错误决定,对短暂错误进行平滑。这些决定在下文中将称为“经平滑的决定”。
考虑给定的采样Ei,已针对其做出了临时决定DPi,而针对其应当确定经平滑的决定DLi。将使用临时决定DPi和针对紧接在给定采样Ei之前n个采样做出的临时决定。基于这n+1个临时决定,此经平滑的决定DLi是通过在计算临时决定DPi之后的某个时间实施的计算而确定的。
考虑滑动时间窗,其大小对应于n个采样,n是固定偶数。采样周期称为T。此时间窗针对每个新采样移位一个采样周期T,从而获得一系列窗口F0、F1、F2、F3...。针对单个采样的临时决定和最终决定之间的时间移位等于Tn或更大,并且是固定的。这使得可以具有n+1个临时决定DPi-n、DPi-n+1...,DPi-1,DPi,以便做出经平滑的决定DLi。
在时刻t0处,时间窗F0对应于给定的采样Ei和其之前的n-1个采样:Ei-n+1,.............................................,Ei-1,Ei。
在时刻t1=t0+T处,新的时间窗F1对应于采样Ei-n+2..........................,Ei,Ei+1。
在时刻t2=t1+T处,新的时间窗F3对应于采样Ei-n+3..........................,Ei,Ei+1,Ei+2。
在时刻t3=t2+2T处,新的时间窗F4对应于采样Ei-n+4.............,Ei,Ei+1,Ei+2,Ei+3.
.............................................................................................................
在时刻tj=t1+j.T处,新的时间窗Fj对应于采样
Ei-n+j+1..........................................,Ei+j.
.................................................................................................................
在时刻tn=t1+n.T处,新的时间窗Fn对应于采样Ei,...........................................,Ei+n.
应当注意,每个采样都包含在一系列彼此移位的n个窗口中。在时刻tn,可以针对采样Ei做出经平滑的决定DLi,因为针对包含给定的采样Ej的所有窗口(即,窗口F0-Fn)中包含的采样所做出的临时决定继而是已知的。
对于每个窗口Fj,在窗口中,对针对其做出的临时决定是“呼吸”的采样的数量进行计数。所获得的数量Rj在0和n之间(包含0和n)。数量Rk与包含在窗口Fj中的每个采样相关联,尤其是采样Ei,因为此数量代表在此窗口中的呼吸决定的可能性。
值R0与窗口F0中的所有采样相关联。
值R1与窗口F1中的所有采样相关联。
...........................................................................................................................................
值Rj与窗口Fj中的所有采样相关联。
............................................................................................................................................
值Rn与窗口Fn中的所有采样相关联。
为了针对采样Ei确定经平滑的决定DLi,考虑n个窗口Fj,即,考虑对应的值Rj,j=1到n。这些值Rj针对j=1到n相加,以便获得代表呼吸决定的可能性的值RT。接着,实施以下测试:
否则,是不呼吸采样。
假设在信号起始处的采样对于随后的分析而言并不重要;因此,针对信号起始处的前n个采样,将临时决定任意设置为不呼吸。
以下是示例,其中n=8。
1=决定:呼吸
0=决定:不呼吸
在示例中,考虑8采样窗口。
初始决定0 0 1 1 0 1 0 0 0 0 1 1 1 0 0 1 1 0 1 0 1 0 0 0
“1”的和3 3 3 3 3 3 3 3
“1”的和3 3 3 3 3 3 3 3
3 3 3 3 3 3 3 3
3 3 3 3 3 3 3 3
3 3 3 3 3 3 3 3
4 4 4 4 4 4 4 4
3 3 3 3 3 3 3 3
4 4 4 4 4 4 4
4 4 4 4 4 4 4
5 5 5 5 5 5 5
6 6 6 6 6 6 6
5 5 5 5 5 5 5
5 5 5 5 5 5 5
5 5 5 5 5 5 5
总和:初始化阶段 27 29 32 34 36 37 结束阶段
总和/窗口大小 3.38 3.63 4 4.25 4.5 4.63
最终决定 0 0 1 1 1 1
