CN117462113A - 一种基于咳嗽音的通气功能评估方法、装置、介质及设备 - Google Patents
一种基于咳嗽音的通气功能评估方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN117462113A CN117462113A CN202311611032.0A CN202311611032A CN117462113A CN 117462113 A CN117462113 A CN 117462113A CN 202311611032 A CN202311611032 A CN 202311611032A CN 117462113 A CN117462113 A CN 117462113A
- Authority
- CN
- China
- Prior art keywords
- cough
- signal
- ventilation function
- formant
- filter
- 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
- 206010011224 Cough Diseases 0.000 title claims abstract description 204
- 238000009423 ventilation Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000005284 excitation Effects 0.000 claims abstract description 73
- 230000005236 sound signal Effects 0.000 claims abstract description 61
- 238000001228 spectrum Methods 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 21
- 230000003044 adaptive effect Effects 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 117
- 238000011156 evaluation Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 11
- 230000001755 vocal effect Effects 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000001771 impaired effect Effects 0.000 description 4
- 230000002980 postoperative effect Effects 0.000 description 4
- 230000002685 pulmonary effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 210000004072 lung Anatomy 0.000 description 3
- 230000004199 lung function Effects 0.000 description 3
- 210000001260 vocal cord Anatomy 0.000 description 3
- 101100445834 Drosophila melanogaster E(z) gene Proteins 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009325 pulmonary function Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 210000003489 abdominal muscle Anatomy 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000000987 immune system Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 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
