CN115209794A - 使用语音记录和听诊的医疗状况诊断 - Google Patents

使用语音记录和听诊的医疗状况诊断 Download PDF

Info

Publication number
CN115209794A
CN115209794A CN202180017631.2A CN202180017631A CN115209794A CN 115209794 A CN115209794 A CN 115209794A CN 202180017631 A CN202180017631 A CN 202180017631A CN 115209794 A CN115209794 A CN 115209794A
Authority
CN
China
Prior art keywords
transfer function
recorded
signal
patient
acoustic signal
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
Application number
CN202180017631.2A
Other languages
English (en)
Inventor
伊兰·沙洛姆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cotio Medical
Original Assignee
Cotio Medical
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Cotio Medical filed Critical Cotio Medical
Publication of CN115209794A publication Critical patent/CN115209794A/zh
Pending legal-status Critical Current

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
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • 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
    • 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
    • A61B5/48—Other medical applications
    • A61B5/4803—Speech analysis specially adapted for diagnostic purposes
    • 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
    • A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
    • 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
    • A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
    • A61B5/4839—Diagnosis combined with treatment in closed-loop systems or methods combined with drug delivery
    • 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
    • A61B5/4869—Determining body composition
    • A61B5/4875—Hydration status, fluid retention of the body
    • A61B5/4878—Evaluating oedema
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B7/00—Instruments for auscultation
    • A61B7/02—Stethoscopes
    • A61B7/026—Stethoscopes comprising more than one sound collector
    • 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
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/04—Constructional details of apparatus
    • A61B2560/0475—Special features of memory means, e.g. removable memory cards

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Acoustics & Sound (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Artificial Intelligence (AREA)
  • Pulmonology (AREA)
  • Epidemiology (AREA)
  • Cardiology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Electrotherapy Devices (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

一种用于医疗诊断的方法，包括记录由于患者(22)说话的声音而产生的语音信号，以及记录由与患者胸腔接触的声学换能器与该语音信号同时输出的声学信号。计算记录的语音信号和记录的声学信号之间或者记录的声学信号和记录的语音信号之间的传递函数。评价所计算的传递函数以便评估患者的医疗状况。

