TWI528944B - 應用於電子聽診器的疾病診斷方法 - Google Patents

Description

應用於電子聽診器的疾病診斷方法

本發明為有關一種電子聽診器，尤指一種應用於電子聽診器的疾病診斷方法。

聽診器是醫護人員執行醫療工作的重要工具，藉由聽診器的擴音功能，醫師得以了解求診病患身體內部器官的活動狀態，配合專業知識及經驗，先作初步的判斷，再進一步進行有效的處理。傳統的聽診器大部分為機械式，如美國專利第5945640號及第6725966號所示，機械式聽診器是藉由一聽診頭在接觸身體時接收身體器官所發出的聲音，該聲音再通過一Y型的長條軟管，最後從一音塞導入醫師的耳朵。

然而，該聲音在該長條軟管傳遞的過程中，容易由於共鳴而造成聲音扭曲不全，且在擷取聲音時，容易在移動聽診頭的過程中將衣服、手指摩擦所產生的噪音共鳴放大，使該聲音受到混淆或干擾，令所聽診的該聲音不夠清晰而影響判斷的正確性，因此醫師需要高度集中注意力聽取病患各部位細微音訊。而對於病患器官所發出聲音的判斷，更必須依賴醫師長年的經驗累積才能養成，如此所耗費的人力成本十分可觀，且容易受到醫師本身人為因素的影響而有判斷失誤的狀況，進而造成醫療糾紛。再者，傳統的聽診器只能由醫師現場聽取病患的器官所發出的聲音，並不能儲存該聲音檔案，因此在病患經過一段時間治療後再聽取聲音時，亦不能將治療前的器官聲音與治療後的聲音相互比較，來明確治療後的效果如何，而且病患本身亦不能聽到自己器官的聲音。

有鑑於此，係有電子式的聽診器被相關業者提出，如中華民國專利第558434號所提出的「電子聽診裝置及方法」，藉由結合一數位信號處理器(DSP)來進行頻帶選擇及進階的噪音處理，以提昇音訊擷取之品質，而中華民國專利第M351067號 所提出的「改良式聽診器MP3」，則利用MP3模組技術將聽診器收聽到的訊號，錄製於MP3模組，以利醫生之診斷工作進行。不過上述的電子式聽診器，由於大多只具備消噪、收音及錄音的功能，雖對於治療前後的聽診狀況能以錄音後再播放的方式加以比對，但對於音訊資料與疾病的判讀，仍有賴於醫師長年的經驗累積，因此具有耗費的人力成本高，且容易受到人為因素的影響，而有判斷失誤的狀況，進而造成醫療糾紛的問題。

本發明的主要目的，在於解決習知聽診器無法針對聽診的音訊作判斷，需高度依賴醫師診斷的問題；本發明的另一目的，在於增強聽診器擷取音訊的訊號強度，提高疾病判斷的準確度。

為達上述目的，本發明提供一種應用於電子聽診器的疾病診斷方法，該電子聽診器包含有至少二收音部、一噪音控制部、一處理部、一資料部以及一輸出部，其中該噪音控制部與該收音部連接，該處理部與該噪音控制部連接，該資料部與該處理部連接並存有疾病音訊資料，而該輸出部與該處理部連接，該方法包含以下步驟：步驟S1：該收音部接收複數個由肺部發出且含一外界噪音之音訊並輸出至該噪音控制部；步驟S2：該噪音控制部產生一消除該外界噪音的一反噪音訊號，於消除該音訊的該外界噪音後將該音訊提供至該處理部；步驟S3：該音訊藉由該處理部計算一時間延遲(TDOA)，將該音訊於時間軸上對齊進行疊加，以形成一含有N1個特徵值的增強音訊，其中，計算該時間延遲的方法為選自廣義互相關性演算法(Generalized Cross Correlation，簡稱GCC)、適應性特徵值分解演算法(adaptive eigenvalue decomposition algorithm，簡稱AEDA)及盲蔽波束成型法(Blind Beamforming) 所組成的群組；步驟S4：分別計算該N1個特徵值於疾病判斷的分級數值(ranking)，自該增強音訊的N1個特徵值取出N2個具高影響的特徵值，其中N2<N1；以及步驟S5：判斷N2個該特徵值符合該資料部內的該疾病音訊資料後由該輸出部輸出一疾病判斷結果。