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/087—Measuring breath flow
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Pulmonology (AREA)
- Power Engineering (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种基于咳嗽音的通气功能评估方法、装置、介质及设备；其中方法为：获取待评估的咳嗽音信号，将其进行z变换；采用自适应预加重线性预测方法将咳嗽音信号分解成激励信号、频谱增强滤波器以及共振峰滤波器；计算时域激励信号的能量和共振峰滤波器的第一共振峰频率，并组合成特征向量；根据分类决策函数来计算决策值，评估通气功能的强弱。该方法可克服患者咳嗽用力程度对咳嗽音信号能量计算的影响，可更准确地评估通气功能。
Description
技术领域
本发明涉及医疗器械与医学信号处理技术领域，更具体地说，涉及一种基于咳嗽音的通气功能评估方法、装置、介质及设备。
背景技术
术后肺部并发症指术后发生有临床表现并对疾病进程产生负面影响的肺部异常及功能障碍，可对病人的心血管系统、免疫系统产生不良影响。术后肺部并发症不仅会导致患者死亡率在短期和长期均显著增加，而且会导致患者医疗费用的增加。因此，术前患者的通气功能在临床上是非常重要的指标。评估术前肺功能的强弱有利于早期预警和干预，从而降低术后肺部并发症的发生率。
术后肺部并发症的肺功能检测是一个难题。采用肺功能仪可准确评估肺功能，但这种测量方式操作复杂且成本高，在临床实践中难以进行每天的测量。目前一种可行的替代方案是基于患者咳嗽音强弱评估其肺功能，其原理为：咳嗽时，腹肌和膈肌快速收缩使肺部瞬间呼出大量气体，气流冲击声道而发出咳嗽音；咳嗽音强弱在一定程度上可以反映呼气流量和呼气容积的大小，从而可间接评估通气功能。
但咳嗽音强度与呼气流量之间及其与呼气容积之间均不成立一一对应的关系；若将呼气流量和咳嗽音强度分别视为咳嗽音发声模型的输入和输出，则咳嗽音的强度不仅决定于呼气流量的大小，还受声道形状、声带振动是否参与发声等因素的影响。同时，由于咳嗽用力程度的不同，越用力的咳嗽呼气流量越大，也会对咳嗽音的强度造成影响。因此，单纯根据咳嗽音强度来评估通气功能的强弱往往容易造成误判。可以说，咳嗽音特征的提取是建立通气功能强弱识别模型的关键，而如何提取合适的特征，目前依然是尚待解决的问题。
发明内容
为克服现有技术中的缺点与不足，本发明的目的在于提供一种基于咳嗽音的通气功能评估方法、装置、介质及设备；该方法可克服患者咳嗽用力程度对咳嗽音信号能量计算的影响，可更准确地评估通气功能。
为了达到上述目的，本发明通过下述技术方案予以实现：一种基于咳嗽音的通气功能评估方法，包括如下步骤：
S1、获取待评估的咳嗽音信号s(k)，将咳嗽音信号s(k)z变换为咳嗽音信号S(z)；其中，咳嗽音信号s(k)的采样频率为fs；
S2、采用自适应预加重线性预测方法将咳嗽音信号S(z)分解成激励信号E(z)、频谱增强滤波器HE(z)以及共振峰滤波器VF(z)；激励信号E(z)在时域中记为时域激励信号e(k)；计算所述时域激励信号e(k)的能量enE和共振峰滤波器VF(z)的第一共振峰频率fVF；
S3、将激励信号能量enE和共振峰滤波器VF(z)的第一共振峰频率fVF组合成特征向量φ＝[enE,fVF]T；根据分类决策函数来计算决策值g(φ)，其中，分类决策函数是经过训练处理的分类决策函数；
S4、根据决策值g(φ)评估通气功能的强弱。
优选地，所述步骤S2包括如下分步骤：
S21、采用线性预测方法对咳嗽音信号S(z)进行解卷积，求出频谱增强滤波器HE(z)；
S22、采用频谱增强滤波器HE(z)的逆滤波器对咳嗽音信号S(z)进行预加重，得到预加重后信号/>
S23、采用线性预测方法对预加重后信号进行分解，求出共振峰滤波器VF(z)；
S24、采用共振峰滤波器VF(z)的逆滤波器对预加重后信号/>进行分解，得到激励信号E(z)，所述激励信号E(z)在时域中记为时域激励信号e(k)；
S25、计算时域激励信号e(k)的能量enE，并确定共振峰滤波器VF(z)的第一共振峰频率fVF。
优选地，所述步骤S21中，频谱增强滤波器HE(z)的阶数为三阶；所述步骤S23中，共振峰滤波器VF(z)的阶数为三十阶。
