CN114680867A - 呼吸功能检测方法及装置 - Google Patents
呼吸功能检测方法及装置 Download PDFInfo
- Publication number
- CN114680867A CN114680867A CN202011626147.3A CN202011626147A CN114680867A CN 114680867 A CN114680867 A CN 114680867A CN 202011626147 A CN202011626147 A CN 202011626147A CN 114680867 A CN114680867 A CN 114680867A
- Authority
- CN
- China
- Prior art keywords
- function detection
- respiratory function
- training
- classification
- sound
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Pulmonology (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种呼吸功能检测方法及装置。所述方法包括:训练多个分类模型,通过收音装置来对呼吸声音进行收音,以产生呼吸信号,并且经由已训练的各分类模型来对呼吸信号进行分类,以获得对应于各分类模型的分类结果。
Description
技术领域
本发明涉及一种生理状态检测方法及装置,且特别是有关于一种呼吸功能检测方法及装置。
背景技术
由于工业的迅速发展和气候变化导致严重的空气污染,呼吸功能障碍目前已成为紧急的公共卫生问题。呼吸系统疾病(Respiratory Disease)可分为两类:限制性(respiratory)疾病与阻塞性(obstruction)疾病。其中,间质性肺疾病(interstitiallung disease,ILD)是限制性疾病的代表之一,而慢性阻塞性肺疾病(ChronicObstruction Pulmonary Disease,COPD)是阻塞性疾病的代表之一。其中,COPD经常伴随发生例如心血管疾病、代谢症候群、忧郁症等慢性疾病。
而为了识别呼吸功能障碍,开发了各种临床测定法。其中,肺活量测定法是当前常用测定方法,其是将肺量计放至患者嘴内,请患者用力吸气后再吐气,来量测肺部的气体量和速度,藉此进行评估。然而,现有做法皆需要训练有素的专家和复杂的设备,因而限制了对公众的普及性。
发明内容
本发明针对一种呼吸功能检测方法及装置,可实时检测呼吸功能,以判定是否有潜在的呼吸系统疾病的风险。
根据本发明的实施例,呼吸功能检测方法包括:训练多个分类模型;通过收音装置来对呼吸声音进行收音,以产生呼吸信号;以及经由已训练的所述分类模型分别来对呼吸信号进行分类,以获得对应于各分类模型的分类结果。
在根据本发明的实施例的呼吸功能检测方法中,所述训练分类模型的步骤包括:基于多个反映肺部生理状况的参数,控制气流产生器产生用以模拟呼吸的多种气流;通过收音装置对这些气流进行收音而产生多个训练信号;以及利用所述训练信号来训练所述分类模型。
在根据本发明的实施例的呼吸功能检测方法中,所述训练分类模型的步骤包括:基于多个病人呼吸图谱来产生训练信号;以及利用所述训练信号来训练所述分类模型。
在根据本发明的实施例的呼吸功能检测方法中,所述分类模型包括支持向量机(Support Vector Machine,SVM)模型、卷积神经网络(Convolutional Neural Network,CNN)模型以及应用长短期记忆的复合卷积神经网络(compounded CNN with Long-ShortTerm Memory,ConvLSTM)模型。
在根据本发明的实施例的呼吸功能检测方法中,所述分类结果为轻微慢性阻塞性肺病、严重慢性阻塞性肺病、间质性肺疾病(interstitial lung disease,ILD)以及正常状态中的一个。
在根据本发明的实施例的呼吸功能检测方法中,所述收音装置以非接触方式进行收音。
在根据本发明的实施例的呼吸功能检测方法中,所述收音装置为麦克风。
根据本发明的实施例,呼吸功能检测装置包括:收音装置以及运算装置。运算装置,耦接至收音装置,并经配置以:训练多个分类模型;通过收音装置来对呼吸声音进行收音,以产生呼吸信号;以及经由已训练的所述分类模型分别来对呼吸信号进行分类,以获得对应于各分类模型的分类结果。
基于上述内容,使用机器学习算法来建立多个分类模型,通过直接对呼吸声音进行收音来帮助识别呼吸功能是否异常。据此,不仅能从限制性疾病中识别出阻塞性疾病,它还可以作为需要持续保持警惕的患者的监测设备。
附图说明
图1是依照本发明一实施例的呼吸功能检测装置的方块图。
图2是依照本发明一实施例的呼吸功能检测方法的流程图。
图3是依照本发明一实施例的训练分类模型的示意图。
图4是依照本发明一实施例的分类模块准确率的比较图。
附图标记说明
100:呼吸功能检测装置
110:运算装置
130:收音装置
S210~S230:呼吸功能检测方法的各步骤
310:训练信号
320:SVM模型
330:CNN模型
340:ConvLSTM模型
350:分类结果
具体实施方式
现将详细地参考本发明的示范性实施例,示范性实施例的实例说明于附图中。只要有可能,相同组件符号在附图和描述中用来表示相同或相似部分。