Description

使用语音记录和听诊的医疗状况诊断
发明领域
本发明大体上涉及用于医疗诊断的系统和方法，特别涉及肺水肿的检测和评估。
背景
肺水肿是心力衰竭的一种常见结果，在心力衰竭中，液体积聚在肺的实质(parenchyma)和气隙(air space)内。它会导致气体交换受损，并可能导致呼吸衰竭。
心力衰竭患者可以通过适当的药物长期保持在稳定状况(“代偿的(compensated)”)。然而，各种意想不到的变化可能会使患者的状况变得不稳定，导致“失代偿(decompensation)”。在失代偿过程的开始，液体从肺毛细血管泄漏到肺泡周围的间隙(interstitial space)中。当间隙中的液体压力增加时，液体从间隙泄漏进入肺泡，呼吸变得困难。在呼吸窘迫发作之前，早期检测和治疗失代偿是很重要的。
本领域中已知用于检测肺中液体积聚的各种方法。例如，PCT国际出版物WO 2017/060828(其公开内容通过引用并入本文)描述了一种装置，其中处理器接收存在与过量液体积聚相关的肺部状况的受试者的话语。处理器通过分析该话语识别一个或更多个话语相关的参数，响应于该话语相关的参数评估肺部状况的状态，并生成指示肺部状况状态的输出。
作为另一个示例，Mulligan等人在一篇题为“Detecting regional lungproperties using audio transfer functions of the respiratory system”的文章中描述了在检测肺中的液体时使用音频响应，该文章于2009年出版于Annual InternationalConference of the IEEE Engineering in Medicine and Biology Society(IEEE，2009)。作者开发了一种用于测量呼吸系统肺液分布变化的仪器。该仪器由一个扬声器和一个由四个电子听诊器构成的阵列组成，该扬声器将0-4kHz的高斯白噪声(WGN)信号输入到患者的口中，该四个电子听诊器经由可完全调节的线束连接起来，用于恢复胸部表面上的信号。用于处理数据的软件系统利用自适应滤波的原理，以便获得传递函数，该传递函数表示当肺中液体体积变化时信号的输入-输出关系。
概述
下面描述的本发明的实施例提供了用于检测肺部状况的改进的方法和装置。
因此，根据本发明的实施例，提供了一种用于医疗诊断的方法，该方法包括记录由于患者说话的声音而产生的语音信号，以及记录由与患者胸腔接触的声学换能器与该语音信号同时输出的声学信号。计算记录的语音信号和记录的声学信号之间或记录的声学信号和记录的语音信号之间的传递函数。评价所计算的传递函数以评估患者的医疗状况。
在一些实施例中，评价计算的传递函数包括评价计算的传递函数与基线传递函数之间的偏差，以及响应于评价的偏差检测患者的医疗状况的变化。在一个实施例中，检测变化包括检测患者胸腔中液体的积聚。方法可包括响应于检测到变化而对患者实施治疗，以便减少胸腔中积聚的液体量。
替代地或附加地，评价所计算的传递函数包括评估患者的间质性肺病。
在公开的实施例中，该方法包括对患者实施治疗，以便治疗评估的医疗状况。
在一些实施例中，记录声学信号包括在计算传递函数之前从由声学换能器输出的声学信号中消除心音。在一个实施例中，消除心音包括在声学信号中检测包括心音在内的无关(extraneous)声音的出现间隔，以及从用于计算传递函数的声学信号中消除这些间隔。
附加地或替代地，消除心音包括在计算传递函数之前从记录的声学信号中过滤掉心音。在公开的实施例中，记录声学信号包括从与胸腔接触的至少第一声学换能器和第二声学换能器分别接收至少第一声学信号和第二声学信号，并且过滤心音包括在组合第一声学信号和第二声学信号同时过滤心音时相对于第一声学信号向第二声学信号中的心音到达施加延迟。
另外，附加地或替代地，计算传递函数包括在一组频率处计算记录的语音信号和记录的声学信号的相应频谱分量，以及计算表示相应频谱分量之间的关系的一组系数。在一个实施例中，系数是倒谱的表示。
在一些实施例中，计算传递函数包括按照无限脉冲响应滤波器的形式计算表示记录的语音信号和记录的声学信号之间的关系的一组系数。
替代地或附加地，计算传递函数包括按照时域中的预测器的形式计算表示记录的语音信号和记录的声学信号之间的关系的一组系数。在一个实施例中，计算该组系数包括在计算与记录的语音信号和记录的声学信号相关的自适应滤波器系数时应用该关系的预测误差。
在公开的实施例中，计算传递函数包括将说话的声音划分成多个不同类型的语音单元(phonetic unit)，以及为不同类型的语音单元计算单独的、相应的传递函数。
在一些实施例中，计算传递函数包括计算表示所记录的语音信号和所记录的声学信号之间的时间关系的一组时变系数。在公开的实施例中，计算该组时变系数包括识别说话语音信号的音调(pitch)，并将时变系数约束为周期性的，其周期对应于所识别的音调。
附加地或替代地，计算传递函数包括计算表示所记录的语音信号和所记录的声学信号之间的关系的一组系数，并且评价偏差包括计算所计算的传递函数的系数与基线传递函数的系数之间的距离函数。在一个实施例中，计算距离函数包括：计算系数对之间的相应差，其中每一对包括所计算的传递函数中的第一系数和基线传递函数中的第二对应系数，以及计算所有相应差的范数。另外，附加地或替代地，计算距离函数包括：观察在不同健康状态下计算的传递函数之间的差，以及响应于所观察到的差选择距离函数。
根据本发明的实施例，还提供了一种用于医疗诊断的装置，该装置包括存储器，该存储器被配置为存储由于患者说话的声音而记录的语音信号和由与患者胸腔接触的声学换能器与该语音信号同时输出的所记录的声学信号。处理器被配置为计算所记录的语音信号和所记录的声学信号之间或所记录的声学信号和所记录的语音信号之间的传递函数，并评价所计算的传递函数，以便评估患者的医疗状况。
根据本发明的实施例，还提供了一种计算机软件产品，其包括存储有程序指令的非暂时性计算机可读介质，该指令在由计算机读取时使计算机：接收由于患者说话的声音而产生的语音信号和由与患者胸腔接触的声学换能器与该语音信号同时输出的声学信号，计算所记录的语音信号和所记录的声学信号之间或所记录的声学信号和所记录的语音信号之间的传递函数，并评价所计算的传递函数，以便评估患者的医疗状况。
根据结合附图进行的对本发明的实施例的以下详细描述，本发明将得到更充分的理解，附图中：
附图简述
图1是根据本发明的实施例的用于检测肺部状况的系统的示意性图示；
图2是根据本发明的实施例示意性示出图1中系统的元件的细节的框图；以及
图3是根据本发明的实施例示意性示出用于检测肺部状况的方法的流程图。
具体实施方式
综述
心力衰竭患者失代偿的初始阶段可以是无症状的。当症状出现，患者感到痛苦的迹象时，患者的状况可能会迅速进展。在许多情况下，当病人寻求和接受医疗护理并开始治疗时，肺内液体积聚可能是严重的，需要住院和漫长的医疗干预。因此，希望经常甚至每天监测患者以检测胸腔中液体积聚的初步迹象。监测技术应当足够简单，可以由患者或患者家庭成员使用，但足够敏感，可以检测液位的微小变化。
本文描述的本发明的实施例通过记录患者说话的声音并将该声音与通过患者胸腔传输到与胸腔体表接触的声学换能器的声音进行比较来解决频繁的、方便的监测的需要。(这种换能器用于本领域已知的电子听诊器中，在体表倾听和记录声音的过程被称为听诊。)液体积聚已知会影响说话的声音和胸腔的声音，并且已经开发了利用这些类型的声音中的每一种声音本身来检测肺部水肿的技术。然而，在本实施例中，监测给定患者中这两种类型的声音之间的关系，以便提供液位变化的更灵敏的指标。
具体地，在所公开的实施例中，患者或护理人员在预定义的一个或多个位置处将一个或更多个声学换能器固定到患者的胸腔。然后患者对着麦克风说话。一种记录设备，例如运行适当应用的移动电话，记录来自麦克风的语音信号(以数字化电信号的形式)，并同时记录由一个或多个声学换能器输出的数字化声学信号。处理器(其在记录设备中或在远程计算机中)根据记录的语音信号和记录的声学信号之间或记录的声学信号和记录的语音信号之间的传递函数计算语音信号和声学信号之间的对应关系的分布。
术语“传递函数”在本说明书和权利要求中以类似于在通信领域中使用的意义使用，以表示两个时变信号之间的函数关系。传递函数可以是线性的或非线性的，如下面描述的实施例所示。为了计算传递函数，其中一个信号——记录的语音信号或记录的声学信号——被视为输入信号，而另一个信号被视为输出信号。(与实际通信信号相反，在本例中输入信号和输出信号的选择是任意的。)传递函数通常用一组系数来表示，这些系数可以基于“输入”信号和“输出”信号在时域或频域中计算。以下描述可用于此目的的各种类型的传递函数，包括时不变传递函数和时变传递函数，以及它们的计算方法。
处理器检查传递函数以便检测患者医疗状况的变化，特别是检测胸腔内液体的积聚。在这种情况下，可以提示医务人员对患者施加治疗，例如开始使用适当的药物或增加适当药物的剂量，药物例如是利尿剂或β受体阻滞剂。
传递函数的检查可以是独立于患者或特定于患者的。独立于患者的检查使用通过检查大量不同健康状态的人的传递函数所收集的知识，来确定将健康人的传递函数与有特定医疗状况的人的传递函数区分开来的特性。例如，如果在频域中表示传递函数，则区分特性可以包括传递函数在两个不同频带中的平均功率之间的比率。