优选地，所述步骤S21中，频谱增强滤波器HE(z)采用阶数p1＝3的全极点模型，公式如下：
其中，求得的系数ai和增益因子G1为频谱增强滤波器HE(z)的参数；
所述步骤S23中，共振峰滤波器VF(z)采用阶数p2＝30的全极点模型，公式如下：
其中，求得的系数bi和增益因子G2为共振峰滤波器VF(z)的参数。
优选地，所述步骤S25中，时域激励信号e(k)的能量enE计算公式为：
其中，Eω(l)为对时域激励信号e(k)作离散傅里叶变换所得结果；N为咳嗽音信号持续的采样点数。
优选地，所述分类决策函数的训练处理方法是：
建立线性分类器，分类决策函数为g(φ)＝wTφ+w0；其中，w＝[w1,w2]T和w0为线性分类器的待定参数；
采集通气功能强和通气功能弱的两类咳嗽音信号样本构成训练样本集，其中通气功能强的咳嗽音信号样本m个；通气功能弱的咳嗽音信号样本n个；
按照步骤S2所述方法，对训练样本集中所有咳嗽音信号样本分别计算时域激励信号e(k)的能量enE和共振峰滤波器VF(z)的第一共振峰频率fVF，记通气功能强的咳嗽音信号样本的特征向量集为：
以及通气功能弱的咳嗽音信号样本的特征值向量集为：
其中，为第i个通气功能强的咳嗽音信号样本特征向量，其中为第i个通气功能弱的咳嗽音信号样本特征向量；
采用Fisher准则训练线性分类器，得到分类决策函数其中，w*和/>分别为训练线性分类器所得的最佳投影方向和最佳阈值。
优选地，所述步骤S1中，咳嗽音信号s(k)的采样频率fs＝8kHz；
所述步骤S4，根据决策值g(φ)评估通气功能的强弱是指：若决策值g(φ)>0，则判定咳嗽音信号s(k)的通气功能强，否则评定咳嗽音信号s(k)的通气功能弱。
本发明采取以下两种方法提高通气功能评估的准确性：
1)对咳嗽音信号作线性预测以分离出声道模型，从中确定声道第一共振峰的频率，并以该频率作为衡量咳嗽用力程度的特征。
患者越用力咳嗽，呼气流量越大，咳嗽音强度越强，相应地气道扩张程度相对越高，导致声道第一共振峰的频率改变。因此，本发明将该频率选作评估通气功能的第一个特征。
2)在线性预测方法的基础上增加自适应预加重，以降低声道形状等因素对呼气流量估计值的影响。
患者越用力咳嗽，咳嗽音信号的高频分量占比越大；本发明采用自适应预加重方法，补偿不同咳嗽用力程度导致的高频成分变化，有利于更准确地提取共振峰信息。
具体地，本发明在步骤S2中采用自适应预加重线性预测方法，将咳嗽音信号分解成激励信号E(z)、增强滤波器HE(z)以及共振峰滤波器VF(z)三部分，表达式为：
S(z)＝E(z)HE(z)VF(z)
为准确估计共振峰信息，同时计算激励信号强度，本发明S21计算咳嗽音信号的增强滤波器HE(z)，其逆滤波器P(z)作为咳嗽音信号的自适应预加重滤波器，表达式为：
S(z)P(z)＝E(z)VF(z)
咳嗽音强度与患者的咳嗽用力程度呈正相关。因此，本发明S23计算咳嗽音信号的共振峰滤波器VF(z)，提取出患者的声道信息，用共振峰滤波器VF(z)的第一共振峰频率反映患者咳嗽用力程度。
咳嗽音信号经自适应预加重线性预测方法处理后，消除了声道形状、声带振动等因素的影响，所得激励信号的能量能够较为准确地反映呼气流量的大小，从而间接评估通气功能。
一种基于咳嗽音的通气功能评估装置，包括：
信号获取模块，用于获取待评估的咳嗽音信号s(k)，将咳嗽音信号s(k)z变换为咳嗽音信号S(z)；其中，咳嗽音信号s(k)的采样频率为fs；
预处理模块，用于采用自适应预加重线性预测方法将咳嗽音信号S(z)分解成激励信号E(z)、频谱增强滤波器HE(z)以及共振峰滤波器VF(z)；激励信号E(z)在时域中记为时域激励信号e(k)；计算所述时域激励信号e(k)的能量enE和共振峰滤波器VF(z)的第一共振峰频率fVF；
分类决策模块，用于将激励信号能量enE和共振峰滤波器VF(z)的第一共振峰频率fVF组合成特征向量φ＝[enE,fVF]T；根据分类决策函数来计算决策值g(φ)，其中，分类决策函数是经过训练处理的分类决策函数；
评估模块，用于根据决策值g(φ)评估通气功能的强弱。
一种可读存储介质，其中所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述基于咳嗽音的通气功能评估方法。
一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述基于咳嗽音的通气功能评估方法。