图1是依照本发明一实施例的呼吸功能检测装置的方块图。请参照图1,呼吸功能检测装置100包括运算装置110以及收音装置130。运算装置110可通过有线方式或无线方式耦接至收音装置130。而收音装置130可内建于运算装置110,也可外接至运算装置110。运算装置110为具有运算功能的电子装置。例如,运算装置110为笔记本计算机、平板计算机、智能型手机等。
收音装置130例如为手持式的麦克风,其可以非接触方式进行收音。在一实施例中,可将收音装置130与运算装置110整合至穿戴式装置或可携式电子装置上。例如,在智能型手表或智能型手机上设置收音装置130以便于用户收集呼吸声音。
在一实施例中,可在训练分类模型的过程中,利用气流产生器产生用以模拟呼吸的多种气流。具体而言,通过运算装置110控制气流产生器基于多个反映肺部生理状况的参数来产生气流。例如,根据肺的顺应性(Lung Compliance)和抵抗力来模拟病理状况,藉此重建多种呼吸模式,以基于各呼吸模式来产生对应的气流(模拟呼吸的气流)。呼吸气流依赖于肺的弹性后坐力和气道阻力之间的平衡。肺顺应性表明经肺压的肺活量变化,而气道阻力规定呼吸压力下的流速。顺应性和抵抗力都是量化呼吸系统功能的重要指标。所述病理状况例如为慢性阻塞性肺疾病(Chronic Obstruction Pulmonary Disease,COPD)、间质性肺疾病(ILD)等。
在训练模型阶段,将收音装置130移动至气流产生器的输出口附近,以对气流产生器所产生的气流进行收音来产生训练信号。之后,将训练信号传送给运算装置110来训练多个分类模型。
另外,在另一实施例中,利用呼吸描记器(Pneumograph)来对多个病人进行测量,以此获得多个病人呼吸图谱。呼吸描记器用以记录呼吸中胸部运动的速度和力量。而运算装置110基于这些病人呼吸图谱来产生多个训练信号,并利用这些训练信号来训练分类模型。
另外,亦可直接针对多个病人进行呼吸声音的收音,据此来建立训练用的声音数据库。
图2是依照本发明一实施例的呼吸功能检测方法的流程图。请同时参照图1及图2,首先,在步骤S210中,训练多个分类模型。在此,可藉由气流产生器来产生用以模拟呼吸的多种气流。例如,运算装置110基于多个反映肺部生理状况的参数,控制气流产生器产生气流。接着,通过收音装置130对所述气流进行收音而产生多个训练信号。另外,在其他实施例中,运算装置110也可基于多个病人呼吸图谱来产生多个训练信号。之后,运算装置110便可利用所述训练信号来训练分类模型。
在一实施例中,所述分类模型包括支持向量机(Support Vector Machine,SVM)模型、卷积神经网络(Convolutional Neural Network,CNN)模型以及应用长短期记忆的复合卷积神经网络(compounded CNN with Long-Short Term Memory,ConvLSTM)模型。然而,在此仅为举例说明,并不以此为限。
在此,SVM模型是使用Python程序语言的自由软件机器学习库(例如Scikit-learn库)来实现。而具有TensorFlow后端的Keras库则用于神经网络结构。
在一实施例中,采用9成分的主成分分析(Principal Component Analysis,PCA)来提取特征,以搭配SVM模型使用。
而CNN模型包括2个卷积层(Convolutional layer)。第一层卷积层包含5个滤波器。每一个滤波器的卷积核尺寸(kernel size)为5×1,步长(stride)为5,且具有修正线性单元(Rectified Linear Unit,ReLU)激活函数以及L2正规化(L2 regularization)。接着,使用大小为2和0.5的释放层(dropout layer)的最大池化(max pooling)。第二层卷积层包含20个滤波器,其使用参数与第一层相同。在全连接层(Fully Connected layer)中,使用30个隐藏神经元和ReLU激活函数。在最终密集层(final dense layer)中,使用softmax激活函数,以生成逐级分类机率。
另外,在ConvLSTM模型中,在密集层(dense layer)之前引入了具有ReLU激活函数和L2正规化功能的附加64单元的LSTM层。并且,使用Adam等优化器(optimizer)来进行权重优化,以最小化两个神经网络模型(neural network(NN)model)中的分类交叉熵(crossentropy)的损失。
图3是依照本发明一实施例的训练分类模型的示意图。图4是依照本发明一实施例的分类模块准确率的比较图。请参照图3及图4,将多个训练信号310分别作为SVM模型320、CNN模型330以及ConvLSTM模型340的输入来获得分类结果350。
在一实施例中,气流产生器针对特定生理条件进行参数设置,以建立多种呼吸模式,再通过收音装置130来获得训练信号310。例如,使用了两个极端COPD水平(下文称为轻微COPD、严重COPD)来识别出轻度病例和严重病例。每种疾病重建了75种不同的呼吸模式。
在此,声音波形直接用于训练SVM模型320、CNN模型330以及ConvLSTM模型340,以便区分轻微COPD、严重COPD、ILD以及正常状态。如图4所示,SVM模型320、CNN模型330以及ConvLSTM模型340的准确率皆保持在90%以上。
在监督学习领域中,SVM模型320是具有高维特征映射函数的强大分类器,可通过超平面(hyperplane)使得类别分离。但是,这种浅层机器学习技术适用于小型数据集。随着数据集的数据数量的增加以及更多类别可供选择,重叠特征会使支持向量不堪负荷,从而导致性能下降。对于一个具有大量类别重叠的足够大的数据集,CNN模型330和ConvLSTM模型340则优于SVM模型320。