在特定于患者的检查中，处理器评价计算的传递函数和基线传递函数之间的偏差。该基线可以包括一个或更多个传递函数或从其导出，该一个或更多个传递函数是在身体健康期间针对同一患者计算的。附加地或替代地，基线可以基于在更大的患者群体中收集的样本。显著的偏差可以指示患者的医疗状况发生变化，特别是指示胸腔中液体的积聚。
在一些实施例中，可以将第二“水肿”基线传递函数与计算出的基线函数进行比较。该第二基线传递函数可以等于在肺水肿期间针对该同一患者计算的传递函数或从其导出。附加地或替代地，第二基线传递函数可以基于在更大的患者群体上(当这些患者经历肺水肿时)收集的样本。相对于“水肿”基线的低偏差可能指示患者的医疗状况发生了变化(特别是指示胸腔中的液体积聚)。在某些情况下，例如，如果监测患者是在患者因急性肺水肿住院时开始的，则唯一可用的基线可以是“水肿”基线传递函数。在这种情况下，如果相对于水肿基线的偏差变得太小，就会发出警报。在其他情况下，“稳定”基线传递函数和“水肿”基线传递函数两者都是可用的，并且如果相对于水肿基线的偏差变得太小而相对于“稳定”基线的偏差太大，则发出警报。
如上所述，本发明的实施例在检测和治疗由于心力衰竭引起的液位变化方面特别有用。附加地或替代地，这些技术还可被应用于诊断和治疗可能导致肺水肿的其他状况，如高原反应、不良药物反应等。例如，如果一名患者即将前往高海拔地区，或者正在接受具有潜在肺水肿风险的药物治疗，则可以在进入危险状况之前(即，仍在低海拔地区，或者在服用药物之前)获得基线。然后，可以使用上述方法，以适合于状况的检查频率监测患者。
除了肺水肿，还有其他状况会改变肺部的声导(acoustic conductance)性质，比如间质性肺病，其中肺泡壁变厚变硬。任何这样的状况都影响传递函数，因此可以使用本方法来检测。
系统描述
现在参考图1和图2，它们示意性地示出了根据本发明的实施例的用于检测肺部状况的系统20。图1是一个图示性说明，而图2是一个框图，示出了系统各个元件的细节。
在图示实施例中，患者22向语音麦克风24发出声音，语音麦克风24例如是作为头戴装置(headset)26的一部分的麦克风，头戴装置26连接到用户设备30，例如智能手机、平板电脑或个人计算机。例如，可以通过头戴装置26的耳机或设备30的屏幕提示患者发出特定的声音，或者他可以自由地说话。替代地，麦克风24可以内置到设备30中，或者它可以是独立单元，通过有线或无线连接来连接到设备30。
在患者开始说话之前，声学换能器28被放置成与患者胸腔接触。换能器28可以包含在电子听诊器中，例如由3M(Maplewood，Minnesota)生产的
Figure BDA0003820164040000071
电子听诊器，患者或护理人员将电子听诊器保持在适当的位置。替代地，换能器28可以是专用设备，其可以使用粘合剂、吸盘或合适的带或束带固定到胸腔。尽管在图中仅示出了被放置在受试者胸部上的这种类型的单个换能器，但在替代实施例中，一个换能器或多个换能器可以被放置在胸腔周围的不同位置，例如在受试者的背部上。附加地或替代地，声学换能器28可以永久固定到患者22的身体，例如作为起搏器或心内除颤器的皮下控制单元的一部分。
如图2所示，声学换能器28包括麦克风36，例如压电麦克风，其直接或通过适当的界面接触胸部的皮肤。前端电路38对麦克风36输出的声学信号进行放大、滤波和数字化。在(图中未示出的)替代实施例中，相同的前端电路38还接收来自语音麦克风24的语音信号并将其数字化。通信接口40，例如
Figure BDA0003820164040000072
无线接口，将得到的数字样本流传输到用户设备30。替代地，前端电路38可以通过有线接口将模拟形式的声学信号传送到用户设备30。
用户设备30包括通信接口42，通信接口42通过有线或无线链路接收由麦克风24输出的语音信号和由换能器28输出的声学信号。用户设备30中的处理器44将信号作为数据记录在存储器46，例如随机存取存储器(RAM)中。通常，来自麦克风24和换能器28的信号的记录彼此同步。这种同步可以通过使用于采集和数字化信号的采样电路同步来实现，或者可能通过对麦克风24和36两者使用相同的采样电路来实现，如上所述。替代地，处理器44可以基于在语音信号和声学信号两者中出现的声学事件来同步记录，声学事件要么是患者话语的一部分，要么是人工添加的声音，例如由用户设备30中的音频扬声器以规则间隔生成的点击。用户设备30的用户接口48例如经由头戴装置26或在显示屏上向患者或护理人员输出指令。
在本实施例中，处理器44经由网络34(例如互联网)将记录的信号作为数据传输到服务器32以进行进一步分析。替代地或附加地，处理器44可以在用户设备30内本地执行分析的至少一部分。服务器32包括网络接口控制器(NIC)50，其接收数据并将数据传递到处理器52，以及将数据传送到服务器的存储器54以用于存储和随后的分析。尽管图1仅示出单个患者22和用户设备30，但实际上服务器32通常将与多个用户设备通信并向多个患者提供服务。
如下文详细描述的，处理器52计算记录的语音信号和记录的声学信号之间或记录的声学信号和记录的语音信号之间的传递函数。处理器52评价所计算的传递函数与基线传递函数之间的偏差，并将结果报告给患者22和/或护理人员。基于该偏差，处理器52可以检测患者状况的变化，例如患者胸腔中增加的液体积聚。在这种情况下，服务器32通常将向医务人员(例如患者的医生)发出警报，然后该医务人员可以开出减少液体积聚的治疗处方。
处理器44和处理器52通常包括通用计算机处理器，它们在适当软件的控制下执行本文所述的功能。例如，该软件可以通过网络34以电子形式被下载到处理器。附加地或替代地，软件可以存储在有形的非暂时性计算机可读介质，例如光、磁或电子存储器介质中。进一步附加地或替代地，处理器44和52的至少一些功能可以由专用数字信号处理器或由硬件逻辑电路执行。
信号分析与评价方法
图3是根据本发明的实施例示意性示出用于检测肺部状况的方法的流程图。为了清楚和方便起见，这里参考如前面的图中所示和上面所描述的系统20的元件来描述该方法。替代地，本方法的原理可以在基本上具有同时记录并然后分析说话声音和胸腔声音的能力的任何系统中实现，以用于检测肺水肿并用于其他医疗状况。所有这样的替代实现都被认为在本发明的范围内。
该方法从采集输入信号开始：在话语捕获步骤60，麦克风24捕获患者22说话的声音并输出语音信号。同时，在听诊步骤62，声学换能器28保持与患者的胸腔接触以捕获胸部声音，并输出相对应的声学信号。处理器44将信号以数字形式记录在存储器46中。如前所述，语音信号和声学信号通过捕获时的同步采样而同步或随后例如由处理器44通过对齐所记录信号的声学特征而同步。
在本实施例中，处理器44将原始的数字化信号传输到服务器32用于进一步处理。因此，下面参考服务器32的元件来描述图4中接下来的步骤。替代地，这些处理步骤中的一些或全部可以由处理器44本地执行。
处理器52将从用户设备30接收的数据存储在存储器54中，并对数据进行滤波以去除背景声音和其他噪声。在话语滤波步骤64，处理器52使用本领域已知的音频处理方法对语音信号进行滤波以消除由于背景噪声引起的干扰。在声学滤波步骤66，处理器52对来自换能器28的声学信号进行滤波，以消除不直接与患者话语关连的胸部声音，例如心跳、消化系统中的蠕动运动和喘息的声音。例如，在步骤64和66，处理器52可以检测语音信号和/或声学信号中的无关声音，并且可以简单地忽略无关声音出现的时间间隔。替代地或附加地，处理器52可主动抑制背景声音和噪声。
无关声音的检测可以通过几种方法来完成。在一些情况下，可以使用无关声音的独特声学性质。例如，在心跳的情况下，可以使用典型的周期性；心跳的周期和声学特性可以在患者不说话的静默周期期间被检测，然后被用于检测话语期间的心跳。
如将在下面解释的，传递函数可以表示为使用麦克风信号的、胸部声音信号的预测器。预测误差是实际胸部信号与预测值之间的差。在一些实施例中，计算预测误差，并且其功率的显著增加或其在特定频带中的功率的显著增加指示存在无关信号。
如果使用多个声学换能器，从体内源发射的声波到达每个换能器时的延迟和衰减(其在不同的频带可能不同)略有不同。这些延迟和衰减的差取决于声源的位置。因此，可以检测到从诸如心脏或消化系统的源到达的无关声音，因为它们的相对延迟不同于话语声的相对延迟。在此基础上，在一些实施例中，处理器52接收来自被固定到患者身体的多个换能器的信号，并使用相对延迟，以便在过滤掉无关声音的同时组合信号。在具有多个声学换能器的一些实施例中，麦克风阵列领域已知的波束成形技术可用于抑制从与话语声不同的方向到达的无关声音的增益。
在一个实施例中，例如，处理器52检测由换能器28输出的声学信号中的心音，并因此测量心率。在此基础上，在步骤66，处理器计算匹配滤波器，该匹配滤波器在频谱域或时间域中与心音的频谱匹配，并应用该匹配滤波器来抑制心音对声学信号的贡献。
在另一实施例中，例如，处理器52使用自适应滤波器来预测由先前心跳的声学信号中的心跳引起的声学信号，并从记录的信号中减去预测的心跳，从而基本上消除心跳的影响。
传递函数估计