与现有技术相比，本发明具有如下优点与有益效果：
1、本发明实现咳嗽音信号的自适应预加重，消除了声道形状、声带振动等因素的影响，有利于准确估计共振峰位置以及激励信号强度；并以第一共振峰频率为特征，可以反映患者咳嗽用力程度，通气功能识别结果更加准确；
2、本发明仅通过自适应预加重后所得激励信号的能量以及第一共振峰频率值两个特征来评估通气功能，模型简单，计算量小，对硬件要求低，便于在可穿戴设备中实现。
附图说明
图1为本发明基于咳嗽音的通气功能评估方法的流程图；
图2为本发明基于咳嗽音的通气功能评估方法的分类决策函数训练流程图；
图3(a)～(d)为通气功能强患者用力咳嗽所得咳嗽音信号的时域波形图、频谱图、激励信号频谱图以及共振峰滤波器频率特性图；
图4(a)～(d)为通气功能强患者不用力咳嗽所得咳嗽音信号的时域波形图、频谱图、激励信号频谱图以及共振峰滤波器频率特性图；
图5(a)～(d)为通气功能弱患者用力咳嗽所得咳嗽音信号的时域波形图、频谱图、激励信号频谱图以及共振峰滤波器频率特性图；
图6(a)～(d)为通气功能弱患者不用力咳嗽所得咳嗽音信号的时域波形图、频谱图、激励信号频谱图以及共振峰滤波器频率特性图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细的描述。
实施例一
本实施例一种基于咳嗽音的通气功能评估方法，采集通气功能强和通气功能弱患者的咳嗽音信号；利用自适应预加重线性预测编码将咳嗽音信号分解成激励信号E(z)、频谱增强滤波器HE(z)以及共振峰滤波器VF(z)三部分。对于激励信号求能量以反映肺部呼出气流强弱，共振峰滤波器频率特性的第一共振峰频率fVF反映咳嗽用力程度；选择激励信号能量和共振峰滤波器的第一共振峰频率fVF作为特征建立线性分类器，并以通气功能强和通气功能弱的患者咳嗽音样本为样本集来训练线性分类器；通过训练后的线性分类器来评估患者的通气功能强弱。
基于咳嗽音的通气功能评估方法的流程如图1所示，包括如下步骤：
S1、获取待评估的咳嗽音信号s(k)，将咳嗽音信号s(k)z变换为咳嗽音信号S(z)；其中，咳嗽音信号s(k)的采样频率为fs。咳嗽音信号s(k)的采样频率优选为fs＝8kHz。
S2、采用自适应预加重线性预测方法将咳嗽音信号S(z)分解成激励信号E(z)、频谱增强滤波器HE(z)以及共振峰滤波器VF(z)，即S(z)＝VF(z)HE(z)E(z)；激励信号E(z)在时域中记为时域激励信号e(k)；计算所述时域激励信号e(k)的能量enE和共振峰滤波器VF(z)的第一共振峰频率fVE。
具体包括如下分步骤：
S21、采用线性预测方法对咳嗽音信号S(z)进行解卷积，求出频谱增强滤波器HE(z)；
频谱增强滤波器HE(z)采用阶数p1＝3的全极点模型，公式如下：
其中，求得的系数ai和增益因子G1为频谱增强滤波器HE(z)的参数；
S22、采用频谱增强滤波器HE(z)的逆滤波器对咳嗽音信号S(z)进行预加重，得到预加重后信号/>
S23、采用线性预测方法对预加重后信号进行分解，求出共振峰滤波器VF(z)；
共振峰滤波器VF(z)采用阶数p2＝30的全极点模型，公式如下：
其中，求得的系数bi和增益因子G2为共振峰滤波器VF(z)的参数；
S24、采用共振峰滤波器VF(z)的逆滤波器对预加重后信号/>进行分解，得到激励信号E(z)，所述激励信号E(z)在时域中记为时域激励信号e(k)；
S25、计算时域激励信号e(k)的能量enE，并确定共振峰滤波器VV(z)的第一共振峰频率fVF；
时域激励信号e(k)的能量enE计算公式为：
其中，Eω(l)为对时域激励信号e(k)作离散傅里叶变换所得结果；N为咳嗽音信号持续的采样点数。
S3、将激励信号能量enE和共振峰滤波器VF(z)的第一共振峰频率fVF组合成特征向量φ＝[enE,fVF]T；根据分类决策函数来计算决策值g(φ)，其中，分类决策函数是经过训练处理的分类决策函数。
S4、根据决策值g(φ)评估通气功能的强弱：若决策值g(φ)>0，则判定咳嗽音信号s(k)的通气功能强，否则评定咳嗽音信号s(k)的通气功能弱。
分类决策函数的训练处理方法，如图2所示，包括如下步骤：
建立线性分类器，分类决策函数为g(φ)＝wTφ+w0；其中，w＝[w1,w2]T和w0为线性分类器的待定参数；
采集通气功能强和通气功能弱的两类咳嗽音信号样本构成训练样本集，其中通气功能强的咳嗽音信号样本m个(例如200个)，其样本标签设置为1；通气功能弱的咳嗽音信号样本n个(例如200个)，其样本标签设置为-1；