图7描绘了在平滑了短暂错误之后,针对图1-图6中的同一滤波后的听诊器信号的呼吸/不呼吸决定图形。为了更好地展示平滑的影响,图7还描绘了平滑之前的结果和平滑之后的结果。
平滑不确定阶段(步骤76)
作为提醒,不确定阶段是这样的间隔,与呼吸阶段或不呼吸阶段的典型持续时间相比,其持续时间不可忽略,并且其在少量经平滑的“不呼吸”决定和少量经平滑的“呼吸”决定之间交替。此交替并不由步骤75平滑,其在检测呼吸阶段或不呼吸阶段时引起一个或多个中断。
不确定阶段是在发明人在实验期间没有碰到的状况。然而,仍然提供了会发生这种情况的概率。
在将被分析的肺部听诊信号中,呼吸周期是“吸入-不呼吸-呼出-不呼吸”。在短暂错误平滑步骤后,呼吸阶段应当引起连续的一系列“r”决定。在短暂错误平滑步骤后,不呼吸阶段应当引起连续的一系列“a”决定。从“r”到“a”的转变应当使得可以推断出这是呼吸阶段的结束,不呼吸阶段的开始。从“a”到“r”的转变应当使得可以推断出这是不呼吸阶段的结束,呼吸阶段的开始。
理想状态下,短暂错误平滑步骤应当由此得出类似于如下结果的结果:
........r.....|___a___|..........r..........|___a___|.......r.......|___a___|...........r...........|
然而,不确定阶段可能出现。不确定阶段将表示为“不确定”。存在4个可能的状况:
状况a:不确定阶段出现在两个呼吸阶段之间。
|........r.....|___a___|..........r..........|不确定|.......r.......|___a___|...........r..........|
状况a1:不确定阶段出现在两个不呼吸阶段之间。
|........r.....|___a___|..........r..........|___a___|不确定|___a___|...........r.........|
状况b:不确定阶段出现在呼吸阶段和不呼吸阶段之间。
|........r.....|___a___|....r...|不确定|_a_|.......r.......|___a___|........r.........|
状况b1:不确定阶段出现在不呼吸阶段和呼吸阶段之间。
|........r.....|___a___|..........r..........|___a___|不确定|...r...|___a___|........r.........|
无论是哪种情况,都用相同的方法来确定是呼吸阶段还是不呼吸阶段。为此,测试以下两种假设。如果第一个假设不正确,则检查第二个假设。
假设1:这是呼吸阶段ri。如果以下测试都给出肯定结果,则此假设正确:
--阶段能量测试:公知的是周期遵从“吸入-不呼吸-呼出-不呼吸”模型(在吸入和呼出之间交替)。在不呼吸阶段期间之上计算的信号能量小于在呼吸阶段之上计算的信号能量。另外,在吸入阶段计算之上的信号能量大于在呼出阶段之上计算的信号能量。在每个阶段期间计算信号的能量,并且将偶数编号的呼吸阶段的能量与奇数编号的呼吸阶段的能量进行比较。如果不符合以下条件之一,则假设1为假:
·|能量(ri+2)-能量(ri-2)|<ε2
·|能量(ri+1)-能量(ri-1)|<ε1
·|能量(ri)-能量(ri+2)|<ε2
·|能量(ri)-能量(ri-2)|<ε2
其中aj是不呼吸阶段,而rk是呼吸阶段,其中ε1,ε2是两个固定值,以及其中ri是不确定阶段,ri+1和ri+2是紧随其后的两个呼吸阶段,而ri-1和ri-2是紧接在其前面的两个呼吸阶段。
--阶段持续时间测试:呼吸阶段的典型持续时间在1.5秒-3.5秒之间。不呼吸阶段的典型持续时间在0.5秒-2.5秒之间。测量各种阶段的持续时间。如果在不确定阶段的持续时间与预定典型持续时间之间检测到较大不一致性(例如,呼吸阶段持续时间等于7秒),则这意味着该假设不正确。
在不明确的情况下,可以针对所考虑的信号(即,针对特定患者)计算吸入阶段的平均持续时间、呼出阶段的平均持续时间和不呼吸阶段的平均持续时间;以及将不确定阶段的持续时间与预定平均值相比较。
假设2:不确定阶段是不呼吸阶段aj。如果以下测试都给出肯定结果,则此假设正确:
--阶段能量测试:在每个阶段期间计算信号的能量,并且将偶数编号的呼吸阶段的能量与奇数编号的呼吸阶段的能量进行比较。如果不符合以下条件之一,则假设2为假:
·能量(aj)≤能量(rk)
·|能量(ri-2)-能量(ri)|<ε2
·|能量(ri-1)-能量(ri+1)|<ε1
其中aj是不呼吸阶段,而ai是不呼吸阶段,以及rk是呼吸阶段,
其中ri是不确定阶段,ri+1是紧随其后的呼吸阶段,而ri-1和ri-2是紧接在其前面的两个呼吸阶段,以及ε0,ε1,ε2是三个固定值。
--阶段持续时间测试:测量各种阶段的持续时间。
如果在与预定典型持续时间比较时检测到较大不一致性(例如,不呼吸阶段持续时间等于7秒),则这意味着该假设不正确。