在对信号进行滤波之后，在对应关系计算步骤68，处理器52计算记录的语音信号和记录的声学信号之间的传递函数。如上所述，将传递函数方便地表示为传递函数h(t)，其将其中一个信号预测为另一个信号的函数。在下面的描述中，将假定由麦克风24输出的语音信号xM(t)根据关系xS＝h*xM来预测由换能器28输出的声学信号xS(t)。为了计算的目的，如果需要，声学信号可以被任意地延迟一个短的周期，例如几毫秒。替代地，在计算将xM预测为xS的函数的传递函数时，可以经过必要的修改应用下面描述的过程。
在一些实施例中，处理器52在频谱域中计算传递函数H(ω)。在这种情况下，传递函数可以被计算为一组系数，该组系数表示声学信号XS(ω)在一组频率{ω}上的频谱分量与声音信号XM(ω)的那些频谱分量的换算关系。由于信号是以一定的采样频率采样的，所以信号的频率分量和传递函数可以方便地表示为单位圆上的点H(eiω)、XM(eiω)、XS(eiω)，其中|ω|≤π，其中ω是归一化频率(等于2π乘以实际频率除以采样频率)。然后针对每个频率分量ω的传递函数系数由下式给出：
Figure BDA0003820164040000111
通常，XS和XM的频率分量通过适当的变换函数(例如离散傅立叶变换(DFT))在N个离散频率上计算。方程(1)的商给出在单位圆上N个等间距的点处的H的系数，这些点由e2 πin/N定义，其中n＝0，...，N-1。
替代地，H可以利用倒谱更紧凑地表示，例如以倒谱系数的形式表示。倒谱系数ck(-∞＜k＜∞)是log(H(eiω))的傅立叶系数。因为信号xM和xS均为实值，则倒谱系数的序列是共轭对称的，即，
Figure BDA0003820164040000112
因此：
Figure BDA0003820164040000113
可以使用本领域中已知的技术来计算倒谱系数，其中方程(2)是使用小的、有限数量p+1个倒谱系数来近似的：
Figure BDA0003820164040000114
系数[c0，...，cp]从而表示传递函数的频率响应。替代地，传递函数可以利用前p+1个实倒谱系数来表示，这些系数是log|H(eiω)|的倒谱表示。
在替代实施例中，处理器52计算用表示记录的语音信号和记录的声学信号之间的关系的一组系数来表示的传递函数，作为无限脉冲响应滤波器：
Figure BDA0003820164040000121
替代地，该传递函数可以在时域中表示为：
Figure BDA0003820164040000122
这里xM[n]、xS[n]分别是由麦克风24和换能器28在时间n输出的信号的时域样本，并且
Figure BDA0003820164040000124
是换能器信号在时间n的预测器。系数a1，...，ap，b0，...，bq定义方程(4)中的频率响应，它们可以被估计，例如，通过在可用的数据点xM[n]、xS[n](n＝0，...，N-1)上最小化均方预测误差
Figure BDA0003820164040000123
来估计。
上述方程隐含地假设在由麦克风24记录的语音信号和来自换能器28的声学信号之间计算单个的、时不变的传递函数。然而，本发明的一些实施例不依赖于该假设。
从物理学的角度来看，话语声音生成的过程由三个主要阶段构成：激励(excitation)、调制和传播。当从肺部出来的气流被限制或间歇性阻断时，就会发生激励，这就产生了激励信号。激励可能是由于声带间歇性地阻断气流引起的，也可能是由于较高的发音器官(例如舌头和嘴唇)在声道中的不同点处阻断或限制气流引起的。激励信号是通过声道内部以及还有可能气管-支气管(tracheo-bronchial)间隙中的混响而被调制。最后，调制信号通过鼻子和嘴巴传播出去，在那里信号被麦克风24接收，以及通过肺和胸壁传播出去，并且在那里信号被换能器28接收。麦克风和换能器之间的传递函数根据激励的位置而变化，因此，对于不同的音素可能是不同的。
术语“音素(phoneme)”一般是指话语中不同的语音分量。为了使我们的术语清楚，“语音(voice)”指在受试者呼吸系统中生成的任何声音，其可以被放置在受试者面前的麦克风捕获。“话语(speech)”是表示具体音节、单词或句子的语音。我们的范式是建立在让受试者说话的基础上的，也就是说，生成要么是规定的文本，要么是受试者自由选择的文本的话语。然而，除了话语之外，所记录的语音还可能包括各种附加的、通常是非自愿的、非话语的声音，例如喘息、咳嗽、打呵欠、感叹声(“嗯”、“哼”)和叹息。这些声音通常由换能器28捕获，并根据生成它们的激励的位置而产生特征传递函数。在本发明的实施例中，这些非话语声音在它们出现的程度上可以被视为附加的语音单元，这些语音单元具有它们的特征传递函数。
因此，在一个实施例中，处理器52将说话的声音划分成多个不同类型的语音单元，并为不同类型的语音单元计算单独的、相应的传递函数。例如，处理器52可以计算特定于音素的传递函数。为此，处理器52可以通过使用相同语言内容的参考话语信号(其中音素边界已知)来识别音素边界。这种参考话语信号可以基于较早时间从患者22记录的话语，或者基于另一个人的话语或基于合成的话语。来自麦克风24和换能器28的信号与参考信号非线性对齐(例如，使用动态时间翘曲对齐)，然后音素边界从参考信号映射回当前信号。在2019年3月12日提交的美国专利申请16/299,178中进一步描述了用于识别和对齐音素边界的方法，该专利申请的公开内容通过引用并入本文。
在将输入信号分离成音素之后，处理器52然后针对每个音素或针对相似类型的音素的集合单独计算传递函数。例如，处理器52可以将由于声道中相同位置处的激励而生成的音素分组在一起。这样的分组使得处理器52能够在相对短的记录时间内可靠地估计传递函数。然后，处理器可以为同一组中的所有音素(例如所有声门音和所有齿音)计算一个传递函数。在任何情况下，来自麦克风24和换能器28的信号之间的对应关系由多个特定于音素或特定于音素类型的传递函数定义。替代地，处理器52可以计算其它种类的语音单元(例如双连音或三连音)的传递函数。
在上述实施例中，处理器52计算麦克风24和换能器28的信号之间的、用(在时域或频域中)一组线性时不变的系数来表示的传递函数。这种计算可以有效地进行，并得到传递函数的紧凑的数值表示。
然而，在替代实施例中，处理器52计算的传递函数的系数中的至少一些是时变的，表示由麦克风24记录的语音信号和由换能器28记录的声学信号之间的时间关系。这种时变表示在分析浊音尤其是元音时很有用。在这些声音中，声带是活跃的，以每秒超过一百次的速度经历周期性的闭合和打开循环。声带打开时，气管-支气管树和声道是一个毗连的空间，声音在它们之间混响。另一方面，声带闭合时，声门下间隙(气管-支气管树)和声门上间隙(声带上方的声道)是断开的，声音无法在两者之间混响。因此，在浊音中，传递函数不是时不变的。
在浊音中，对声门上间隙的激励是周期性的，一个周期对应于声带闭合和再次打开的一个循环(对应于声音的“基频”)。因此，激励可以被建模成一串均匀的脉冲，间隔等于连续脉冲之间声带的振动周期。(由声带引起的任何频谱成形都有效地集中到声道中的调制中)。声门下间隙的激励也是由声道引起的，因此可以用相同的均匀脉冲串来建模。由于在频域中，语音信号和声学信号分别是声门上传递函数和声门下传递函数的激励信号的乘积，因此它们的频谱也由脉冲组成，该脉冲的频率与激励的脉冲频率相同，振幅与相应的传递函数成比例。
因此，在一个实施例中，处理器52在估计语音信号和声学信号的频谱包络时应用该模型，并因此估计声道的传递函数HVT(eiω)和气管-支气管树(包括肺壁)的传递函数HTB(eiω)。然后，整个系统的传递函数由下式给出：
Figure BDA0003820164040000141
处理器52可以利用话语识别领域的方法计算频谱包络HVT(eiω)和HTB(eiω)，例如通过线性预测编码(LPC)计算每个信号各自的倒谱XM(eiω)、XS(eiω)，并使用上述方程(3)导出频谱包络。有效地，通过仅考虑频谱包络，处理器52获得时不变近似。
浊音的时间变化以作为音调的函数的频率——即声带振动的频率——出现。因此，在一些实施例中，处理器52识别说话声音的音调，并计算来自麦克风24和换能器28的信号之间的传递函数的时变系数，同时将时间变化限制为周期性的，其周期对应于音调。为此，可将方程(5)改写如下：
Figure BDA0003820164040000151
时变系数bl[n](0≤l≤q)以及ak[n](0≤k≤p)被假定为在n上是周期性的，其周期T由音调频率给出，这意味着T等于声带打开和闭合循环的持续时间。可以使用本领域中已知的语音分析技术来找到音调。处理器52计算时变系数值bl[n]和ak[n]，例如，通过最小化传递函数的均方预测误差，即最小化
Figure BDA00038201640400001510
的均方值，来进行计算。
上面解释的方法需要估计相对大量的系数，特别是在低音男声中。可靠地确定那么多系数可能需要大量特定浊音音素的重复，这在常规医疗监测中可能很难获得。为了减轻这一困难，系数可以表示为代表它们在声带循环期间的时变行为的参数函数：
Figure BDA0003820164040000152
