CN107545906A - 肺音信号处理方法、处理设备以及可读存储介质 - Google Patents
肺音信号处理方法、处理设备以及可读存储介质 Download PDFInfo
- Publication number
- CN107545906A CN107545906A CN201710729363.2A CN201710729363A CN107545906A CN 107545906 A CN107545906 A CN 107545906A CN 201710729363 A CN201710729363 A CN 201710729363A CN 107545906 A CN107545906 A CN 107545906A
- Authority
- CN
- China
- Prior art keywords
- bubble
- lung sounds
- inspiratory phase
- composition
- phase period
- 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
- 208000037656 Respiratory Sounds Diseases 0.000 title claims abstract description 77
- 238000012545 processing Methods 0.000 title claims abstract description 22
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 239000000203 mixture Substances 0.000 claims abstract description 93
- 230000003434 inspiratory effect Effects 0.000 claims abstract description 83
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 239000000470 constituent Substances 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 40
- 230000000241 respiratory effect Effects 0.000 claims description 32
- 238000001228 spectrum Methods 0.000 claims description 28
- 230000001186 cumulative effect Effects 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 description 16
- 210000004072 lung Anatomy 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 238000002555 auscultation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000029058 respiratory gaseous exchange Effects 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 5
- 201000008827 tuberculosis Diseases 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 206010007558 Cardiac failure chronic Diseases 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 1
- 244000283207 Indigofera tinctoria Species 0.000 description 1
- 208000029523 Interstitial Lung disease Diseases 0.000 description 1
- 208000011623 Obstructive Lung disease Diseases 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/003—Detecting lung or respiration noise
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/21—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being power information
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/66—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for extracting parameters related to health condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Pulmonology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种肺音信号处理方法、处理设备以及计算机可读存储介质。所述肺音信号处理方法包括:获取肺音信号;采用经验模态分解算法分解所述肺音信号,并计算得到湿罗音成分和呼吸音成分;基于所述呼吸音成分获得吸气相时段;从所述湿罗音成分提取位于所述吸气相时段中的湿罗音信号;以及依据所述湿罗音信号获得至少一个特征参数。
Description
技术领域
本公开的实施例涉及一种肺音信号处理方法、处理设备以及可读存储介质。
背景技术
肺部听诊音与肺部的病理状况相关,然而,由于人耳在不同频带的听觉灵敏度不同,且听诊音中的湿罗音强度低、持续时间短并且带宽广泛,进而导致不同的医生基于听诊获得的诊断结果不一致的情况经常发生。采用数字化听诊进行肺病的辅助诊断可以弥补医生听诊的主观性和局限性。
发明内容