在分类模型训练完之后,在步骤S220中,通过收音装置130来对呼吸声音进行收音,以产生呼吸信号。在此,利用手持式的收音装置以非接触方式对目标对象的呼吸声音进行收音。
之后,在步骤S230中,经由已训练的分类模型(如图3所示的SVM模型320、CNN模型330以及ConvLSTM模型340)分别来对呼吸信号进行分类,以获得对应于各分类模型的分类结果。之后,还可根据所获得的多个分类结果来进行交叉验证。另外,在其他实施例中,在步骤S230中亦可只采用准确率最高的分类模型来进行分类。
综上所述,本公开使用机器学习算法来建立多个分类模型,通过直接对呼吸声音进行收音来帮助识别呼吸功能是否异常。据此,不仅能从限制性疾病中识别出阻塞性疾病,它还可以作为需要持续保持警惕的患者的监测设备,并且大幅简化了输入数据的取得方式。
与当前常用测定方法需要专业和复杂设备的繁重需求相反,本公开使用低成本的收音装置(例如麦克风)即能够达成呼吸功能监测的效果。这种方法可以为初步诊断提供基础,并且可以进一步有助于呼吸道健康的实时检验。基于本公开可趁早评估出潜在的呼吸系统疾病,以及时干预来缓解症状并限制疾病进展,同时可以减轻财务负担。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (14)
1.一种呼吸功能检测方法,其特征在于,包括:
训练多个分类模型;
通过收音装置来对呼吸声音进行收音,以产生呼吸信号;以及
经由已训练的所述分类模型分别来对所述呼吸信号进行分类,以获得对应于各所述分类模型的分类结果。
2.根据权利要求1所述的呼吸功能检测方法,其中训练所述分类模型的步骤包括:
基于多个反映肺部生理状况的参数,控制气流产生器产生用以模拟呼吸的多种气流;
通过所述收音装置对所述气流进行收音而产生多个训练信号;以及
利用所述训练信号来训练所述分类模型。
3.根据权利要求1所述的呼吸功能检测方法,其中训练所述分类模型的步骤包括:
基于多个病人呼吸图谱来产生训练信号;以及
利用所述训练信号来训练所述分类模型。
4.根据权利要求1所述的呼吸功能检测方法,其中所述分类模型包括支持向量机模型、卷积神经网络模型以及应用长短期记忆的复合卷积神经网络模型。
5.根据权利要求1所述的呼吸功能检测方法,其中所述分类结果为轻微慢性阻塞性肺病、严重慢性阻塞性肺病、间质性肺疾病以及正常状态中的一个。
6.根据权利要求1所述的呼吸功能检测方法,其中所述收音装置以非接触方式进行收音。
7.根据权利要求1所述的呼吸功能检测方法,其中所述收音装置为麦克风。
8.一种呼吸功能检测装置,其特征在于,包括:
收音装置;以及
运算装置,耦接至所述收音装置,并经配置以:
训练多个分类模型;
通过所述收音装置来对呼吸声音进行收音,以产生呼吸信号;以及
经由已训练的所述分类模型分别来对所述呼吸信号进行分类,以获得对应于各所述分类模型的分类结果。
9.根据权利要求8所述的呼吸功能检测装置,其中所述运算装置耦接至气流产生器,且经配置以控制所述气流产生器基于多个反映肺部生理状况的参数来产生多种气流,
所述收音装置对所述气流进行收音而产生多个训练信号,
所述运算装置自所述收音装置获得所述训练信号,以利用所述训练信号来训练所述分类模型。
10.根据权利要求8所述的呼吸功能检测装置,其中所述运算装置经配置以基于多个病人呼吸图谱来产生训练信号,并利用所述训练信号来训练所述分类模型。
11.根据权利要求8所述的呼吸功能检测装置,其中所述分类模型包括支持向量机模型、卷积神经网络模型以及应用长短期记忆的复合卷积神经网络模型。
12.根据权利要求8所述的呼吸功能检测装置,其中所述分类结果为轻微慢性阻塞性肺病、严重慢性阻塞性肺病、间质性肺疾病以及正常状态中的一个。
13.根据权利要求8所述的呼吸功能检测装置,其中所述收音装置以非接触方式进行收音。
14.根据权利要求8所述的呼吸功能检测装置,其中所述收音装置为麦克风。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011626147.3A CN114680867A (zh) | 2020-12-30 | 2020-12-30 | 呼吸功能检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011626147.3A CN114680867A (zh) | 2020-12-30 | 2020-12-30 | 呼吸功能检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114680867A true CN114680867A (zh) | 2022-07-01 |
Family
ID=82134974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011626147.3A Pending CN114680867A (zh) | 2020-12-30 | 2020-12-30 | 呼吸功能检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114680867A (zh) |
-
2020
- 2020-12-30 CN CN202011626147.3A patent/CN114680867A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108597601B (zh) | 基于支持向量机的慢性阻塞性肺疾病诊断辅助系统及方法 | |