Figure BDA0003820164040000153
处理器52通过使上述均方预测误差最小化来估计参数函数Bl(v)(0≤l≤q)和Ak(v)(0≤k≤p)，其中0≤v＜1。
例如，假设0＜D＜1是声带循环中声带打开的时间的比例，参数函数可用以下方式表示：
Figure BDA0003820164040000154
Figure BDA0003820164040000155
这里
Figure BDA0003820164040000156
和
Figure BDA0003820164040000157
是声带打开时的传递函数参数，并且
Figure BDA0003820164040000158
和
Figure BDA0003820164040000159
是声带闭合时的传递函数参数。以这种方式，处理器52需要估计的参数的数量是3(q+p)+1。
替代地，处理器52可以使用这些参数函数的更精细的形式，更精细的形式可以更准确地表示声带的打开和闭合状态之间的转换中的传递函数。例如，Bl(v)(0≤l≤q)和Ak(v)(0≤k≤p)可以是固定次的多项式或有理函数(多项式的比值)。
在另一实施例中，处理器52在导出传递函数时应用自适应滤波方法。麦克风信号xM[n]被馈入时变滤波器，时变滤波器产生转换信号(transduces signal)xS[n]的预测器
Figure BDA0003820164040000161
预测误差
Figure BDA0003820164040000162
在每一帧中被计算并用于校正滤波器和计算时变滤波器系数。滤波器可以是方程(7)的形式(但是没有系数在n中是周期性的约束)。这种自适应滤波器称为无限脉冲响应(IIR)自适应滤波器。如果p＝0，预测器具有有限脉冲响应(FIR)自适应滤波器的形式：
Figure BDA0003820164040000163
可以使用本领域已知的方法基于预测误差来调整自适应滤波器的系数。
使用该自适应滤波方法，处理器52在患者话语的每个样本处导出该样本的一组自适应滤波器系数。处理器52可以使用该滤波器系数序列本身来表征传递函数。替代地，消减必须保存的数据量可能是优选的。例如，处理器52可以仅保留每第T组的滤波器系数，其中T是预定的数字(例如，T＝100)。作为另一替代方案，处理器52可以为每个音素保留一定数量的滤波器系数组，例如三个：一个在音素的开头，一个在中间，一个在结尾。
距离计算
现在回到图3，在(使用上述任何技术或本领域已知的其他技术)计算了来自麦克风24和换能器28的信号之间的传递函数之后，在距离计算步骤70，处理器52评价计算的传递函数和基线传递函数之间的偏差。该上下文中的“距离”是一个数值，它是通过当前传递函数的系数和基线传递函数的系数计算出来的，并量化了当前传递函数和基线传递函数之间的差。在步骤70，可以使用任何合适种类的距离度量；而且距离不必是欧几里得距离，甚至在其参量反转的情况下不必是对称的。在距离评价步骤72，处理器52将距离与预定义阈值进行比较。
如前所述，在步骤70中用作参考的基线传递函数可以从对患者22进行的早期测量结果导出，或者从来自较大群体的测量结果导出。在一些实施例中，处理器52计算与包括两个或更多个参考函数的基线的距离。例如，处理器52可以从一组参考传递函数计算距离的向量，然后可以选择距离的最小值或平均值以用于在步骤72进行评价。替代地，处理器52可以例如通过对系数进行平均来组合参考传递函数，然后可以计算从当前传递函数到平均函数的距离。
在一个实施例中，将这两种方法组合起来：例如，使用K均值聚类，基于相似性(意味着同一集群中的传递函数之间的距离较小)对参考传递函数进行聚类。处理器52然后合成每个集群的代表性传递函数。处理器52计算当前传递函数与不同集群的代表性传递函数之间的距离，然后基于这些集群距离计算最终距离。
被测试的传递函数与参考传递函数之间距离的定义取决于传递函数的形式。例如，假设fT＝HT(eiω)和fR＝HR(eiω)分别为当前传递函数和参考传递函数，其中|ω|≤π，如上面的方程(1)所定义的，这些传递函数之间的距离d可以如下写出：
Figure BDA0003820164040000171
这里G(t，r，ω)定义了频率ω处的测试频率响应值t和参考频率响应值r之间的距离，并且F是一个单调递增的函数。
在一些实施例中，处理器52不需要显式地计算频域传递函数HT(eiω)和HR(eiω)以便在步骤70计算距离。更确切地，如上所述，由于这些传递函数可以用时域脉冲响应或倒谱系数的形式来表示，方程(12)可以利用与传递函数相对应的、诸如自相关、倒谱系数或脉冲响应的在值序列上进行的运算来精确或近似地表示和评价。
在一些实施例中，处理器52通过计算当前传递函数和基线传递函数中的系数对之间的相应差来评价距离，然后计算所有相应差值上的范数。例如，在一个实施例中，距离G(t，r，ω)＝W(eiω)|log(t)-log(r)|p，其中p＞0是常数，并且W(eiω)是一个加权函数，它可以针对不同的频率赋予不同的权重，并且F(u)＝u1/p。在这种情况下，方程(11)具有加权Lp范数的形式：
Figure BDA0003820164040000181
在极限中，当p→∞时，方程(12)变成加权的L∞范数，它仅仅是差的上确界(supremum)：
d(fT，fR)＝sup|ω|≤π(W(eiω)|log(HT(eiω))-log(HR(eiω))|) (14)
作为另一个示例，设置W(eiω)＝1和p＝2，将距离缩小为当前对数谱与基线对数谱之差的均方根(RMS)。
替代地，方程(13)中的对数可以用其它单调非递减函数代替，并且可以使用p和W(eiω)的其他值。
其他实施例使用统计最大似然方法，例如Itakura-Saito失真，其通过设置以下方程获得：
Figure BDA0003820164040000182
进一步替代地或附加地，距离函数G(t，r，ω)可以基于经验数据，基于观察特定患者或许多不同健康状态患者的实际传递函数来选择。例如，当研究表明与特定疾病相关的健康恶化表现为特定频率范围Ω内的对于ω的log|HT(eiω)|的增加，且基线传递函数对应于患者的健康、稳定状况，则该距离可相应定义如下：
Figure BDA0003820164040000183
作为另一个示例，当使用时变传递函数系数时，如同在方程(7)和(8)中，并且v＝n/T(0≤n＜T)，则对于0≤v＜1的每个值，方程(7)定义了一个时变传递函数：
Figure BDA0003820164040000184
当前时变传递函数与参考时变传递函数之间的距离可以定义为关于匹配值v的、HT(eiω，v)和HR(eiω，v)之间距离的平均值：
Figure BDA0003820164040000185
最后，在每个传递函数包括多个特定于音素的传递函数的实施例中，处理器52使用上述技术之一单独计算当前传递函数和基线传递函数的每对对应的特定于音素的分量之间的距离。结果是一组特定于音素的距离。处理器52对这些特定于音素的距离应用评分过程，以便找到最终距离值。例如，评分过程可以计算特定于音素的距离的加权平均值，其中(基于经验数据)对健康变化更敏感的音素获得更高的权重。
在另一个实施例中，评分过程使用秩-序(rank-order)统计量而不是平均。根据对健康变化的敏感性，对特定于音素的距离进行加权，然后以递增的顺序将这些距离排序成一个序列。处理器52选择出现在该序列中特定位置的值(例如，中值)作为距离值。
无论使用上述距离度量中的哪一个，当处理器52在步骤72发现当前传递函数和基线传递函数之间的距离小于预期的最大偏差时，处理器52在终止步骤74记录测量结果，但通常不发起任何进一步的动作。(服务器32可以通知患者或护理人员患者的状况没有变化，或者甚至可能患者的状况已经改善。)然而，当距离超过预期的最大偏差时，服务器32将在动作发起步骤76发起动作。动作可以包括例如以消息的形式向患者的护理人员(例如患者的医生)发出警报。警报通常表明患者胸腔中的液体积聚增加，并提示护理人员施加治疗，例如给药或改变药物剂量以减少液体积聚。
替代地，服务器32可以不主动推送警报，而可以仅仅(例如，在显示器上，或者响应于查询)呈现受试者状况的指标，例如肺水肿的级别。该指标可以包括，例如基于传递函数之间的距离的数字，其表示肺水肿的估计级别，假设传递函数之间的距离与肺水肿之间的相关性已经从该受试者或其他受试者的先前观察中获知。在诊断和确定治疗时，医生可以参考该指标以及其他医疗信息。
在一些实施例中，通过在不需要人类护理人员的情况下在回路中控制药物递送设备来自动执行药物的给药和剂量改变。在这种情况下，步骤76可以包括改变药物水平，其中发出或者不发出警报(或者警报可以指示药物水平已经改变)。
在一些情况下，例如在医院或其他诊所环境中，在步骤72处的距离评价可以指示受试者状况的改善，而不是恶化。在这种情况下，在步骤76发起的动作可以指示受试者可以被移出重症监护室，或者出院。
应当理解，上述实施例是通过示例的方式引用的，并且本发明不限于已经在上文具体示出和描述的内容。更确切地，本发明的范围包括上文所述的各种特征的组合和子组合二者，以及本领域技术人员在阅读前述描述后会想到的并且在现有技术中未公开的这些特征的变型和修改。