本公开的至少一个实施例提供一种肺音信号处理方法,包括:获取肺音信号;采用经验模态分解算法分解所述肺音信号,并计算得到湿罗音成分和呼吸音成分;基于所述呼吸音成分获得吸气相时段;从所述湿罗音成分提取位于所述吸气相时段中的湿罗音信号;以及依据所述湿罗音信号获得至少一个特征参数。
例如,所述基于所述呼吸音成分获得吸气相时段,包括:基于所述呼吸音成分获得平稳呼吸周期;以及从所述平稳呼吸周期中获得所述吸气相时段;其中,所述平稳呼吸周期包括呼气相时段与所述吸气相时段。
例如,所述采用经验模态分解算法分解所述肺音信号,并计算得到湿罗音成分和呼吸音成分,包括:采用经验模态分解算法分解所述肺音信号,使所述肺音信号等于多个本征模态函数的累加和;计算所述多个本征模态函数中每个本征模态函数的频谱;设定阈值频率;将所述频谱大于所述阈值频率的两个以上本征模态函数求和,得到所述湿罗音成分;以及将所述频谱小于或等于所述阈值频率的两个以上本征模态函数求和,得到所述呼吸音成分。
例如,所述阈值频率位于30赫兹至50赫兹之间。
例如,所述依据所述湿罗音信号获得至少一个特征参数,包括:获得至少一个时域特征参数。
例如,所述至少一个时域特征参数包括:吸气相时段前期的湿罗音个数、吸气相时段后期的湿罗音个数、所述吸气相时段内的湿罗音个数、以及所述湿罗音信号的持续时长与所述吸气相时段长度的比值中的一或多个。
例如,所述依据所述湿罗音信号获得至少一个特征参数,包括:获得至少一个频域特征参数。
例如,所述至少一个频域特征参数包括:所述湿罗音信号的总能量、以及各子频带的湿罗音能量与所述总能量的比值中的至少之一。
例如,所述的肺音信号处理方法,还包括,获得所述湿罗音信号的频谱函数;基于所述频谱函数得到与所述湿罗音信号相应的总频宽;以及基于所述总频宽获得多个子频带;以及计算所述多个子频带中每个子频带的湿罗音能量。
本公开至少一个实施例还提供一种计算机可读存储介质,其上存储有计算机指令,所述计算机指令被处理器执行时实现以下操作:读取肺音信号;采用经验模态分解算法分解所述肺音信号,并计算得到湿罗音成分和呼吸音成分;基于所述呼吸音成分获得吸气相时段;从所述湿罗音成分提取位于所述吸气相时段中的湿罗音成分,得到湿罗音信号;以及依据所述湿罗音信号获得至少一个特征参数。
例如,所述计算机指令被处理器执行时还用于实现如下操作:基于所述至少一个特征参数对所述湿罗音信号进行分类。
本公开实施例还提供一种肺音信号处理设备,包括,存储器、处理器、分类以及至少一个听诊器;所述听诊器被配置为获取肺音信号;所述存储器存储指令,所述指令被所述处理器执行时实现以下操作:读取肺音信号;采用经验模态分解算法分解所述肺音信号,并计算得到湿罗音成分和呼吸音成分;基于所述呼吸音成分获得吸气相时段;从所述湿罗音成分提取位于所述吸气相时段中的湿罗音成分得到湿罗音信号;以及依据所述湿罗音信号获得至少一个特征参数;所述分类器被配置为:根据所述至少一个特征参数对所述湿罗音信号进行分类。
例如,所述分类器为随机森林分类器或决策树分类器。
例如,所述的肺音信号处理设备,还包括,显示器;所述显示器被配置为输出所述分类器的分类结果。
例如,所述分类器被配置为读取至少一个特征参数,其中,所述特征参数包括频域特征参数和时域特征参数中的至少一类。
本公开实施例提供的肺音信号处理设备和方法通过对非线性非平稳的生理肺音信号进行分解,提取多个特征参数,以便为肺部状态评估和疾病诊断提供参考依据,能够对数字化听诊进行辅助诊断,弥补医生听诊造成的主观性和局限性。从而,提高肺病诊断结果的准确性,有助于有效地区分各种肺病。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例的附图作简单地介绍,显而易见地,下面描述中的附图仅仅涉及本公开的一些实施例,而非对本公开的限制。
图1为本公开的一个实施例提供的肺音信号处理方法的流程图;
图2为本公开的一个实施例提供的计算湿罗音成分和呼吸音成分的方法流程图;
图3示出了一个示例性的肺音信号以及分解所述肺音信号后得到的湿罗音成分和呼吸音成分的示意图;
图4示出了一个示例性的呼吸音成分,以及呼吸音成分的平均功率曲线,和对平均功率曲线图平滑后的平滑功率曲线图;
图5示出了一个示例性的湿罗音信号的幅值图,分解湿罗音信号得到的第一本征模态函数的时域幅值图以及第一层本征模态函数的瞬时幅值图;
图6为本公开的一个实施例提供的一个吸气相时段的示意图;
图7为本公开的一个实施例提供的肺音信号处理设备的组成框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例的附图,对本公开实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本公开的一部分实施例,而不是全部的实施例。基于所描述的本公开的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
除非另外定义,本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。
图1为本公开的一个实施例提供的肺音信号处理方法100,该肺音信号处理方法100可以包括,但不限于:步骤101,获取肺音信号;步骤111,采用经验模态分解算法分解所述肺音信号,并计算得到湿罗音成分和呼吸音成分;步骤121,基于所述呼吸音成分获得吸气相时段;步骤131,从所述湿罗音成分提取位于所述吸气相时段中的湿罗音信号;以及步骤141,依据所述湿罗音信号获得至少一个特征参数。
在一些实施例中,步骤101所获取的肺音信号为采用听诊器读取的肺音信号,或者为将听诊器读取的肺音信号进行预处理后的肺音信号。例如,预处理包括采样处理和滤波处理。又例如,采样处理的采样时间为10秒,采样频率fs可以为10000Hz。
在一些实施例中,采用带通滤波器进行滤波处理。例如,具体可以使用8阶巴特沃斯带通滤波器,通带可以为50-2000Hz。将采样后得到的信号进行带通滤波可以去除心音信号、工频干扰等噪音。
在一些实施例中,在步骤121中,基于呼吸音成分获得吸气相时段的步骤可以包括:基于所述呼吸音成分获得平稳呼吸周期;以及从所述平稳呼吸周期中获得所述吸气相时段;其中,所述平稳呼吸周期包括呼气相时段与所述吸气相时段。例如,所谓平稳呼吸周期是指多个呼吸周期中功率曲线相对平稳的呼吸周期(例如可以参考图3以及对图3的说明)。
