【摘要】：呼吸系統(tǒng)是維持生物體正常運(yùn)轉(zhuǎn)和機(jī)體新陳代謝的重要系統(tǒng),任何肺部疾病的發(fā)生必定會導(dǎo)致呼吸系統(tǒng)的異常,由于我國呼吸系統(tǒng)疾病死亡率日益增長,社會各界也逐漸開始重視呼吸音的發(fā)病信號,而對呼吸音信號的研究不僅可有效防治呼吸系統(tǒng)疾病,還可以促進(jìn)臨床醫(yī)學(xué)、醫(yī)學(xué)信號處理技術(shù)的發(fā)展以及相關(guān)醫(yī)學(xué)儀器的研發(fā),目前,對呼吸音信號分類識別的研究已經(jīng)成為國內(nèi)外關(guān)注的熱點(diǎn)。本課題旨在設(shè)計(jì)出一種呼吸音分類識別系統(tǒng)對常見呼吸音進(jìn)行有效分類識別。主要研究內(nèi)容為利用Cool Edit Pro軟件對臨床醫(yī)學(xué)標(biāo)準(zhǔn)聽音訓(xùn)練所用的呼吸音信號進(jìn)行初步處理,將每類呼吸音截取為若干個(gè)樣本數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù),提取實(shí)驗(yàn)數(shù)據(jù)的有效特征后,選用支持向量機(jī)(SVM)與BP神經(jīng)網(wǎng)絡(luò)作為呼吸音特征識別模型,在MATLAB軟件平臺上進(jìn)行實(shí)驗(yàn)分類。首先對樣本數(shù)據(jù)進(jìn)行預(yù)處理與端點(diǎn)檢測,以減少無效數(shù)據(jù)的處理時(shí)間,由于不同時(shí)間段不同類型呼吸音能量高低的差異性,所以采用提取的兩種短時(shí)時(shí)域參數(shù)(即短時(shí)能量與短時(shí)過零率特征參數(shù))作為特征參數(shù),然后借鑒語音識別中常用的Mel倒譜系數(shù)(12維MFCC),由于非平穩(wěn)呼吸音信號動態(tài)變化的特點(diǎn),所以對靜態(tài)MFCC進(jìn)行優(yōu)化并提取MFCC的動態(tài)參數(shù)(12維(35)MFCC),將短時(shí)時(shí)域參數(shù)法與MFCC靜態(tài)、動態(tài)參數(shù)法提取的呼吸音特征參數(shù)相結(jié)合為組合特征參數(shù)。實(shí)驗(yàn)結(jié)果表明,提取的特征參數(shù)滿足差異性、統(tǒng)一性與相關(guān)性要求,且組合特征參數(shù)的識別效果明顯優(yōu)于兩類特征參數(shù)單獨(dú)識別。由于呼吸音類型眾多,單憑一種識別模型不能準(zhǔn)確識別每類呼吸音信號,故本文引入兩類識別模型,以歸一化的特征參數(shù)作為樣本數(shù)據(jù)分別輸入BP神經(jīng)網(wǎng)絡(luò)與SVM模型訓(xùn)練識別,通過實(shí)驗(yàn)表明BP網(wǎng)絡(luò)對不同類型呼吸音識別差異較大(對粗濕羅音、低調(diào)干Up音、濕羅音捻發(fā)音和中濕Up音識別率可達(dá)98%,而對支氣管呼吸音伴大濕Up音識別率不足70%),而SVM對每類呼吸音特征識別率均很穩(wěn)定,總體識別率可達(dá)97.857%,可構(gòu)建穩(wěn)定、準(zhǔn)確的識別樣本庫。在上述理論方法和實(shí)驗(yàn)研究的基礎(chǔ)上,采用MATLAB設(shè)計(jì)并實(shí)現(xiàn)了人機(jī)交互式的呼吸音分類識別系統(tǒng),該系統(tǒng)已實(shí)現(xiàn)如下功能:調(diào)用初步處理后的呼吸音樣本,提取樣本數(shù)據(jù)的特征參數(shù)來構(gòu)建樣本庫并輸入識別模型進(jìn)行訓(xùn)練,而后輸入待識別呼吸音的特征參數(shù)進(jìn)行快速分類識別,輸出端顯示識別結(jié)果供被測試者參考。
【學(xué)位授予單位】：鄭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TN912.34
【圖文】：