Claims (43)

1.一种用于医疗诊断的方法，包括：
记录由于患者说话的声音而产生的语音信号；
记录由与所述患者的胸腔接触的声学换能器与所述语音信号同时输出的声学信号；
计算所记录的语音信号和所记录的声学信号之间或者所记录的声学信号和所记录的语音信号之间的传递函数；以及
评价所计算的传递函数以便评估所述患者的医疗状况。
2.根据权利要求1所述的方法，其中，评价所计算的传递函数包括：
评价所计算的传递函数与基线传递函数之间的偏差；以及
响应于评价的偏差而检测所述患者的医疗状况的变化。
3.根据权利要求2所述的方法，其中，检测所述变化包括检测所述患者的胸腔中的液体积聚。
4.根据权利要求3所述的方法，包括响应于检测到所述变化对所述患者实施治疗，以减少胸腔中积聚的液体量。
5.根据权利要求1所述的方法，其中，评价所计算的传递函数包括评估所述患者的间质性肺病。
6.根据权利要求1所述的方法，包括对所述患者实施治疗以治疗评估的医疗状况。
7.根据权利要求1所述的方法，其中，记录所述声学信号包括在计算所述传递函数之前从由所述声学换能器输出的所述声学信号中消除心音。
8.根据权利要求7所述的方法，其中，消除所述心音包括在所述声学信号中检测包括所述心音在内的无关声音的出现间隔，以及从用于计算所述传递函数的所述声学信号中消除所述间隔。
9.根据权利要求7所述的方法，其中，消除所述心音包括在计算所述传递函数之前从所记录的声学信号中过滤掉所述心音。
10.根据权利要求9所述的方法，其中，记录所述声学信号包括从与胸腔接触的至少第一声学换能器和第二声学换能器分别接收至少第一声学信号和第二声学信号，并且其中过滤所述心音包括在组合所述第一声学信号和所述第二声学信号同时过滤所述心音时相对于所述第一声学信号向所述第二声学信号中的心音到达施加延迟。
11.根据权利要求1-10中任一项所述的方法，其中，计算所述传递函数包括在一组频率处计算所记录的语音信号和所记录的声学信号的相应频谱分量，以及计算表示所述相应频谱分量之间关系的一组系数。
12.根据权利要求11所述的方法，其中，所述系数是倒谱的表示。
13.根据权利要求1-10中任一项所述的方法，其中，计算所述传递函数包括按照无限脉冲响应滤波器的形式来计算表示所记录的语音信号和所记录的声学信号之间的关系的一组系数。
14.根据权利要求1-10中任一项所述的方法，其中，计算所述传递函数包括按照时域中的预测器的形式来计算表示所记录的语音信号和所记录的声学信号之间的关系的一组系数。
15.根据权利要求14所述的方法，其中，计算所述一组系数包括在计算与所记录的语音信号和所记录的声学信号相关的自适应滤波器系数时应用所述关系的预测误差。
16.根据权利要求1-10中任一项所述的方法，其中，计算所述传递函数包括将所述说话的声音划分成多个不同类型的语音单元，以及为不同类型的语音单元计算单独的、相应的传递函数。
17.根据权利要求1-10中任一项所述的方法，其中，计算所述传递函数包括计算表示所记录的语音信号和所记录的声学信号之间的时间关系的一组时变系数。
18.根据权利要求17所述的方法，其中，计算所述一组时变系数包括识别说话的语音信号的音调，并将所述时变系数约束为周期性的，其中周期对应于所识别的音调。
19.根据权利要求1-10中任一项所述的方法，其中，计算所述传递函数包括计算表示所记录的语音信号和所记录的声学信号之间的关系的一组系数，并且其中评价所述偏差包括计算所计算的传递函数的系数与所述基线传递函数的系数之间的距离函数。
20.根据权利要求19所述的方法，其中，计算所述距离函数包括：计算系数对之间的相应差，其中每一对包括所计算的传递函数中的第一系数和所述基线传递函数中的第二对应系数，以及计算所有相应差的范数。
21.根据权利要求19所述的方法，其中，计算所述距离函数包括：观察在不同健康状态下计算的传递函数之间的差，以及响应于所观察到的差选择所述距离函数。
22.一种用于医疗诊断的装置，包括：
存储器，其被配置为存储由于患者说话的声音而记录的语音信号和由与所述患者的胸腔接触的声学换能器与所述语音信号同时输出的所记录的声学信号；以及
处理器，其被配置为计算所记录的语音信号和所记录的声学信号之间或所记录的声学信号和所记录的语音信号之间的传递函数，并评价所计算的传递函数，以便评估所述患者的医疗状况。
23.根据权利要求22所述的装置，其中，所述处理器被配置为评价所计算的传递函数和基线传递函数之间的偏差，并响应于所评价的偏差检测所述患者的医疗状况的变化。
24.根据权利要求23所述的装置，其中，由所述处理器检测到的变化包括所述患者的胸腔中的液体积聚。
25.根据权利要求24所述的装置，其中，响应于检测到所述变化而对所述患者实施治疗，以减少在胸腔中积聚的液体量。
26.根据权利要求22所述的装置，其中，所述处理器被配置为响应于所计算的传递函数来评估所述患者的间质性肺病。
27.根据权利要求22所述的装置，其中，对所述患者实施治疗以便治疗所评估的医疗状况。
28.根据权利要求22所述的装置，其中，所述处理器被配置为在计算所述传递函数之前从由所述声学换能器输出的所述声学信号中消除心音。
29.根据权利要求28所述的装置，其中，所述处理器被配置为在由所述声学换能器输出的所述声学信号中检测包括所述心音在内的无关声音的出现间隔，并从用于计算所述传递函数的所述声学信号中消除所述间隔。
30.根据权利要求28所述的装置，其中，所述处理器被配置为在计算所述传递函数之前从所记录的声学信号中过滤掉所述心音。
31.根据权利要求30所述的方法，其中，所述存储器被配置为从与胸腔接触的至少第一声学换能器和第二声学换能器分别接收和存储至少第一声学信号和第二声学信号，并且其中所述处理器被配置为在组合所述第一声学信号和所述第二声学信号同时过滤所述心音时相对于所述第一声学信号向所述第二声学信号中的心音到达施加延迟。
32.根据权利要求22-31中任一项所述的装置，其中，所述处理器被配置为在一组频率上计算所记录的语音信号和所记录的声学信号的相应频谱分量，并计算所述传递函数的表示所述相应频谱分量之间的关系的一组系数。
33.根据权利要求32所述的装置，其中，所述系数是倒谱的表示。
34.根据权利要求22-31中任一项所述的装置，其中，所述处理器被配置为按照无限脉冲响应滤波器的形式计算所述传递函数的一组系数，所述一组系数表示所记录的语音信号和所记录的声学信号之间的关系。
35.根据权利要求22-31中任一项所述的装置，其中，所述处理器被配置为按照时域中的预测器的形式计算所述传递函数的表示所记录的语音信号和所记录的声学信号之间的关系的一组系数。
36.根据权利要求35所述的方法，其中，所述处理器被配置为在计算与所记录的语音信号和所记录的声学信号相关的自适应滤波器系数时应用所述关系的预测误差。
37.根据权利要求22-31中任一项所述的装置，其中，所述处理器被配置为将说话的声音划分成多个不同类型的语音单元，并为所述不同类型的语音单元计算单独的、相应的传递函数。
38.根据权利要求22-31中任一项所述的装置，其中，所述处理器被配置为计算所述传递函数的表示所记录的语音信号和所记录的声学信号之间的时间关系的一组时变系数。
39.根据权利要求38所述的装置，其中，所述处理器被配置为识别说话的语音信号的音调，并将所述时变系数约束为周期性的，其中周期对应于所识别的音调。
40.根据权利要求22-31中任一项所述的装置，其中，所述处理器被配置为计算所述传递函数的表示所记录的语音信号和所记录的声学信号之间的关系的一组系数，并通过计算所计算的传递函数的系数与所述基线传递函数的系数之间的距离函数来评价所述偏差。
41.根据权利要求40所述的装置，其中，所述处理器被配置为：通过计算系数对之间的相应差来计算所述距离函数，其中每一对包括所计算的传递函数中的第一系数和所述基线传递函数中的第二对应系数，以及计算所有相应差的范数。
42.根据权利要求40所述的装置，其中，所述处理器被配置为响应于观察到的在不同健康状态下计算的传递函数之间的差来计算所述距离函数。
43.一种计算机软件产品，包括非暂时性计算机可读介质，程序指令被存储在所述非暂时性计算机可读介质中，该指令当由计算机读取时使所述计算机：接收由于患者说话的声音而产生的语音信号和由与所述患者的胸腔接触的声学换能器与所述语音信号同时输出的声学信号，计算所记录的语音信号和所记录的声学信号之间或者所记录的声学信号和所记录的语音信号之间的传递函数，并评价计算出的传递函数，以便评估所述患者的医疗状况。
CN202180017631.2A 2020-03-03 2021-02-21 使用语音记录和听诊的医疗状况诊断 Pending CN115209794A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/807,178 2020-03-03
US16/807,178 US11484211B2 (en) 2020-03-03 2020-03-03 Diagnosis of medical conditions using voice recordings and auscultation
PCT/IB2021/051459 WO2021176293A1 (en) 2020-03-03 2021-02-21 Diagnosis of medical conditions using voice recordings and auscultation