图2为本公开实施例提供的一种计算湿罗音成分和呼吸音成分的方法200。例如,图1中的步骤111可以采用方法200来实现。例如,方法200可以包括,但不限于:步骤201,采用经验模态分解算法分解所述肺音信号,使所述肺音信号等于多个本征模态函数的累加和;步骤211,计算所述多个本征模态函数中每个本征模态函数的频谱;步骤221,设定阈值频率;步骤231,将频谱大于所述阈值频率的两个以上本征模态函数求和,得到所述湿罗音成分;以及步骤241,将频谱小于或等于所述阈值频率的两个以上本征模态函数求和,得到所述呼吸音成分。例如,阈值频率范围可以为大于等于30赫兹且小于等于50赫兹(即,[30Hz,50Hz])。
以下以50赫兹作为设定的阈值频率为例,并结合图3举例说明获得湿罗音成分和呼吸音成分的过程。
图3中的(a)部分为获得的肺音信号示意图,图3中的(b)部分为分解(a)部分的肺音信号后得到的湿罗音成分的示意图,图3中的(c)部分为分解(a)部分的肺音信号后得到的呼吸音成分的示意图。
首先,对滤波后的肺音信号(如图3的(a)部分所示)使用经验模态分解(EmpiricalMode Decomposition,EMD)算法分解,通过自适应的分解将肺音信号s(t)分解成一系列本征模态函数IMF的累加和(如下公式(1)所示),其中各个本征模态函数IMF的频率逐渐降低,且每个本征模态函数IMF都具有各自的物理意义(例如,有些本征模态函数表征心音信号,有些本征模态函数表征呼吸音信号)。
上述s(t)表示未被分解的肺音信号,N代表分解得到的本征模态函数IMF的个数(即信号s(t)被分解的层数),rN(t)代表信号余量。
例如,当分解得到的某个本征模态函数不具有震荡性,即:函数只有一个过零点时,则终止对肺音信号进行经验模态分解,此时可以得到N的具体取值。
然后,使用快速傅里叶变换计算各个本征模态函数IMF的频谱,选择频率分布在50Hz以上的本征模态函数IMF累加之和作为湿罗音成分(例如,参见公式(2)),余下的本征模态函数IMF累加之和作为呼吸音成分(例如,参见公式(3)),即:
上述xcra(t)代表湿罗音成分,xres(t)代表呼吸音成分,这里1<k<N,公式(2)中的IMFk(t)傅里叶频谱的峰值对应的频率大于50Hz,且公式(3)中IMFk+1(t)傅里叶频谱的峰值对应的频率小于50Hz。
由于呼吸音信号与心跳音等生理或者非生理的噪声混合在一起,因此确定上述频率阈值50Hz的过程比较复杂。通过50Hz的频率值对非线性非平稳的肺音信号进行处理,可以有效的将肺音信号包含的湿罗音成分和呼吸音成分进行分离。
下面将结合图4和公式(4)举例说明获取图1中步骤121的吸气相时段的过程以及步骤131的湿罗音信号的过程。当然,吸气相时段以及湿罗音信号也可以根据其他方式获得,本公开在此不做限定。
图4中的(a)部分为图3中的(c)部分示出的呼吸音成分,图4中的(b)部分为与图4中的(a)部分示出的呼吸音成分所对应的平均功率曲线,图4中的(c)部分为对图4中的(b)部分的平均功率曲线图进行平滑后得到的平滑功率曲线图。在图4中的(c)部分示出的平滑功率曲线图上示出了所有的呼吸气相顶点(即峰值)的以及呼吸切换点(即谷底点)。
首先,计算呼吸音成分(即图4中的(a)部分)的HHT(Hilbert-Huang Transform)时频谱,并沿频率方向累加平均,获得基于HHT的平均功率曲线(即图中的4(b)部分所示),如公式(4):
这里fhigh=450Hz,flow=150Hz,Hres(fk,t)是xres(t)的HHT时频谱上点(t,fk)的幅值。上述公式(4)中的频带选择150-450Hz频带的主要原因是在这个频带范围内吸气相时段对应的湿罗音成分和呼气相时段对应的呼吸音成分的能量差异最明显。
然后,对计算后的平均功率曲线(如4中的(b)部分所示)使用滑动平均的方法进行平滑(例如,窗宽=50ms),识别平滑后平均功率曲线的峰值点为吸气相顶点(如图4中(c)部分中箭头所指向的峰值点),平滑后平均功率曲线的谷值点作为呼吸气相的切换点(如图4中(c)部分中箭头所指向的谷值点),获得呼吸气相的信息(即获得所有峰值点和谷值点),进而提取一个平稳呼吸周期中吸气相的湿罗音成分。例如,根据呼吸音成分获得一个采样周期的多个吸气相顶点和呼气与吸气的切换点(如图4中的(c)部分中的各个箭头指向的点);其次,再将吸气相顶点所在波形的起始时刻至呼吸气相切换点所在波形的终止时刻作为一个呼吸周期(如图4中的(c)部分示出了在10秒的采样周期中的T1和T2两个呼吸周期);最后,将得到的与各呼吸周期相应的平滑功率曲线段进行比较(例如,将图4中的(c)部分中的呼吸周期T1和T2对应的平均功率曲线段进行比较),将相对平稳的平均功率曲线段对应的呼吸周期作为平稳呼吸周期。例如,在图4中的(c)部分中,呼吸周期T1对应的平滑功率曲线段比呼吸周期T2对应的平滑功率曲线更加平稳,因此选择呼吸周期T1作为10秒的采样时段的平稳呼吸周期。
在一些实施例中,吸气相时段为位于平稳呼吸周期中的吸气相持续的时长。
需要说明的是,在一些实施例中,将图4中的(c)部分中位于平稳呼吸周期T1中的湿罗音成分作为后续特征参数分析的湿罗音信号。例如,后续的图5和图6均是以图4中的(c)部分中的平稳呼吸周期T1中的湿罗音成分作为湿罗音信号,从而进行分析及处理。
在一些实施例中,在图1的步骤141中,依据所述湿罗音信号(例如图4中的(c)部分中平稳呼吸周期T1对应的湿罗音成分为湿罗音信号)获得至少一个特征参数,包括:获得至少一个时域特征参数。所述至少一个时域特征参数包括:吸气相时段前期的湿罗音个数、吸气相时段后期的湿罗音个数、所述吸气相时段内的湿罗音个数、以及所述湿罗音信号的持续时长与所述吸气相时段长度的比值中的一或多个。
在一些实施例中,所述吸气相时段前期为位于一个吸气相时段中的较前位置处的一时段,且该时段持续的时长可以根据实际情况进行设置;所述吸气相时段后期为位于一个吸气相时段中的较后位置处的一时段,该时段持续的时长可以根据实际情况设置。例如,将一个吸气相时段从中间平均划分为两个独立的时段,其中的前一时段可以作为吸气相时段前期,后一时段可以作为吸气相时段后期。例如,也可以将一个吸气相时段划分为三个时间段,依据三个时间段出现的前后次序分别称为第一时段、第二时段和第三时段,其中的第一时段作为吸气相时段前期,第三时段作为吸气相时段后期。
以下结合公式(5)和图5、图6举例说明获得时域特征参数的过程。