WO2020008365A2 (en) | Transferring learning in classifier-based sensing systems | |
Trivedy et al. | Design and development of smartphone-enabled spirometer with a disease classification system using convolutional neural network | |
Zulfiqar et al. | Abnormal respiratory sounds classification using deep CNN through artificial noise addition | |
CN111248859A (zh) | 基于卷积神经网络的睡眠呼吸暂停自动检测方法 | |
CN108720837A (zh) | 用于检测呼吸阶段的方法、系统和装置 | |
US11676713B2 (en) | Data processing system for classifying keyed data representing inhaler device operation | |
US20220202389A1 (en) | Method and apparatus for detecting respiratory function | |
EP3817650A1 (en) | Sensing system and method for monitoring time-dependent processes | |
CN113436726A (zh) | 一种基于多任务分类的肺部病理音自动化分析方法 | |
Baghel et al. | ALSD-Net: Automatic lung sounds diagnosis network from pulmonary signals | |
Palaniappan et al. | Classification of pulmonary pathology from breath sounds using the wavelet packet transform and an extreme learning machine | |
WO2021122672A1 (en) | A cough detection system and method | |
CN114680867A (zh) | 呼吸功能检测方法及装置 | |
CN110598789A (zh) | 一种基于模糊感知器的人体疲劳状态预测方法及系统 | |
Chen et al. | An Interpretable Deep Learning Optimized Wearable Daily Detection System for Parkinson’s Disease | |
Tyagi et al. | Systematic review of automated sleep apnea detection based on physiological signal data using deep learning algorithm: a meta-analysis approach | |
Bhatta et al. | Respiratory Analysis–Detection of Various Lung diseases using Audio Signals | |
Milicevic et al. | Classification accuracy comparison of asthmatic wheezing sounds recorded under ideal and real-world conditions | |
US20230380792A1 (en) | Method and apparatus for determining lung pathologies and severity from a respiratory recording and breath flow analysis using a convolution neural network (cnn) | |
Grønnesby | Automated lung sound analysis | |
Sharma et al. | Deep Learning Approach for Analysis of Artifacts in Heart Sound | |
US20230380719A1 (en) | Method and apparatus for simultaneous collection, processing and display of audio and flow events during breathing | |
Shivaanivarsha et al. | Respiratory Sound Analysis for Lung Disease Diagnosis | |
Lalouani et al. | Enabling effective breathing sound analysis for automated diagnosis of lung diseases |
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 |