Publications (1)

Publication Number Publication Date
CN115209794A true CN115209794A (zh) 2022-10-18

Family

ID=74732676

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180017631.2A Pending CN115209794A (zh) 2020-03-03 2021-02-21 使用语音记录和听诊的医疗状况诊断

Country Status (9)

Country Link
US (2) US11484211B2 (zh)
EP (1) EP3875034A1 (zh)
JP (1) JP2023517175A (zh)
KR (1) KR20220148832A (zh)
CN (1) CN115209794A (zh)
AU (1) AU2021229663C1 (zh)
CA (1) CA3169598A1 (zh)
IL (2) IL281121B1 (zh)
WO (1) WO2021176293A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116473521B (zh) * 2023-06-21 2023-08-18 四川大学华西医院 疑似环杓关节脱位声音频谱识别方法及系统

Family Cites Families (115)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB1219618A (en) 1968-08-07 1971-01-20 Vsesojusny Nii Med Priborostro Apparatus for acoustic examination of the lungs
US4838275A (en) 1985-11-29 1989-06-13 Lee Arnold St J Home medical surveillance system
JPH0482538A (ja) 1990-07-25 1992-03-16 Hitachi Ltd 呼吸音診断装置
US5864810A (en) 1995-01-20 1999-01-26 Sri International Method and apparatus for speech recognition adapted to an individual speaker
JPH09173320A (ja) 1995-12-25 1997-07-08 Casio Comput Co Ltd 音声検査装置
US5853005A (en) 1996-05-02 1998-12-29 The United States Of America As Represented By The Secretary Of The Army Acoustic monitoring system
FI2607U1 (fi) 1996-06-17 1996-09-27 Nokia Mobile Phones Ltd Lisäyksikkö, joka on tarkoitettu kytkettäväksi digitaaliseen langattomaan puhelimeen
US6168568B1 (en) * 1996-10-04 2001-01-02 Karmel Medical Acoustic Technologies Ltd. Phonopneumograph system
SE508439C2 (sv) 1997-04-21 1998-10-05 Siemens Elema Ab Mätanordning för samtidig bestämning av flöde av en strömmande gasblandning och koncentration av en specifik gas i gasblandningen.
US6241683B1 (en) 1998-02-20 2001-06-05 INSTITUT DE RECHERCHES CLINIQUES DE MONTRéAL (IRCM) Phonospirometry for non-invasive monitoring of respiration
US6389393B1 (en) 1998-04-28 2002-05-14 Texas Instruments Incorporated Method of adapting speech recognition models for speaker, microphone, and noisy environment
FI981508A (fi) 1998-06-30 1999-12-31 Nokia Mobile Phones Ltd Menetelmä, laite ja järjestelmä käyttäjän tilan arvioimiseksi
IL128000A0 (en) 1999-01-11 1999-11-30 Univ Ben Gurion A method for the diagnosis of thought states by analysis of interword silences
US6527729B1 (en) 1999-11-10 2003-03-04 Pacesetter, Inc. Method for monitoring patient using acoustic sensor
US6600949B1 (en) 1999-11-10 2003-07-29 Pacesetter, Inc. Method for monitoring heart failure via respiratory patterns
SE517026C2 (sv) 2000-11-17 2002-04-02 Forskarpatent I Syd Ab Metod och anordning för talanalys
US7016833B2 (en) 2000-11-21 2006-03-21 The Regents Of The University Of California Speaker verification system using acoustic data and non-acoustic data
US7035797B2 (en) 2001-12-14 2006-04-25 Nokia Corporation Data-driven filtering of cepstral time trajectories for robust speech recognition
US7283962B2 (en) 2002-03-21 2007-10-16 United States Of America As Represented By The Secretary Of The Army Methods and systems for detecting, measuring, and monitoring stress in speech
US6983246B2 (en) 2002-05-21 2006-01-03 Thinkengine Networks, Inc. Dynamic time warping using frequency distributed distance measures
DE10228497B4 (de) 2002-06-21 2012-01-26 Nicolay Verwaltungs-Gmbh Verfahren und Vorrichtung zum Ermitteln eines Anteils eines für die Stoffwechselfunktion eines atmenden Lebewesens charakteristischen Bestandteils in der von dem Lebewesen ausgeatmeten Luft
DE10232916B4 (de) 2002-07-19 2008-08-07 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Vorrichtung und Verfahren zum Charakterisieren eines Informationssignals
US7226422B2 (en) 2002-10-09 2007-06-05 Cardiac Pacemakers, Inc. Detection of congestion from monitoring patient response to a recumbent position
EP2236084A1 (en) 2002-11-11 2010-10-06 Electronic Navigation Research Institute, an Independent Administrative Institution Psychosomatic diagnosis system
JP4832289B2 (ja) 2003-04-10 2011-12-07 アディダス アーゲー 呼吸事象検出システムおよび方法
IL155955A0 (en) 2003-05-15 2003-12-23 Widemed Ltd Adaptive prediction of changes of physiological/pathological states using processing of biomedical signal
DE102004023824B4 (de) 2004-05-13 2006-07-13 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Vorrichtung und Verfahren zur Beurteilung einer Güteklasse eines zu prüfenden Objekts
JP2006075447A (ja) 2004-09-13 2006-03-23 Hitachi Ltd 携帯ヘルスチェック装置およびそれを用いた呼気分析サービス方法
US20060116878A1 (en) 2004-11-30 2006-06-01 Kenji Nagamine Asthma diagnostic apparatus, asthma diagnostic method, and storage medium storing asthma diagnostic program
US7762264B1 (en) 2004-12-14 2010-07-27 Lsvt Global, Inc. Total communications and body therapy
US20060167385A1 (en) 2005-01-24 2006-07-27 3M Innovative Properties Company Analysis of auscultatory sounds using voice recognition
US9089275B2 (en) 2005-05-11 2015-07-28 Cardiac Pacemakers, Inc. Sensitivity and specificity of pulmonary edema detection when using transthoracic impedance
US7529670B1 (en) 2005-05-16 2009-05-05 Avaya Inc. Automatic speech recognition system for people with speech-affecting disabilities
US7398213B1 (en) 2005-05-17 2008-07-08 Exaudios Technologies Method and system for diagnosing pathological phenomenon using a voice signal
US7457753B2 (en) 2005-06-29 2008-11-25 University College Dublin National University Of Ireland Telephone pathology assessment
JP4786384B2 (ja) 2006-03-27 2011-10-05 株式会社東芝 音声処理装置、音声処理方法および音声処理プログラム
US8684900B2 (en) 2006-05-16 2014-04-01 Bao Tran Health monitoring appliance
US20080013747A1 (en) 2006-06-30 2008-01-17 Bao Tran Digital stethoscope and monitoring instrument
US20080275349A1 (en) 2007-05-02 2008-11-06 Earlysense Ltd. Monitoring, predicting and treating clinical episodes
US8221323B2 (en) 2007-08-03 2012-07-17 Cardiac Pacemakers, Inc. Using acoustic energy to compute a lung edema fluid status indication
US20090043586A1 (en) 2007-08-08 2009-02-12 Macauslan Joel Detecting a Physiological State Based on Speech
US8591430B2 (en) 2007-09-14 2013-11-26 Corventis, Inc. Adherent device for respiratory monitoring
US20090099848A1 (en) 2007-10-16 2009-04-16 Moshe Lerner Early diagnosis of dementia
WO2010123483A2 (en) 2008-02-28 2010-10-28 Mcclean Hospital Corporation Analyzing the prosody of speech
US20090326937A1 (en) 2008-04-21 2009-12-31 Microsoft Corporation Using personalized health information to improve speech recognition
EP2124223B1 (en) 2008-05-16 2018-03-28 Beyond Verbal Communication Ltd. Methods and systems for diagnosing a pathological phenomenon using a voice signal
GB0814442D0 (en) 2008-08-08 2008-09-10 Health Smart Ltd Breathing Monitor
US8320588B2 (en) 2009-02-10 2012-11-27 Mcpherson Jerome Aby Microphone mover
CN102362178B (zh) 2009-03-23 2014-11-12 皇家飞利浦电子股份有限公司 使用超声的气体感测
US20120116186A1 (en) 2009-07-20 2012-05-10 University Of Florida Research Foundation, Inc. Method and apparatus for evaluation of a subject's emotional, physiological and/or physical state with the subject's physiological and/or acoustic data
US20110021940A1 (en) 2009-07-21 2011-01-27 Edmond Chu Incentive audio for pulmonary function diagnostics
US9138167B1 (en) 2009-09-25 2015-09-22 Krispin Johan Leydon Means for rendering key respiratory measurements accessible to mobile digital devices
US9357921B2 (en) 2009-10-16 2016-06-07 At&T Intellectual Property I, Lp Wearable health monitoring system
US9492096B2 (en) 2009-11-03 2016-11-15 Vivaquant Llc ECG sensing apparatuses, systems and methods
US8758262B2 (en) 2009-11-25 2014-06-24 University Of Rochester Respiratory disease monitoring system
AU2011207344B2 (en) 2010-01-21 2015-05-21 Asthma Signals, Inc. Early warning method and system for chronic disease management
MX2013001557A (es) 2010-08-13 2013-06-28 Respiratory Motion Inc Dispositivos y metodos para el control de la variacion respiratoria mediante la medicion de volumenes, movimiento y variabilidad respiratoria.
EP2609587B1 (en) 2010-08-24 2015-04-01 Veovox SA System and method for recognizing a user voice command in noisy environment
US10376197B2 (en) 2010-09-07 2019-08-13 Penina Ohana Lubelchick Diagnosing system for consciousness level measurement and method thereof
US20130190641A1 (en) 2010-09-22 2013-07-25 Meytar (Dital) Engineering Limited Modular acoustic spirometer
EP2438863A1 (en) 2010-10-05 2012-04-11 Phibio Science AB System and methods for analysis of pause time durations in speech.
US8784311B2 (en) 2010-10-05 2014-07-22 University Of Florida Research Foundation, Incorporated Systems and methods of screening for medical states using speech and other vocal behaviors
US8882683B2 (en) 2010-11-04 2014-11-11 Panasonic Corporation Physiological sound examination device and physiological sound examination method
KR20140018253A (ko) 2011-01-25 2014-02-12 노파르티스 아게 동작 영상화 및 캡처의 의료적 사용을 위한 시스템 및 방법
CN102125427B (zh) 2011-01-29 2012-08-22 清华大学 一种手机体检系统
EP2670304B1 (en) 2011-01-31 2020-04-01 Koninklijke Philips N.V. Automated spirogram analysis and interpretation
US9055861B2 (en) 2011-02-28 2015-06-16 Samsung Electronics Co., Ltd. Apparatus and method of diagnosing health by using voice
CN103458782B (zh) 2011-03-16 2016-02-17 皇家飞利浦有限公司 呼吸困难和水肿症状评估
US9070357B1 (en) 2011-05-11 2015-06-30 Brian K. Buchheit Using speech analysis to assess a speaker's physiological health
US20130018274A1 (en) 2011-07-13 2013-01-17 O'neill Alfonso V System and device for testing pulmonary function
GB201113572D0 (en) 2011-08-05 2011-09-21 Morgan David A portable device for the monitoring of medical conitions
US20140213925A1 (en) 2011-09-20 2014-07-31 Isonea Limited Systems, methods and kits for measuring respiratory rate and dynamically predicting respiratory episodes
CN202261466U (zh) 2011-10-09 2012-05-30 江苏省莱科信息技术有限公司 一种具有肺活量检测功能的移动终端
CN102423262A (zh) 2011-10-09 2012-04-25 江苏省莱科信息技术有限公司 一种具有肺活量检测功能的移动终端及其肺活量检测方法
CN102497472B (zh) 2011-11-29 2014-09-10 惠州Tcl移动通信有限公司 基于手机麦克风的肺活量测试系统
US20130158434A1 (en) 2011-12-20 2013-06-20 Delta Electronics, Inc. Apparatus for voice assisted medical diagnosis
KR102081241B1 (ko) 2012-03-29 2020-02-25 더 유니버서티 어브 퀸슬랜드 환자 소리들을 처리하기 위한 방법 및 장치
US10028675B2 (en) 2012-05-10 2018-07-24 University Of Washington Through Its Center For Commercialization Sound-based spirometric devices, systems and methods
US20140073993A1 (en) 2012-08-02 2014-03-13 University Of Notre Dame Du Lac Systems and methods for using isolated vowel sounds for assessment of mild traumatic brain injury
BR112015004844A2 (pt) 2012-09-05 2017-08-08 Countingapp Medical Ltd sistema e método para medir a capacidade e vigor pulmonar
WO2014045257A1 (en) 2012-09-24 2014-03-27 Koninklijke Philips N.V. System and method for determining a person's breathing
US9922641B1 (en) 2012-10-01 2018-03-20 Google Llc Cross-lingual speaker adaptation for multi-lingual speech synthesis
US9579056B2 (en) 2012-10-16 2017-02-28 University Of Florida Research Foundation, Incorporated Screening for neurological disease using speech articulation characteristics
CA2798337A1 (en) 2012-12-04 2014-06-04 University Of Winnipeg Cardiovascular pulse wave analysis method and system
WO2014107798A1 (en) 2013-01-14 2014-07-17 University Health Network Mask and method for breathing disorder identification, characterization and/or diagnosis
KR20180058870A (ko) 2013-03-06 2018-06-04 아담 제이 사이먼 뇌 건강의 다중 모드 생리학적 평가를 위한 폼 팩터
US9153231B1 (en) 2013-03-15 2015-10-06 Amazon Technologies, Inc. Adaptive neural network speech recognition models
US20140302472A1 (en) 2013-04-09 2014-10-09 Xerox Business Services, Llc Lamaze breathing coach
US20140378810A1 (en) 2013-04-18 2014-12-25 Digimarc Corporation Physiologic data acquisition and analysis
US20140314212A1 (en) 2013-04-22 2014-10-23 Avaya Inc. Providing advisory information associated with detected auditory and visual signs in a psap environment
WO2014188408A1 (en) 2013-05-20 2014-11-27 Beyond Verbal Communication Ltd Method and system for determining a pre-multisystem failure condition using time integrated voice analysis
US9183830B2 (en) 2013-11-01 2015-11-10 Google Inc. Method and system for non-parametric voice conversion
US9685174B2 (en) 2014-05-02 2017-06-20 The Regents Of The University Of Michigan Mood monitoring of bipolar disorder using speech analysis
EP3160334B1 (en) 2014-08-22 2021-12-01 SRI International Speech-based assessment of a patient's state-of-mind
US10201307B2 (en) 2014-09-24 2019-02-12 International Business Machines Corporation System and method to measure, analyze, and model pulmonary function and disease utilizing temporal, spatial, and contextual data
EP3211918B1 (en) 2014-10-20 2021-08-25 Sony Group Corporation Voice processing system
WO2016091612A1 (en) 2014-12-12 2016-06-16 Koninklijke Philips N.V. Acoustic monitoring system, monitoring method, and monitoring computer program
US20160302003A1 (en) 2015-04-08 2016-10-13 Cornell University Sensing non-speech body sounds
CN107529991B (zh) 2015-04-16 2020-12-18 皇家飞利浦有限公司 用于检测对象的心脏和/或呼吸疾病的设备、系统和方法
US10672385B2 (en) 2015-09-04 2020-06-02 Honeywell International Inc. Method and system for remotely training and commanding the speech recognition system on a cockpit via a carry-on-device in a connected aircraft
US10706873B2 (en) 2015-09-18 2020-07-07 Sri International Real-time speaker state analytics platform
DE102015218948A1 (de) 2015-09-30 2017-03-30 Brandenburgische Technische Universität Cottbus-Senftenberg Vorrichtung und Verfahren zur Bestimmung eines medizinischen Gesundheitsparameters eines Probanden mittels Stimmanalyse
EP3359023A4 (en) 2015-10-08 2019-05-22 Cordio Medical Ltd. ASSESSMENT OF A PULMONARY SUFFERING BY LANGUAGE ANALYSIS
US20180303413A1 (en) 2015-10-20 2018-10-25 Healthymize Ltd System and method for monitoring and determining a medical condition of a user
JP6755304B2 (ja) 2016-04-26 2020-09-16 株式会社ソニー・インタラクティブエンタテインメント 情報処理装置
WO2018021920A1 (en) 2016-07-27 2018-02-01 The University Of Canterbury Maskless speech airflow measurement system
CA3040703A1 (en) 2016-10-17 2018-04-26 Context Ai, Llc Systems and methods for medical diagnosis and biomarker identification using physiological sensors and machine learning
WO2018204934A1 (en) 2017-05-05 2018-11-08 Canary Speech, LLC Selecting speech features for building models for detecting medical conditions
CN108875463B (zh) 2017-05-16 2022-08-12 富士通株式会社 多视角向量处理方法和设备
CN107622797B (zh) 2017-09-26 2020-07-28 李涵之 一种基于声音的身体状况确定系统及方法
US10896763B2 (en) 2018-01-12 2021-01-19 Koninklijke Philips N.V. System and method for providing model-based treatment recommendation via individual-specific machine learning models
AU2019260788B2 (en) 2018-04-27 2023-05-11 Samay, Inc. Systems, devices, and methods for performing active auscultation and detecting sonic energy measurements
US10847177B2 (en) 2018-10-11 2020-11-24 Cordio Medical Ltd. Estimating lung volume by speech analysis
US20200152330A1 (en) 2018-11-13 2020-05-14 CurieAI, Inc. Scalable Personalized Treatment Recommendation
KR102655628B1 (ko) 2018-11-22 2024-04-09 삼성전자주식회사 발화의 음성 데이터를 처리하는 방법 및 장치