图5中的(a)部分示出了湿罗音信号的幅值图(例如,湿罗音信号为与图4中的(c)部分中平稳呼吸周期T1包含的吸气相时段对应的湿罗音成分),图5中的(b)部分为对图5中的(a)部分的湿罗音信号分解得到的第一层本征模态函数IMF的时域幅值图,图5中的(c)部分为与图5中的(b)部分对应的第一层本征模态函数的瞬时幅值图。图5中的(c)部分中虚线用于指示选择幅值大于阈值(例如,0.01)的湿罗音成分作为湿罗音信号的组成部分,例如图5中的(c)部分中的三角图形指示的湿罗音成分为幅值大于0.01的湿罗音成分,这些成分组合在一起构成了湿罗音信号。在一些实施例中,统计湿罗音相关个数时,可以为统计如图5中的(c)部分示出的大于阈值的湿罗音的个数。例如,统计吸气相时段前期的湿罗音的个数和吸气相时段后期的湿罗音的个数也可以为分别统计位于吸气相时段前期和吸气相时段后期的幅值大于0.01的湿罗音的个数。
图6示出了将图5中的(c)部分的幅值与图4中的(c)部分示出的平稳呼吸周期T1时段的呼吸音成分叠加后得到的图像。另外图6中的T3表示平稳呼吸周期T1的吸气相时段,T4表示从平稳呼吸周期T1的起始时刻至吸气相时段内出现最后一个湿罗音的时刻之间的时长。
例如,将湿罗音信号的结束时间占吸气相时段的比例(Ending Time Ratio,ETR)作为另外一个时域特征参数,即:
上述Tending(即图6中的T4)表示从平稳呼吸周期的起始时刻至吸气相时段中最后一个湿罗音出现的时长,Tinspiration表示整个吸气相时段的持续时长(即图6中的T3)。
在一些实施例中,在步骤141中,依据湿罗音信号获得至少一个特征参数,包括:获得至少一个频域特征参数。所述至少一个频域特征参数包括:所述湿罗音信号的总能量、以及各子频带的湿罗音能量与所述总能量的比值中的至少之一。例如,获得至少一个频域特征参数可以包括:获得湿罗音的总能量;和/或获得各子频带的能量与所述总能量的比值。
在一些实施例中,获得湿罗音的总能量可以包括:计算所述吸气相时段内的湿罗音的频谱函数;基于所述频谱函数获得所述湿罗音的分布频带;计算位于所述分布频带内的湿罗音的总能量。
在一些实施例中,获得各子频带的能量比值可以包括:计算所述湿罗音信号的总能量;获取所述湿罗音信号的频谱函数;基于所述频谱函数得到所述湿罗音的分布频带;将所述分布频带划分为多个子频带;计算所述多个子频带中的每个子频带包含的湿罗音成分的能量;以及计算所述每个子频带的湿罗音能量与所述总能量的比值。
在一些实施例中,获得子频带的步骤可以包括:获得所述湿罗音信号的频谱函数;基于所述频谱函数得到与所述湿罗音信号相应的总频宽;以及基于所述总频宽获得多个子频带。例如,可以采用傅里叶变换获得总频宽。例如,可以将总频宽平均划分为多个子频带。例如,可以首先得到主要能量所在的频带,并将主要能量所在的频带划分为多个子频带,该主要能量所在的频带的宽度小于等于所述总频宽。例如,主要能量可以是总能量的70%、80%、90%或其他比例数值。例如,根据主要能量获得的主要能量所在的频带可能占总频带的80%或者90%或其他比例数值。
以下结合公式(6)、公式(7)以及公式(8),以主要能量所在的频带作为划分子频带的依据为例,详细说明获得频域特征参数的过程。
首先,计算一个吸气相时段内的湿罗音成分(即湿罗音信号)的HHT边际谱,计算公式如下:
上述Hcra(f,t)是湿罗音信号xcra(t)的HHT时频谱,h(f)表示湿罗音信号xcra(t)的HHT边际谱,t1表示所选吸气相时段的起始时间,t2表示所选吸气相时段的结束时间。
然后,按照如下公式计算湿罗音成分的总能量作为第一个频域特征参数:
上述E表示湿罗音成分的总能量,h(f)表示湿罗音信号xcra(t)的HHT边际谱,f0=50Hz,fT=1550Hz。公式(7)的积分上限和下限之所以选择50赫兹和1550赫兹是由于湿罗音成分的主要能量都分布在50~1550Hz的范围内。
最后,将湿罗音成分的主要能量频带(50~1550Hz)以100Hz的步长平均划分为15个子频带,按照下面的公式计算每个子频带的能量占总能量的比例(Energy Weight,EW)作为其它15个频域特征参数。
上述EWFB表示不同子频带上的能量比例,E表示湿罗音信号的总能量,f1和f2是不同子频带的截止频率,f1=50+(n-1)×100,f2=50+n×100,且1≤n≤15。
在一些实施例中,上述提取出的特征参数包括:湿罗音成分总能量E、不同子频带上的湿罗音成分能量比例EWFB(例如上述15各子频带对应的15个特征参数)、吸气相时段前期湿罗音出现个数、吸气相时段后期湿罗音出现个数、整个吸气相湿罗音出现个数、及湿罗音信号结束时间占吸气相时段的比例ETR,共20个特征参数(其中包括15各与子频带相关的特征参数)。可以将上述全部20个或者部分特征参数输入已训练的随机森林分类器对所述湿罗音信号进行分类识别,输出识别结果。
在一些实施例中,上述识别结果用于表征被测试者的肺音健康情况。也就是说识别结果用于表征被测试者是否健康,是否患有肺部疾病。
在一些实施例中,所述识别结果也可以为肺病患者的具体的疾病。例如,将上述20个参数作为输入分类器的特征矢量,之后分类器再根据间质性肺病患者特有爆裂音、慢性阻塞性肺病患者特有水泡音和慢性心衰患者特有水泡音等的特征,输出患者患有那种肺病的识别结果。
在一些实施例中,可以将得到的上述多个特征参数对应的数据作为训练数据,基于训练数据对随机森林分类器进行训练。
本公开实施例还提供一种计算机可读存储介质,其上存储有计算机指令,所述计算机指令被处理器执行时实现以下操作:读取肺音信号;采用经验模态分解算法分解所述肺音信号,并计算得到湿罗音成分和呼吸音成分;基于所述呼吸音成分获得吸气相时段;从所述湿罗音成分提取位于所述吸气相时段中的湿罗音信号;以及依据所述湿罗音信号获得至少一个特征参数。
在一些实施例中,所述计算机指令被处理器执行时还用于实现如下操作:基于所述至少一个特征参数对所述湿罗音信号进行分类。
在一些实施例,计算机可读存储介质可用于存储和/或转移可执行以实现此处所述的方法和过程的数据和/或指令。例如,计算机可读存储介质可以包括CD、DVD、HD-DVD、蓝光盘、EEPROM和/或软盘的形式。
在一些实施例中,本文描述的指令的各方面可以按暂态方式通过不由物理设备在至少有限持续时间期间保持的纯信号(例如电磁信号、光信号等)传播。此外,与本公开有关的数据和/或其它形式的信息可以通过纯信号来传播。