綜上所述，本發明藉由該收音部接收由肺部發出的音訊，以該噪音控制部消除該音訊中的該外界噪音，再以該處理部進行該音訊的疊加而取出該音訊中具高影響力的特徵值，並利用該特徵值與資料部中的疾病音訊資料比對，輸出該疾病判斷結果，據此，即可由電子聽診器達到自動化判讀疾病的功效，並減少人工聽診時所發生之人為誤判情形，再者，使用者也可自行使用此種電子聽診器，先對自已的身體狀況有初步的了解，再進一步的請教醫師比對確認，提高對於疾病判讀的精準度。

有關本發明的詳細說明及技術內容，現就配合圖式說明如下：請搭配參閱「圖1」及「圖2」所示，「圖1」為本發明第一實施例的電子聽診器結構示意圖，「圖2」為本發明第一實施例的步驟流程示意圖，如圖所示：本發明為一種應用於電子聽診器的疾病診斷方法，該電子聽診器1包含有至少二收音部10、一噪音控制部20、一處理部30、一資料部40以及一輸出部50，該噪音控制部20與該收音部10連接，該處理部30與該噪音控制部20連接，該資料部40與該處理部30連接，並存有疾病音訊資料，而該輸出部50則與該處理部30連接，該方法包含以下步驟：步驟S1：該收音部10接收複數個由肺部2發出且含外界噪音之音訊並輸出至該噪音控制部20；在此實施例中，該收音部10為至少兩個以微機電製程所製作的麥克風，該電子聽診器1以該收音部10形成陣列式的排列，以收集複數個分別 由距離該肺部2的不同位置所發出且包含外界噪音之音訊，再將該音訊輸出至該噪音控制部20。

步驟S2：該噪音控制部20消除該音訊的外界噪音後將該音訊提供至該處理部30；在此實施例中，該噪音控制部20包含一感測器21，該感測器21偵測非由該肺部2所發出的該外界噪音，並依據該外界噪音產生一反噪音訊號，以消除該音訊中的該外界噪音，而該噪音控制部20再將已消除該外界噪音的該音訊傳送至該處理部30。

步驟S3：該音訊由該處理部30進行疊加而形成一含有N1個特徵值的增強音訊；在此實施例中，該處理部30接收該音訊，利用該音訊來源的角度、該收音部10所形成之陣列幾何關係，以廣義互相關性演算法(Generalized Cross Correlation，簡稱GCC)、適應性特徵值分解演算法(adaptive eigenvalue decomposition algorithm，簡稱AEDA)、或是盲蔽波束成型法(Blind Beamforming)的方式，來計算該音訊的時間延遲(TDOA，Time Delay of Arrival)，將該音訊進行時間軸上的調整疊加，強化該音訊中的特徵，而形成含有N1個特徵值的該增強音訊。

步驟S4：自該增強音訊的N1個特徵值取出N2個具高影響的特徵值，其中N2<N1；在此實施例中，採用由F.Chang及J.-C.Chen於The 2010 Conference on Technologies and Applications of Artificial Intelligence,November 2010發表題為“An adaptive multiple feature subset method for feature ranking and selection”所描述的方法，分別計算該N1個特徵值於疾病判斷的分級數值(ranking)，取出該N2個具高影響的特徵值，該文記載之方法併入本文，並應視為本申請案之一部分。

步驟S5：判斷N2個該特徵值符合該資料部40內的該疾病音訊資料後由該輸出部50輸出一疾病判斷結果；在此實施例中，該處理部30利用支援向量器(Support Vector Machine，簡稱SVM，由Vladirmir Vapnik於1963年提出，在圖案辨識的 能力上是公認為最優秀的學習模型之一)，以稱作「容限(margin)」的指標，選用最大線性容限分類(Maximum linear classifier)或是軟性容限分類(Soft margin classifier)的分離方式，將N2個該特徵值予以分類，而於無法使用上述分類方式時，則藉由使用稱為「基核技巧(kernel trick)」之技術進行分類作業，接著將分類後的該N2個該特徵值與該資料部40內的該疾病音訊資料進行比對後，得到該疾病判斷結果，再將該疾病判斷結果由該輸出部50輸出，例如顯示於一螢幕(圖未示)上。

請搭配參閱表1，為本發明以盲蔽波束成型法針對三種肺部音訊進行強化後再偵測所得的實驗結果，在此實驗中，將肺部2所發出的音訊分為三種類型，分別是正常音(normal)、細碎爆音(crackle)以及氣喘音(wheeze)，要說明的是，依據上述的疾病診斷方法，於步驟S3中，選用該盲蔽波束成型法對所接收的該音訊進行時間軸上的調整疊加，強化該音訊中的特徵，最後於步驟S5中所得到的該疾病判斷結果，該音訊屬於正常音類型的偵測結果準確度高達85%，屬於細碎爆音類型的偵測結果準確度高達80%，屬於氣喘音類型的偵測結果準確度更是高達90%，而三種類型平均則有85%的準確度。