Also Published As

Publication number Publication date
US11484211B2 (en) 2022-11-01
CA3169598A1 (en) 2021-09-10
JP2023517175A (ja) 2023-04-24
AU2021229663B2 (en) 2023-12-21
US20210275037A1 (en) 2021-09-09
WO2021176293A1 (en) 2021-09-10
IL311770A (en) 2024-05-01
EP3875034A1 (en) 2021-09-08
IL281121B1 (en) 2024-05-01
KR20220148832A (ko) 2022-11-07
AU2021229663C1 (en) 2024-05-02
IL281121A (en) 2021-09-30
AU2021229663A1 (en) 2022-08-25
US20220409063A1 (en) 2022-12-29

Similar Documents

Publication Publication Date Title
Nallanthighal et al. Deep sensing of breathing signal during conversational speech
CN107622797B (zh) 一种基于声音的身体状况确定系统及方法
JP6272308B2 (ja) 音ベースの肺活量測定のデバイス、システムおよび方法
AU2018266253B2 (en) System and method for determining cardiac rhythm and/or respiratory rate
US11610600B2 (en) Estimating lung volume by speech analysis
US20150154980A1 (en) Cepstral separation difference
Nallanthighal et al. Deep learning architectures for estimating breathing signal and respiratory parameters from speech recordings
Vijayan et al. Throat microphone speech recognition using mfcc
Usman et al. Heart rate detection and classification from speech spectral features using machine learning
US20220409063A1 (en) Diagnosis of medical conditions using voice recordings and auscultation
WO2016154139A1 (en) Sound-based spirometric devices, systems, and methods using audio data transmitted over a voice communication channel
Cheyne Estimating glottal voicing source characteristics by measuring and modeling the acceleration of the skin on the neck
Cohen et al. Acoustic transmission of the respiratory system using speech stimulation
Porieva et al. Investigation of lung sounds features for detection of bronchitis and COPD using machine learning methods
JP2018033540A (ja) 舌位・舌癖判定装置、舌位・舌癖判定方法及びプログラム
Pangaonkar et al. Estimation techniques of vocal fold disorder: a survey
Gao et al. System Design of Detection and Intervention Methods for Apnea
Sen et al. Effect of Smoking on Pulmonary Acoustic Parameters in Terms of Displacement Away From Non-smokers Towards COPD: A Preliminary Study

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40080137

Country of ref document: HK