按照步骤S2所述方法，对训练样本集中所有咳嗽音信号样本分别计算时域激励信号e(k)的能量enE和共振峰滤波器VF(z)的第一共振峰频率fVF，记通气功能强的咳嗽音信号样本的特征向量集为：
以及通气功能弱的咳嗽音信号样本的特征值向量集为：
其中，为第i个通气功能强的咳嗽音信号样本特征向量，其中为第i个通气功能弱的咳嗽音信号样本特征向量；
采用Fisher准则训练线性分类器，得到分类决策函数其中，w*和/>分别为训练线性分类器所得的最佳投影方向和最佳阈值。包括如下步骤：
1)计算两类咳嗽音信号样本的类均值向量分别得
2)计算两类咳嗽音信号样本的类内离散度矩阵分别得
3)计算总类内离散度矩阵得Sw＝SP+SN；
4)计算最佳投影方向得
5)计算投影后两类样本的中心分别得yP＝w*T·mP、yN＝w*T·mN；
6)选取分类阈值为
7)最后得Fisher分类决策函数为：应说明的是，分类阈值的选取并不局限于上述计算公式，亦可根据训练后的结果人工选取或选用其他计算方法。
图3(a)通气功能强患者用力咳嗽所得咳嗽音信号时域波形图，图3(b)通气功能强患者用力咳嗽所得咳嗽音信号频域波形图，图3(c)通气功能强患者用力咳嗽所得咳嗽音信号激励信号E(z)频谱图，图3(d)通气功能强患者用力咳嗽所得咳嗽音信号共振峰滤波器VF(z)频率特性图。图4(a)通气功能强患者不用力咳嗽所得咳嗽音信号的时域波形图，图4(b)通气功能强患者不用力咳嗽所得咳嗽音信号频域波形图，图4(c)通气功能强患者不用力咳嗽所得咳嗽音信号激励信号E(z)频谱图，图4(d)通气功能强患者不用力咳嗽所得咳嗽音信号共振峰滤波器VF(z)频率特性图。
图5(a)通气功能弱患者用力咳嗽所得咳嗽音信号时域波形图，图5(b)通气功能弱患者用力咳嗽所得咳嗽音信号频域波形图，图5(c)通气功能弱患者用力咳嗽所得咳嗽音信号激励信号E(z)频谱图，图5(d)通气功能弱患者用力咳嗽所得咳嗽音信号共振峰滤波器VF(z)频率特性图。图6(a)通气功能弱患者不用力咳嗽所得咳嗽音信号时域波形图，图6(b)通气功能弱患者不用力咳嗽所得咳嗽音信号频域波形图，图6(c)通气功能弱患者不用力咳嗽所得咳嗽音信号激励信号E(z)频谱图，图6(d)通气功能弱患者不用力咳嗽所得咳嗽音信号共振峰滤波器VF(z)频率特性图。
如背景技术中所述，根据咳嗽音估计呼气流量和呼气容积的大小，即可间接评估患者的通气功能。但咳嗽音强度与呼气流量之间及其与呼气容积之间均不成立一一对应的关系；若将呼气流量和咳嗽音强度分别视为咳嗽音发声模型的输入和输出，则咳嗽音的强度不仅取决于呼气流量的大小，还受声道形状、声带振动是否参与发声等因素的影响。同时，由于咳嗽用力程度的不同，越用力的咳嗽呼气流量越大，也会对咳嗽音的强度造成影响。单纯根据咳嗽音强度来评估通气功能的强弱往往容易造成误判(如图3(a)、图4(a)、图5(a)、图6(a))。
由于患者越用力的咳嗽音信号在频域上表现为具有更多的高频分量(如图3(b)、图4(b)、图5(b)、图6(b))，对比图3(b)、图4(b)以及图5(b)、图6(b)，咳嗽用力情况下，高频部分对应的幅值更大，频域波形图更为平坦，而咳嗽不用力的情况下频率主要集中在低频部分，低频部分出现明显的高峰。本发明S21计算咳嗽音信号的增强滤波器HE(z)，其逆滤波器P(z)作为咳嗽音信号的自适应预加重滤波器，用于补偿不同咳嗽用力程度信号的高频损耗，更准确地提取共振峰信息。
患者越用力咳嗽，呼气流量越大，咳嗽音强度越强，相应地气道扩张程度相对越高，导致声道第一共振峰的改变。因此，本发明S23计算咳嗽音信号的共振峰滤波器VF(z)，提取出患者的声道信息，绘制共振峰滤波器VF(z)频率特性(如图3(d)、图4(d)、图5(d)、图6(d))，对比图3(d)、图4(d)以及图5(d)、图6(d)，在同样为通气功能好或通气功能差的情况下，咳嗽用力情况下的咳嗽音第一共振峰频率比咳嗽不用力情况下更高。
咳嗽音信号经自适应预加重线性预测编码处理分解出的激励信号E(z)消除了声道形状、声带振动等因素的影响，其强度能够较为准确地反映呼气流量的大小，从而可间接评估通气功能。本发明S24计算咳嗽音信号的激励信号，绘制出激励信号频谱图(如图3(c)、图4(c)、图5(c)、图6(c))，对比图3(c)图5(c)以及图4(c)图6(c)，在同为咳嗽用力的情况下，通气功能强的咳嗽音信号激励信号频谱平均幅值更高，信号能量更高；对比图3(c)图4(c)以及图5(c)图6(c)，在通气功能相同的情况下，咳嗽用力情况下的激励信号频谱平均幅值更高，信号能量更高。