在不明确的情况下,可以针对所考虑的信号(即,针对特定患者)计算吸入阶段的平均持续时间、呼出阶段的平均持续时间和不呼吸阶段的平均持续时间;以及将不确定阶段的持续时间与预定平均值相比较。
区分吸入阶段和呼出阶段(步骤77)
在区分呼吸/不呼吸时,确定了呼吸阶段。这使得可以消除对应于不呼吸阶段的信号采样。剩余信号采样仅对应于吸入阶段和呼出阶段。理论上,采样的剩余序列在吸入阶段和呼出阶段之间交替。两个情况是可能的:
-所有的偶数编号呼吸阶段对应于吸入,在此情况下,所有的奇数编号呼吸阶段对应于呼出。
-或者所有的偶数编号的呼吸阶段对应于呼出,在此情况下,所有的奇数编号的呼吸阶段对应于吸入。
已知的是,在吸入阶段期间之上计算的信号能量通常大于在呼出阶段期间之上计算的信号能量。
根据一个优选实施方式,用于区分吸入/呼出的方法包括:
-从信号的起点开始,计算偶数编号的呼吸阶段的采样的总能量,
-从信号的起点开始,计算奇数编号的呼吸阶段的采样的总能量,
-将这两个总能量进行比较,并从其推导出:如果偶数编号的呼吸阶段的采样的总能量大于奇数编号的呼吸阶段的采样的总能量,则偶数编号的呼吸阶段是吸入阶段,反之亦然。
图8描绘了在呼吸阶段期间,针对同一滤波后的听诊器信号的吸入/呼出决定的图形。每个吸入阶段描绘在图形的靠上部分,与原始信号重叠。每个呼出阶段描绘在图形的靠下部分。
用于区分吸入/呼出的第二种方法可以包括:
-计算偶数编号的呼吸阶段的持续时间的平均,
-计算奇数编号的呼吸阶段的持续时间的平均,
-将这两个平均进行比较,并从其推导出:如果偶数编号的呼吸阶段的持续时间的平均大于奇数编号的呼吸阶段的持续时间的平均,则偶数编号的呼吸阶段是呼出阶段,反之亦然。
根据本发明方法的优选实施方式,用于区分吸入/呼出的第一方法用于区分吸入和呼出,继而第二方法用于检查第一方法执行的区分动作的准确性。
Claims (12)
1.一种用于在听诊器信号中检测呼吸周期的方法,以便区分呼吸阶段和不呼吸阶段,包括针对每个听诊器信号采样执行的以下步骤:
-基于该信号采样的序列的值,计算(72)每个听诊器信号采样的能量值Eh,
-计算(73)该信号的平均能量Eh_moy,
-继而基于针对该采样的差值Eh-Eh_moy,来决定(74)是呼吸还是不呼吸;
其特征在于,
所述方法包括在计算(72)所述听诊器信号的每个采样的能量值Eh以及计算(73)该信号的平均能量Eh_moy之前,使用高通滤波器对所述听诊器信号进行滤波(71);以及
截止频率在400Hz-500Hz之间。
2.如权利要求1的方法,其特征在于,为了计算(73)该滤波后的信号的平均能量Eh_moy,所述方法包括从所述滤波后的信号的起点开始考虑所有能量值Eh。
3.如权利要求1的方法,其特征在于,所述方法进一步包括平缓短暂错误的步骤(75),以及为了针对采样Ei做出经平滑的决定,所述方法包括:
-考虑一系列时间窗Fj,j从1变到n,n是偶数,时间窗Fj对应于n个连续采样Ei-n+j+1............,Ei,...........,Ei+j
-针对每个窗Fj,j从1变到n,在窗内对针对其做出的临时决定是呼吸的采样的数量Rj进行计数,以及将该数量与包含在窗Fj内的每个采样相关联,尤其是采样Ei,
-针对j=1到n,将分别与时间窗Fj的采样Ei相关联的所述值Rj相加,其中j从1变到n,以便获得值
-继而将值RT与n/2进行比较,以及如果RT>n/2,则随后推导出采样Ei属于呼吸阶段,否则推导出其属于不呼吸阶段。
4.如权利要求1的方法,其特征在于,所述方法进一步包括平滑不确定阶段的步骤(76),与呼吸阶段或不呼吸阶段的典型持续时间相比,所述不确定阶段的持续时间不可忽略,其特征在于,为了平滑给定的不确定阶段,所述方法包括:
-通过检查下述条件而测试假设其是呼吸阶段的第一假设,所述假设仅在所有下述条件都满足的情况下才通过验证:
●|能量(ri+2)-能量(ri-2)|<ε2
●|能量(ri+1)-能量(ri-1)|<ε1
●|能量(ri)-能量(ri+2)|<ε2
●|能量(ri)-能量(ri-2)|<ε2
其中aj是不呼吸阶段,而rk是呼吸阶段,
其中ε1,ε2是两个固定值,
以及其中ri是不确定阶段,ri+1和ri+2是紧随其后的两个呼吸阶段,而ri-1和ri-2是紧接在其前面的两个呼吸阶段;
-以及如果第一假设未通过验证,则通过检查下述条件测试假设其是不呼吸阶段的第二假设,所述假设仅在所有下述条件都满足的情况下才通过验证:
●能量(aj)≤能量(rk)
●|能量(ri-2)-能量(ri)|<ε2
●|能量(ri-1)-能量(ri+1)|<ε1
其中aj是不呼吸阶段,ai是不呼吸阶段,以及rk是呼吸阶段,
其中ri是不确定阶段,ri+1是紧随其后的呼吸阶段,而ri-1和ri-2是紧接在其前面的两个呼吸阶段,以及ε0,ε1,ε2是三个固定值。
5.如权利要求4的方法,其特征在于,为了验证假设,所述方法进一步包括测量不确定阶段的持续时间并将其与对应于所述假设的典型值进行比较。
6.如权利要求4的方法,其特征在于,为了验证假设,所述方法进一步包括测量不确定阶段并将其与所述假设定义的同一类型的其他阶段的持续时间的平均值进行比较。