如图7所示,本公开实施例提供一种肺音信号处理设备700。肺音处理设备700可以包括:存储器712以及处理器711。在一些实施例中,信号处理设备还可以包括分类器713。在一些实施例中,所述肺音处理设备700还可以包括至少一个听诊器。当然,听诊器也可以不包括在肺音处理设备中,而是通过有线或无线连接与肺音处理设备700进行通信。听诊器可以被配置为获取肺音信号。
存储器712存储指令,所述指令被所述处理器执行时实现以下操作:读取肺音信号;采用经验模态分解算法分解所述肺音信号,并计算得到湿罗音成分和呼吸音成分;基于所述呼吸音成分获得吸气相时段;从所述湿罗音成分提取位于所述吸气相时段中的湿罗音信号;以依据所述湿罗音信号获得至少一个特征参数。分类器713被配置为根据所述至少一个特征参数对所述湿罗音信号进行分类。
在一些实施例中,所述分类器713为随机森林分类器或决策树分类器。
在一些实施例中,存储器712以及处理器711可以设置于同一个终端。例如,终端也可以包含显示器。例如,显示器可以为LED显示器等。
在一些实施例中,存储器712、处理器711以及分类器713设置于一个终端。分类器的相关指令也存储于所述存储器712中。在一些实施例中,采用传感器将从听诊器获得的肺音信号转化为电信号,并通过有线或者无线网络将获得的电信号传输至处理器513。
在一些实施例中,显示器714可以被配置为对分类器713的分类结果进行输出显示。
在一些实施例中,所述分类器被配置为读取至少一个特征参数,其中,所述特征参数包括频域特征参数和时域特征参数中的至少之一。例如,将频域特征参数或时域特征参数中的至少之一输入分类器,进行分类;或者将时域特征参数与频域特征参数同时输入分类器进行分类。例如,时域特征参数可以包括吸气相时段前期的湿罗音个数、吸气相时段后期的湿罗音个数、所述吸气相时段内的湿罗音个数、以及所述湿罗音信号的持续时长与所述吸气相时段长度的比值中的一或多个。
参照图1-6,对肺音信号处理设备700的相似的描述在此不再赘述。
综上所述,本公开实施例提供一种基肺音信号处理方法和设备,该方法和设备首先对采集到的肺音信号进行滤波等预处理,然后进行EMD分解,选取分布在湿罗音频带的IMF累加获得湿罗音成分,将剩余的IMF累加获得呼吸音成分,计算呼吸音成分的平均功率曲线,获得呼吸气相的信息。提取一个平稳呼吸周期的湿罗音用于特征提取,将提取出吸气相湿罗音总能量E、不同频带上的湿罗音能量比例EWFB、吸气相时段前期/后期湿罗音出现个数、整个吸气相湿罗音出现个数及湿罗音结束时间占吸气相的比例ETR等20个特征参数输入随机森林分类器进行自动分类识别,辅助医生诊断。本公开实施例提出一种有效区分间质性肺病患者特有爆裂音、慢性阻塞性肺病患者水泡音和慢性心衰患者水泡音的方法和设备,为医生诊断提供辅助信息,具有良好的临床应用价值。
本公开实施例附图只涉及到与本公开实施例涉及到的结构,其他结构可参考通常设计。在不冲突的情况下,本公开的各个实施例及各个实施例中的不同特征可以相互组合以得到新的实施例。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (15)
1.一种肺音信号处理方法,包括:
获取肺音信号;
采用经验模态分解算法分解所述肺音信号,并计算得到湿罗音成分和呼吸音成分;
基于所述呼吸音成分获得吸气相时段;
从所述湿罗音成分提取位于所述吸气相时段中的湿罗音信号;以及
依据所述湿罗音信号获得至少一个特征参数。
2.如权利要求1所述的肺音信号处理方法,其中,所述基于所述呼吸音成分获得吸气相时段,包括:
基于所述呼吸音成分获得平稳呼吸周期;以及
从所述平稳呼吸周期中获得所述吸气相时段;
其中,所述平稳呼吸周期包括呼气相时段与所述吸气相时段。
3.如权利要求1所述的肺音信号处理方法,其中,所述采用经验模态分解算法分解所述肺音信号,并计算得到湿罗音成分和呼吸音成分,包括:
采用经验模态分解算法分解所述肺音信号,使所述肺音信号等于多个本征模态函数的累加和;
计算所述多个本征模态函数中每个本征模态函数的频谱;
设定阈值频率;
将频谱大于所述阈值频率的两个以上本征模态函数求和,得到所述湿罗音成分;以及
将频谱小于或等于所述阈值频率的两个以上本征模态函数求和,得到所述呼吸音成分。
4.如权利要求3所述的肺音信号处理方法,其中,所述阈值频率位于30赫兹至50赫兹之间。
5.如权利要求1所述的肺音信号处理方法,其中,所述依据所述湿罗音信号获得至少一个特征参数,包括:获得至少一个时域特征参数。
6.如权利要求5所述的肺音信号处理方法,其中,所述至少一个时域特征参数包括:所述吸气相时段前期的湿罗音个数、所述吸气相时段后期的湿罗音个数、所述吸气相时段内的湿罗音个数、以及所述湿罗音信号的持续时长与所述吸气相时段长度的比值中的一或多个。
7.如权利要求1所述的肺音信号处理方法,其中,所述依据所述湿罗音信号获得至少一个特征参数,包括:获得至少一个频域特征参数。
8.如权利要求7所述的肺音信号处理方法,其中,所述至少一个频域特征参数包括:所述湿罗音信号的总能量、以及各子频带的湿罗音能量与所述总能量的比值中的至少之一。
9.如权利要求8所述的肺音信号处理方法,还包括,
获得所述湿罗音信号的频谱函数;
基于所述频谱函数得到与所述湿罗音信号相应的总频宽;以及
基于所述总频宽获得多个子频带;以及
计算所述多个子频带中每个子频带的湿罗音能量。
10.一种计算机可读存储介质,其上存储有计算机指令,所述计算机指令被处理器执行时实现以下操作:
读取肺音信号;
采用经验模态分解算法分解所述肺音信号,并计算得到湿罗音成分和呼吸音成分;
基于所述呼吸音成分获得吸气相时段;
从所述湿罗音成分提取位于所述吸气相时段中的湿罗音信号;以及
依据所述湿罗音信号获得至少一个特征参数。
11.如权利要求10所述的计算机可读存储介质,其中,所述计算机指令被处理器执行时还用于实现如下操作:
基于所述至少一个特征参数对所述湿罗音信号进行分类。
12.一种肺音信号处理设备,包括存储器和处理器,其中,
所述存储器存储指令,所述指令被所述处理器执行时实现以下操作:
读取肺音信号;
采用经验模态分解算法分解所述肺音信号,并计算得到湿罗音成分和呼吸音成分;
基于所述呼吸音成分获得吸气相时段;
从所述湿罗音成分提取位于所述吸气相时段中的湿罗音信号;以及
依据所述湿罗音信号获得至少一个特征参数。