本发明S25选取时域激励信号e(k)的能量enE，和共振峰滤波器VF(z)频率响应的第一共振峰频率fVF作为线性分类器的特征向量。
为实现上述基于咳嗽音的通气功能评估方法，本实施例还提供一种基于咳嗽音的通气功能评估装置，包括：
信号获取模块，用于获取待评估的咳嗽音信号s(k)，将咳嗽音信号s(k)z变换为咳嗽音信号S(z)；其中，咳嗽音信号s(k)的采样频率为fs；
预处理模块，用于采用自适应预加重线性预测方法将咳嗽音信号S(z)分解成激励信号E(z)、频谱增强滤波器HE(z)以及共振峰滤波器VF(z)，即S(z)＝VF(z)HE(z)E(z)；激励信号E(z)在时域中记为时域激励信号e(k)；计算所述时域激励信号e(k)的能量enE和共振峰滤波器VF(z)的第一共振峰频率fVF；
分类决策模块，用于将激励信号能量enE和共振峰滤波器VF(z)的第一共振峰频率fVF组合成特征向量φ＝[enE,fVF]T；根据分类决策函数来计算决策值g(φ)，其中，分类决策函数是经过训练处理的分类决策函数；
评估模块，用于根据决策值g(φ)评估通气功能的强弱。
实施例二
本实施例一种可读存储介质，其中所述可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行实施例一所述的基于咳嗽音的通气功能评估方法。
实施例三
本实施例一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现实施例一所述的基于咳嗽音的通气功能评估方法。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (10)
1.一种基于咳嗽音的通气功能评估方法，其特征在于：包括如下步骤：
S1、获取待评估的咳嗽音信号s(k)，将咳嗽音信号s(k)z变换为咳嗽音信号S(z)；其中，咳嗽音信号s(k)的采样频率为fs；
S2、采用自适应预加重线性预测方法将咳嗽音信号S(z)分解成激励信号E(z)、频谱增强滤波器HE(z)以及共振峰滤波器VF(z)；激励信号E(z)在时域中记为时域激励信号e(k)；计算所述时域激励信号e(k)的能量enE和共振峰滤波器VF(z)的第一共振峰频率fVF；
S3、将激励信号能量enE和共振峰滤波器VF(z)的第一共振峰频率fVF组合成特征向量φ＝[enE,fVF]T；根据分类决策函数来计算决策值g(φ)，其中，分类决策函数是经过训练处理的分类决策函数；
S4、根据决策值g(φ)评估通气功能的强弱。
2.根据权利要求1所述的基于咳嗽音的通气功能评估方法，其特征在于：所述步骤S2包括如下分步骤：
S21、采用线性预测方法对咳嗽音信号S(z)进行解卷积，求出频谱增强滤波器HE(z)；
S22、采用频谱增强滤波器HE(z)的逆滤波器对咳嗽音信号S(z)进行预加重，得到预加重后信号/>
S23、采用线性预测方法对预加重后信号进行分解，求出共振峰滤波器VF(z)；
S24、采用共振峰滤波器VF(z)的逆滤波器对预加重后信号/>进行分解，得到激励信号E(z)，所述激励信号E(z)在时域中记为时域激励信号e(k)；
S25、计算时域激励信号e(k)的能量enE，并确定共振峰滤波器VF(z)的第一共振峰频率fVF。
3.根据权利要求2所述的基于咳嗽音的通气功能评估方法，其特征在于：所述步骤S21中，频谱增强滤波器HE(z)的阶数为三阶；所述步骤S23中，共振峰滤波器VF(z)的阶数为三十阶。
4.根据权利要求3所述的基于咳嗽音的通气功能评估方法，其特征在于：所述步骤S21中，频谱增强滤波器HE(z)采用阶数p1＝3的全极点模型，公式如下：
其中，求得的系数ai和增益因子G1为频谱增强滤波器HE(z)的参数；
所述步骤S23中，共振峰滤波器VF(z)采用阶数p2＝30的全极点模型，公式如下：
其中，求得的系数bi和增益因子G2为共振峰滤波器VF(z)的参数。
5.根据权利要求2所述的基于咳嗽音的通气功能评估方法，其特征在于：所述步骤S25中，时域激励信号e(k)的能量enE计算公式为：
其中，Eω(l)为对时域激励信号e(k)作离散傅里叶变换所得结果；N为咳嗽音信号持续的采样点数。
6.根据权利要求1所述的基于咳嗽音的通气功能评估方法，其特征在于：所述分类决策函数的训练处理方法是：