7.如权利要求1的方法,其特征在于,为了区分呼吸阶段内的吸入和呼出,所述方法进一步包括:
-从信号的起点开始,计算偶数编号的呼吸阶段的采样的总能量,
-从信号的起点开始,计算奇数编号的呼吸阶段的采样的总能量,
-将这两个总能量进行比较,并从其推导出:如果偶数编号的呼吸阶段的采样的总能量大于奇数编号的呼吸阶段的采样的总能量,则偶数编号的呼吸阶段是吸入阶段,反之亦然。
8.如权利要求1的方法,其特征在于,为了区分呼吸阶段内的吸入和呼出,所述方法进一步包括:
-计算偶数编号的呼吸阶段的持续时间的平均,
-计算奇数编号的呼吸阶段的持续时间的平均,
-将这两个平均进行比较,并从其推导出:如果偶数编号的呼吸阶段的持续时间的平均大于奇数编号的呼吸阶段的持续时间的平均,则偶数编号的呼吸阶段是呼出阶段,反之亦然。
9.如权利要求1的方法,其特征在于,为了对听诊器信号进行滤波(71),截止频率等于500Hz。
10.一种可编程器件,包括其中存储有程序的存储装置,所述程序包括指令,在被执行时,所述指令实现根据权利要求1-9中的一个所述的方法。
11.一种存储装置,其中存储有程序,所述程序包括指令,在可编程器件中被执行时,所述指令实现根据权利要求1-9中的一个所述的方法。
12.一种设备,包括适于执行根据权利要求1-9中的一个所述的方法的步骤的装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR0759924 | 2007-12-18 | ||
FR0759924A FR2924914B1 (fr) | 2007-12-18 | 2007-12-18 | Procede de detection des cycles respiratoires dans un signal stethoscopique |
PCT/EP2008/010861 WO2009077196A1 (en) | 2007-12-18 | 2008-12-18 | Method for detecting respiratory cycles in a stethoscope signal |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101896122A true CN101896122A (zh) | 2010-11-24 |
CN101896122B CN101896122B (zh) | 2013-02-20 |
Family
ID=39769057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200880119895.3A Expired - Fee Related CN101896122B (zh) | 2007-12-18 | 2008-12-18 | 用于在听诊器信号中检测呼吸周期的方法和设备 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20110054339A1 (zh) |
EP (1) | EP2234542A1 (zh) |
CN (1) | CN101896122B (zh) |
FR (1) | FR2924914B1 (zh) |
WO (1) | WO2009077196A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104622432A (zh) * | 2015-02-06 | 2015-05-20 | 华南理工大学 | 基于低音比的睡眠鼾声监测方法及系统 |
CN104720811A (zh) * | 2015-04-03 | 2015-06-24 | 西南大学 | 一种利用普通体感相机非接触式测量呼吸率的方法 |
CN107823812A (zh) * | 2017-11-30 | 2018-03-23 | 武双富 | 一种基于ble蓝牙模块的呼吸探测智能口罩 |
CN110267598A (zh) * | 2017-01-09 | 2019-09-20 | 皇家飞利浦有限公司 | 一种处理由对象产生的呼吸声音的听诊器装置和方法 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012042453A1 (en) * | 2010-10-01 | 2012-04-05 | Koninklijke Philips Electronics N.V. | Apparatus and method for diagnosing obstructive sleep apnea |
US8663125B2 (en) * | 2011-03-30 | 2014-03-04 | Sharp Laboratories Of America, Inc. | Dual path noise detection and isolation for acoustic ambulatory respiration monitoring system |