醫(yī)用聽診器圖

2圖 1.2 醫(yī)師聽診患兒圖器只能由醫(yī)師單獨(dú)使用也不利于會診病情，可能發(fā)隊(duì)等就診方式時(shí)效性差，使得對呼吸系統(tǒng)疾病的前預(yù)期的結(jié)果。經(jīng)過多年研究發(fā)現(xiàn)呼吸音中蘊(yùn)含著不，而這類低頻信號包含了大量有用的信息，又因?yàn)槠椒�(wěn)時(shí)變信號，由各頻率成分疊加組成，不同呼吸，所以有必要對呼吸音信號進(jìn)行量化[4]，隨著國內(nèi)外的研究與發(fā)展，通過研究呼吸音與呼吸系統(tǒng)疾病的

圖 1.3 Clini Cloud 智能聽診器1.2 國內(nèi)外研究現(xiàn)狀1.2.1 呼吸音信號特征提取研究現(xiàn)狀呼吸音研究初期，由于呼吸音采集技術(shù)與裝置發(fā)展不成熟，最早由法國醫(yī)生雷奈克在 1861 年發(fā)明的傳統(tǒng)聽診器仍在沿用，但傳統(tǒng)的聽診器不能實(shí)時(shí)捕捉

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 趙炎;張乃建;王若蘭;;霉變玉米真菌毒素含量與圖像顏色特征參數(shù)之間的相關(guān)性研究[J];糧食與飼料工業(yè);2015年12期

2 陳藝廷;李鴻;李瑩;;基于句法模式識別的雷達(dá)識別方法研究[J];現(xiàn)代電子技術(shù);2014年05期

3 李真真;吳效明;;附加性呼吸音信號處理的研究進(jìn)展[J];生物醫(yī)學(xué)工程學(xué)雜志;2013年05期

4 王鐳;劉春生;張芮愷;陳熹;李志堅(jiān);李振宇;葉繼倫;張旭;;呼吸功能檢測方法研究[J];中國醫(yī)療器械雜志;2012年05期

5 李明;;時(shí)頻結(jié)合的帶噪語音端點(diǎn)檢測方法[J];科技資訊;2011年10期

6 趙偉國;鄭永軍;孫斌;鄭恩輝;梁國偉;李文軍;;基于LS-SVM的多傳感器氣體質(zhì)量流量測量[J];傳感技術(shù)學(xué)報(bào);2010年05期

7 孫燕;姜占才;王得芳;;語音頻譜分析與應(yīng)用[J];計(jì)算機(jī)與現(xiàn)代化;2010年04期

8 李云;高茂庭;;支持向量機(jī)在文本分類上的研究[J];電腦知識與技術(shù);2009年10期

9 袁里馳;;基于改進(jìn)的隱馬爾科夫模型的語音識別方法[J];中南大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年06期

10 趙巍;劉家鋒;唐降龍;吳銳;;連續(xù)字符識別的級聯(lián)HMM訓(xùn)練算法[J];計(jì)算機(jī)學(xué)報(bào);2007年12期

相關(guān)會議論文 前1條

1 黃婉君;曹輝;;雷聲信號時(shí)頻特征初探[A];2014’中國西部聲學(xué)學(xué)術(shù)交流會論文集[C];2014年

相關(guān)博士學(xué)位論文 前1條

1 李新欣;船舶及鯨類聲信號特征提取和分類識別研究[D];哈爾濱工程大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 鄭明杰;基于希爾伯特—黃變換的肺音信號識別方法研究[D];江蘇大學(xué);2016年

2 姚曉欣;環(huán)境異常狀況聲音特征研究[D];北方工業(yè)大學(xué);2014年

3 王培鶴;基于語音識別的出租車緊急呼救系統(tǒng)觸發(fā)方法的研究[D];中國海洋大學(xué);2014年

4 姚小靜;基于遺傳BP神經(jīng)網(wǎng)絡(luò)的肺音分類識別算法研究[D];重慶理工大學(xué);2014年

5 王本金;動態(tài)多通道肺音采集系統(tǒng)的設(shè)計(jì)與研究[D];沈陽理工大學(xué);2013年

6 梁慧;基于神經(jīng)網(wǎng)絡(luò)與HMM的說話人識別研究[D];北方工業(yè)大學(xué);2012年

7 蔣芳;基于MATLAB的遙感圖像SVM分類系統(tǒng)實(shí)現(xiàn)[D];湖北大學(xué);2012年

8 馮少華;手術(shù)中呼吸音監(jiān)測系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];哈爾濱理工大學(xué);2012年

9 馬思明;麻醉狀態(tài)下的呼吸音信號特征提取和分類識別[D];哈爾濱理工大學(xué);2012年

10 王春華;基于盲源分離的肺音信號提取研究[D];山東科技大學(xué);2010年

本文編號：2763201