建立线性分类器，分类决策函数为g(φ)＝wTφ+w0；其中，w＝[w1,w2]T和w0为线性分类器的待定参数；
采集通气功能强和通气功能弱的两类咳嗽音信号样本构成训练样本集，其中通气功能强的咳嗽音信号样本m个；通气功能弱的咳嗽音信号样本n个；
按照步骤S2所述方法，对训练样本集中所有咳嗽音信号样本分别计算时域激励信号e(k)的能量enE和共振峰滤波器VF(z)的第一共振峰频率fVF，记通气功能强的咳嗽音信号样本的特征向量集为：
以及通气功能弱的咳嗽音信号样本的特征值向量集为：
其中，为第i个通气功能强的咳嗽音信号样本特征向量，其中为第i个通气功能弱的咳嗽音信号样本特征向量；
采用Fisher准则训练线性分类器，得到分类决策函数其中，w*和/>分别为训练线性分类器所得的最佳投影方向和最佳阈值。
7.根据权利要求1所述的基于咳嗽音的通气功能评估方法，其特征在于：所述步骤S1中，咳嗽音信号s(k)的采样频率fs＝8kHz；
所述步骤S4，根据决策值g(φ)评估通气功能的强弱是指：若决策值g(φ)>0，则判定咳嗽音信号s(k)的通气功能强，否则评定咳嗽音信号s(k)的通气功能弱。
8.一种基于咳嗽音的通气功能评估装置，其特征在于：包括：
信号获取模块，用于获取待评估的咳嗽音信号s(k)，将咳嗽音信号s(k)z变换为咳嗽音信号S(z)；其中，咳嗽音信号s(k)的采样频率为fs；
预处理模块，用于采用自适应预加重线性预测方法将咳嗽音信号S(z)分解成激励信号E(z)、频谱增强滤波器HE(z)以及共振峰滤波器VF(z)；激励信号E(z)在时域中记为时域激励信号e(k)；计算所述时域激励信号e(k)的能量enE和共振峰滤波器VF(z)的第一共振峰频率fVF；
分类决策模块，用于将激励信号能量enE和共振峰滤波器VF(z)的第一共振峰频率fVF组合成特征向量φ＝[enE,fVF]T；根据分类决策函数来计算决策值g(φ)，其中，分类决策函数是经过训练处理的分类决策函数；
评估模块，用于根据决策值g(φ)评估通气功能的强弱。
9.一种可读存储介质，其特征在于，其中所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行权利要求1-7中任一项所述的基于咳嗽音的通气功能评估方法。
10.一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1-7中任一项所述的基于咳嗽音的通气功能评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311611032.0A CN117462113A (zh) | 2023-11-28 | 2023-11-28 | 一种基于咳嗽音的通气功能评估方法、装置、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311611032.0A CN117462113A (zh) | 2023-11-28 | 2023-11-28 | 一种基于咳嗽音的通气功能评估方法、装置、介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117462113A true CN117462113A (zh) | 2024-01-30 |
Family
ID=89624017
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311611032.0A Pending CN117462113A (zh) | 2023-11-28 | 2023-11-28 | 一种基于咳嗽音的通气功能评估方法、装置、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117462113A (zh) |
-
2023
- 2023-11-28 CN CN202311611032.0A patent/CN117462113A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Matos et al. | An automated system for 24-h monitoring of cough frequency: the leicester cough monitor | |
| Lin et al. | Automatic wheezing detection using speech recognition technique | |