US8663124B2 (en) * | 2011-03-30 | 2014-03-04 | Sharp Laboratories Of America, Inc. | Multistage method and system for estimating respiration parameters from acoustic signal |
US20120253216A1 (en) * | 2011-03-30 | 2012-10-04 | Yongji Fu | Respiration analysis using acoustic signal trends |
JP6019659B2 (ja) * | 2012-03-27 | 2016-11-02 | 富士通株式会社 | 無呼吸状態判定装置,無呼吸状態判定方法,及び無呼吸状態判定プログラム |
DE102015215584B4 (de) * | 2015-08-14 | 2022-03-03 | Siemens Healthcare Gmbh | Verfahren und System zur Rekonstruktion von Planungsbildern |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5143078A (en) * | 1987-08-04 | 1992-09-01 | Colin Electronics Co., Ltd. | Respiration rate monitor |
US5458137A (en) * | 1991-06-14 | 1995-10-17 | Respironics, Inc. | Method and apparatus for controlling sleep disorder breathing |
DE102006017279A1 (de) * | 2006-04-12 | 2007-10-18 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Automatische Detektion von Hypopnoen |
-
2007
- 2007-12-18 FR FR0759924A patent/FR2924914B1/fr not_active Expired - Fee Related
-
2008
- 2008-12-18 US US12/808,856 patent/US20110054339A1/en not_active Abandoned
- 2008-12-18 WO PCT/EP2008/010861 patent/WO2009077196A1/en active Application Filing
- 2008-12-18 EP EP08860914A patent/EP2234542A1/en not_active Withdrawn
- 2008-12-18 CN CN200880119895.3A patent/CN101896122B/zh not_active Expired - Fee Related
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104622432A (zh) * | 2015-02-06 | 2015-05-20 | 华南理工大学 | 基于低音比的睡眠鼾声监测方法及系统 |
CN104622432B (zh) * | 2015-02-06 | 2017-06-06 | 华南理工大学 | 基于低音比的睡眠鼾声监测方法及系统 |
CN104720811A (zh) * | 2015-04-03 | 2015-06-24 | 西南大学 | 一种利用普通体感相机非接触式测量呼吸率的方法 |
CN110267598A (zh) * | 2017-01-09 | 2019-09-20 | 皇家飞利浦有限公司 | 一种处理由对象产生的呼吸声音的听诊器装置和方法 |
CN107823812A (zh) * | 2017-11-30 | 2018-03-23 | 武双富 | 一种基于ble蓝牙模块的呼吸探测智能口罩 |
Also Published As
Publication number | Publication date |
---|---|
US20110054339A1 (en) | 2011-03-03 |
EP2234542A1 (en) | 2010-10-06 |
WO2009077196A1 (en) | 2009-06-25 |
CN101896122B (zh) | 2013-02-20 |
FR2924914A1 (fr) | 2009-06-19 |
FR2924914B1 (fr) | 2010-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101896122B (zh) | 用于在听诊器信号中检测呼吸周期的方法和设备 | |