13.如权利要求12所述的肺音信号处理设备,还包括分类器,被配置为:根据所述至少一个特征参数对所述湿罗音信号进行分类。
14.如权利要求13所述的肺音信号处理设备,其中,所述分类器为随机森林分类器或决策树分类器。
15.如权利要求12-14任一项所述的肺音信号处理设备,其中,所述至少一个特征参数包括频域特征参数和时域特征参数中的至少之一。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710729363.2A CN107545906B (zh) | 2017-08-23 | 2017-08-23 | 肺音信号处理方法、处理设备以及可读存储介质 |
US15/941,117 US11304662B2 (en) | 2017-08-23 | 2018-03-30 | Lung-sound signal processing method, processing device, and readable storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710729363.2A CN107545906B (zh) | 2017-08-23 | 2017-08-23 | 肺音信号处理方法、处理设备以及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107545906A true CN107545906A (zh) | 2018-01-05 |
CN107545906B CN107545906B (zh) | 2021-01-22 |
Family
ID=60958206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710729363.2A Active CN107545906B (zh) | 2017-08-23 | 2017-08-23 | 肺音信号处理方法、处理设备以及可读存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11304662B2 (zh) |
CN (1) | CN107545906B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543063A (zh) * | 2018-10-09 | 2019-03-29 | 天津大学 | 一种歌词歌曲匹配程度分析方法 |
CN110970042A (zh) * | 2019-12-13 | 2020-04-07 | 苏州美糯爱医疗科技有限公司 | 一种电子听诊器的肺部啰音人工智能实时分类方法、系统、装置及可读存储介质 |
CN113679413A (zh) * | 2021-09-15 | 2021-11-23 | 北方民族大学 | 一种基于vmd-cnn的肺音特征识别分类方法及系统 |
CN115089207A (zh) * | 2022-06-10 | 2022-09-23 | 海南医学院 | 一种呼吸音监测方法和呼吸音监测设备 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175508B (zh) * | 2019-04-09 | 2021-05-07 | 杭州电子科技大学 | 一种应用于超声波局放检测的特征值提取方法 |
US20220330912A1 (en) * | 2019-09-17 | 2022-10-20 | Dain Technology, Inc. | Method, system, and non-transitory computer-readable recording media for analyzing breathing-related sound |
CN112598033B (zh) * | 2020-12-09 | 2022-08-30 | 兰州大学 | 生理信号处理方法、装置、设备及存储介质 |
CN112687281B (zh) * | 2020-12-28 | 2022-08-30 | 广州医科大学附属第五医院 | 一种异常肺部听诊音智能识别系统 |
CN112932525B (zh) * | 2021-01-27 | 2023-04-07 | 山东大学 | 一种肺音异常智能诊断系统、介质及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6168568B1 (en) * | 1996-10-04 | 2001-01-02 | Karmel Medical Acoustic Technologies Ltd. | Phonopneumograph system |
US20030033094A1 (en) * | 2001-02-14 | 2003-02-13 | Huang Norden E. | Empirical mode decomposition for analyzing acoustical signals |
US20080243014A1 (en) * | 2007-03-28 | 2008-10-02 | Zahra Moussavi | Breathing sound analysis for detection of sleep apnea/popnea events |
WO2010132850A1 (en) * | 2009-05-15 | 2010-11-18 | Kai Medical, Inc. | Non-contact physiologic motion sensors and methods for use |
CN105913066A (zh) * | 2016-04-13 | 2016-08-31 | 刘国栋 | 一种基于相关向量机的数字化肺音特征降维方法 |
CN106510751A (zh) * | 2016-09-28 | 2017-03-22 | 华南师范大学 | 多功能电子听诊器及听诊系统 |
US20170135649A1 (en) * | 2014-07-01 | 2017-05-18 | Pioneer Corporation | Breath sound analyzing apparatus, breath sound analyzing method, computer program, and recording medium |