| JP5177293B2 (ja) | 睡眠時無呼吸症候群の検査装置及びプログラム | |
| EP2451359B1 (en) | Noise reduction of breathing signals | |
| US20170014082A1 (en) | System and Method for Evaluating Vocal Function Using an Impedance-Based Inverse Filtering of Neck Surface Acceleration | |
| CN104123934A (zh) | 一种构音识别方法及其系统 | |
| CN105448291A (zh) | 基于语音的帕金森症检测方法及检测系统 | |
| CN110299141A (zh) | 一种声纹识别中录音回放攻击检测的声学特征提取方法 | |
| CN114333901A (zh) | 呼吸异常分类模型的训练、呼吸异常检测方法及电子设备 | |
| Chien et al. | Wheeze detection using cepstral analysis in gaussian mixture models | |
| CN118016106A (zh) | 老年人情感健康分析与支持系统 | |
| CN109300486B (zh) | 基于PICGTFs和SSMC增强的腭裂语音咽擦音自动识别方法 | |
| Dubey et al. | Detection and assessment of hypernasality in repaired cleft palate speech using vocal tract and residual features | |
| Panek et al. | Quantification of linear and non-linear acoustic analysis applied to voice pathology detection | |
| Ghaemmaghami et al. | Normal probability testing of snore signals for diagnosis of obstructive sleep apnea | |
| CN117462113A (zh) | 一种基于咳嗽音的通气功能评估方法、装置、介质及设备 | |
| JP6103591B2 (ja) | 聴診心音信号の処理方法、聴診心音信号の処理装置及び聴診心音信号を処理するためのプログラム | |
| Sengupta et al. | Optimization of cepstral features for robust lung sound classification | |
| Le Cam et al. | Wheezing sounds detection using multivariate generalized Gaussian distributions | |
| Liu et al. | Classifying respiratory sounds using electronic stethoscope | |
| Dafna et al. | Automatic detection of snoring events using Gaussian mixture models | |
| Akafi et al. | Detection of hypernasal speech in children with cleft palate | |
| Bhuiyan et al. | Estimating the parameters of audible clinical percussion signals by fitting exponentially damped harmonics | |
| Patil | Infant identification from their cry | |
| TWI226600B (en) | Nasal detection method and device thereof |
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 |