Abeyratne et al. | Pitch jump probability measures for the analysis of snoring sounds in apnea | |
EP2593007B1 (en) | Feature characterization for breathing monitor | |
Lin et al. | Automatic Wheezing Detection Based on Signal Processing of Spectrogram and Back‐Propagation Neural Network | |
JP2008520384A (ja) | 限られたプロセッサ資源で呼吸数を実時間判定するための方法及びシステム | |
EP0944355A2 (en) | A phonopneumograph system | |
EP2538835A1 (en) | Physiological signal quality classification methods and systems for ambulatory monitoring | |
CN109805954B (zh) | 一种电子听诊器的摩擦音干扰自动消除方法 | |
WO2008000255A1 (en) | Method for segmenting a cardiovascular signal | |
Huq et al. | Automatic breath phase detection using only tracheal sounds | |
EP2427116A1 (en) | Method and system for respiratory phase classification using explicit labeling with label verification | |
CN111916104B (zh) | 一种人工智能物联网宿舍管理系统及方法 | |
Yahya et al. | Automatic detection and classification of acoustic breathing cycles | |
WO2012133931A1 (en) | Multistage system and method for estimating respiration parameters from acoustic signal | |
US20120253216A1 (en) | Respiration analysis using acoustic signal trends | |
US10426426B2 (en) | Methods and apparatus for performing dynamic respiratory classification and tracking | |
JP2012157558A (ja) | 心音測定装置 | |
CN105962897A (zh) | 一种自适应的鼾声信号检测方法 | |
Yamashita | Construction of effective HMMs for classification between normal and abnormal respiration | |
US20100210962A1 (en) | Respiratory signal detection and time domain signal processing method and system | |
Milicevic et al. | Classification accuracy comparison of asthmatic wheezing sounds recorded under ideal and real-world conditions | |
Aras et al. | Endpoint detection of lung sounds for electronic auscultation | |
CA2584258A1 (en) | Breathing sound analysis for estimation of airflow rate | |
US20240188921A1 (en) | Method for determining respiratory phases in an acoustic signal, computer program product, storage medium and corresponding device | |
CN105534544A (zh) | 一种智能心肺听诊装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130220 Termination date: 20161218 |