US20170135644A1 (en) * | 2015-11-18 | 2017-05-18 | National Chiao Tung University | Physiological signal measuring system and method thereof |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6738734B1 (en) * | 1996-08-12 | 2004-05-18 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Empirical mode decomposition apparatus, method and article of manufacture for analyzing biological signals and performing curve fitting |
US20060247550A1 (en) * | 2001-05-28 | 2006-11-02 | Arvind Thiagarajan | System and methods for gating heart signals |
RU2017124900A (ru) * | 2014-12-12 | 2019-01-14 | Конинклейке Филипс Н.В. | Система для мониторинга, способ мониторинга и компьютерная программа для мониторинга |
US20180177432A1 (en) * | 2016-12-27 | 2018-06-28 | Strados Labs Llc | Apparatus and method for detection of breathing abnormalities |
-
2017
- 2017-08-23 CN CN201710729363.2A patent/CN107545906B/zh active Active
-
2018
- 2018-03-30 US US15/941,117 patent/US11304662B2/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6168568B1 (en) * | 1996-10-04 | 2001-01-02 | Karmel Medical Acoustic Technologies Ltd. | Phonopneumograph system |
US20030033094A1 (en) * | 2001-02-14 | 2003-02-13 | Huang Norden E. | Empirical mode decomposition for analyzing acoustical signals |
US20080243014A1 (en) * | 2007-03-28 | 2008-10-02 | Zahra Moussavi | Breathing sound analysis for detection of sleep apnea/popnea events |
WO2010132850A1 (en) * | 2009-05-15 | 2010-11-18 | Kai Medical, Inc. | Non-contact physiologic motion sensors and methods for use |
US20170135649A1 (en) * | 2014-07-01 | 2017-05-18 | Pioneer Corporation | Breath sound analyzing apparatus, breath sound analyzing method, computer program, and recording medium |
US20170135644A1 (en) * | 2015-11-18 | 2017-05-18 | National Chiao Tung University | Physiological signal measuring system and method thereof |
CN105913066A (zh) * | 2016-04-13 | 2016-08-31 | 刘国栋 | 一种基于相关向量机的数字化肺音特征降维方法 |
CN106510751A (zh) * | 2016-09-28 | 2017-03-22 | 华南师范大学 | 多功能电子听诊器及听诊系统 |
Non-Patent Citations (4)
Title |
---|
ASHOK MONDAL等: "Enhancement of lung sounds based on empirical mode decomposition and Fourier transform algorithm", 《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》 * |
M. ONO, K. ARAKAWA, M. MORI, T. SUGIMOTO AND H. HARASHIMA: "Separation of fine crackles from vesicular sounds by a nonlinear digital filter", 《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》 * |
MARQUES, ALDA & BRUTON, ANNE & BARNEY, ANNA.: "The reliability of lung crackle characteristics in cystic fibrosis and bronchiectasis patients in a clinical setting", 《PHYSIOLOGICAL MEASUREMENT》 * |