另外，請搭配參閱「圖3」所示，「圖3」為本發明第一實施例的疾病音訊資料建立步驟流程圖，要補充說明的是，該疾病音訊資料的建立，則可由下述的步驟來達成：步驟S1a：該收音部10形成陣列式的排列，接收複數個由一已知病例之肺部2的不同位置所發出且含外界雜音之聲訊，並輸出至該噪音控制部20。

步驟S2a：該噪音控制部20依據該外界雜音產生一反雜音訊號，消除該聲訊的外界雜音後將該聲訊提供至該處理部30。

步驟S3a：該處理部30接收該聲訊，利用該聲訊來源的角度、該收音部10所形成之陣列幾何關係，來計算該聲訊的時間延遲，將該聲訊進行時間軸上的調整疊加，強化該聲訊中特徵，而形成一含有P1個特徵值的增強聲訊。

步驟S4a：分別計算該P1個特徵值於疾病判讀的分級數值(ranking)，從中取出P2個具高強度的特徵值，其中P2<P1。

步驟S5a：將該P2個高強度特徵值歸類為該已知病例的聲訊特徵並儲存，建立該疾病音訊資料。

綜上所述，由於本發明以該電子聽診器接收該肺部所發出的該音訊，該音訊再經過消噪、疊加強化、特徵取樣及比對判讀的步驟後，即能輸出一疾病判斷結果，據此，即可由電子聽診器達到自動化判讀疾病的功效，並減少人工聽診時所發生之人為誤判情形，再者，使用者也可自行使用此種電子聽診器，先對自已的身體狀況有初步的了解，再進一步的請教醫師比對確認，提高對於疾病判讀的精準度，再由醫師對症下藥，因此本發明極具進步性及符合申請發明專利的要件，爰依法提出申請，祈 鈞局早日賜准專利，實感德便。

以上已將本發明做一詳細說明，惟以上所述者，僅為本發明的一較佳實施例而已，當不能限定本發明實施的範圍。即凡依本發明申請範圍所作的均等變化與修飾等，皆應仍屬本發明的專利涵蓋範圍內。

1‧‧‧電子聽診器

2‧‧‧肺部

10‧‧‧收音部

20‧‧‧噪音控制部

21‧‧‧感測器

30‧‧‧處理部

40‧‧‧資料部

50‧‧‧輸出部

S1-S5‧‧‧步驟

S1a-S5a‧‧‧步驟

圖1，為本發明第一實施例的電子聽診器結構示意圖。

圖2，為本發明第一實施例的步驟流程示意圖。

圖3，為本發明第一實施例的疾病音訊資料建立步驟流程圖。

S1-S5‧‧‧步驟

Claims (2)

1. 一種應用於電子聽診器的疾病診斷方法，該電子聽診器包含有至少二收音部、一與該收音部連接的噪音控制部、一與該噪音控制部連接的處理部、一與該處理部連接並存有疾病音訊資料的資料部以及一與該處理部連接的輸出部，該方法包含以下步驟：步驟S1：該收音部接收複數個由肺部發出且含一外界噪音之音訊並輸出至該噪音控制部；步驟S2：該噪音控制部產生一消除該外界噪音的一反噪音訊號，於消除該音訊的該外界噪音後將該音訊提供至該處理部；步驟S3：該音訊藉由該處理部計算一時間延遲(TDOA)，將該音訊於時間軸上對齊進行疊加，以形成一含有N1個特徵值的增強音訊，其中，計算該時間延遲的方法為選自廣義互相關性演算法(Generalized Cross Correlation，簡稱GCC)、適應性特徵值分解演算法(adaptive eigenvalue decomposition algorithm，簡稱AEDA)及盲蔽波束成型法(Blind Beamforming)所組成的群組；步驟S4：分別計算該N1個特徵值於疾病判斷的分級數值(ranking)，自該增強音訊的N1個特徵值取出N2個具高影響的特徵值，其中N2<N1；以及步驟S5：判斷N2個該特徵值符合該資料部內的該疾病音訊資料後由該輸出部輸出一疾病判斷結果。
2. 如申請專利範圍第1項所述的應用於電子聽診器的疾病診斷方法，其中該噪音控制部包含一感測器，該感測器偵測該外界噪音，並依據該外界噪音產生該反噪音訊號。