雍希: "基于EMD及SVD的心音信号提取方法研究", 《重庆大学硕士学位论文》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543063A (zh) * | 2018-10-09 | 2019-03-29 | 天津大学 | 一种歌词歌曲匹配程度分析方法 |
CN109543063B (zh) * | 2018-10-09 | 2020-12-29 | 天津大学 | 一种歌词歌曲匹配程度分析方法 |
CN110970042A (zh) * | 2019-12-13 | 2020-04-07 | 苏州美糯爱医疗科技有限公司 | 一种电子听诊器的肺部啰音人工智能实时分类方法、系统、装置及可读存储介质 |
WO2021114761A1 (zh) * | 2019-12-13 | 2021-06-17 | 苏州美糯爱医疗科技有限公司 | 一种电子听诊器的肺部啰音人工智能实时分类方法、系统、装置及可读存储介质 |
CN110970042B (zh) * | 2019-12-13 | 2023-04-18 | 苏州美糯爱医疗科技有限公司 | 一种电子听诊器的肺部啰音人工智能实时分类方法、系统、装置及可读存储介质 |
CN113679413A (zh) * | 2021-09-15 | 2021-11-23 | 北方民族大学 | 一种基于vmd-cnn的肺音特征识别分类方法及系统 |
CN113679413B (zh) * | 2021-09-15 | 2023-11-10 | 北方民族大学 | 一种基于vmd-cnn的肺音特征识别分类方法及系统 |
CN115089207A (zh) * | 2022-06-10 | 2022-09-23 | 海南医学院 | 一种呼吸音监测方法和呼吸音监测设备 |
Also Published As
Publication number | Publication date |
---|---|
US20190059824A1 (en) | 2019-02-28 |
US11304662B2 (en) | 2022-04-19 |
CN107545906B (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107545906A (zh) | 肺音信号处理方法、处理设备以及可读存储介质 | |
EP1740095B1 (en) | Non-invasive monitoring of respiratory rate | |
CN104757975B (zh) | 使用血氧饱和度信号辨别潮式呼吸模式 | |
US7025729B2 (en) | Apparatus for detecting sleep apnea using electrocardiogram signals | |
JP4832289B2 (ja) | 呼吸事象検出システムおよび方法 | |
Taplidou et al. | Analysis of wheezes using wavelet higher order spectral features | |
EP2621336B1 (en) | Apparatus and method for diagnosing obstructive sleep apnea | |
CN108596043A (zh) | 基于集合经验模式分解的单导联脑电信号的睡眠自动分期的方法 | |
CN104739412B (zh) | 一种对睡眠呼吸暂停进行监测的方法和设备 | |
CN107874750B (zh) | 脉率变异性和睡眠质量融合的心理压力监测方法及装置 | |
CA2847412C (en) | System and methods for estimating respiratory airflow | |
CN103892812B (zh) | 匹配度分析技术 | |
Sloboda et al. | A simple sleep stage identification technique for incorporation in inexpensive electronic sleep screening devices | |
CN113143271A (zh) | 一种孕产妇心理健康评测和深呼吸情绪调理系统 | |
CN115630290B (zh) | 基于同步挤压变换的心肺耦合特征提取方法与系统 | |
Soltanzadeh et al. | Sleep stage detection using tracheal breathing sounds: a pilot study | |
Bandyopadhyaya et al. | Automatic lung sound cycle extraction from single and multichannel acoustic recordings | |
Hoppenbrouwer et al. | Airflow from nasal pulse oximetry in the screening of obstructive sleep apnea | |
CN108652658A (zh) | 爆裂音识别方法及系统 | |
Potdar et al. | Removal of Heart Sound from Lung Sound using LabVIEW 8.6 | |
Kahya et al. | Modeling of respiratory crackles | |
CN104688264B (zh) | 喘鸣音检测装置和方法 | |
US20240188921A1 (en) | Method for determining respiratory phases in an acoustic signal, computer program product, storage medium and corresponding device | |
Fahed et al. | Random forest classification of breathing phases from audio signals recorded using mobile devices | |
CN117747117B (zh) | 基于声响的睡眠呼吸评价及辅助调节方法、系统和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |