本文關(guān)鍵詞： 肺音種類識別 語譜圖 灰度共生矩陣(GLCM) 支持向量機　出處：《東北師范大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：肺音是人體的呼吸系統(tǒng)與外界環(huán)境在換氣過程中產(chǎn)生的一種生理聲音信號,這些聲音信號中蘊含了大量豐富的的生理病理信息。近年來隨著大氣污染的日益加重,各種肺部疾病的發(fā)病率也日益增加,尤其是哮喘,支氣管炎等呼吸系統(tǒng)疾病,使得肺音的研究越來越受到學(xué)術(shù)界的重視。自從世界上最早的聽診器由法國醫(yī)生雷奈克在1861年發(fā)明以來,直至今日,醫(yī)學(xué)上對人體肺音的聽診一直沿用最基本的聽診器方式,醫(yī)生通過聽診器中聽到肺部的聲音,結(jié)合自己的臨床經(jīng)驗對病人進行診斷,存在很大的主觀性,并且肺部雜音過大,傳統(tǒng)的聽診方法極易漏聽大量有用信息,從而影響醫(yī)生的準確診斷。直至目前,在臨床醫(yī)學(xué)上,肺音聽診的結(jié)果還不能被定量的表示。但在肺部的諸多部位上檢測到的聲音信號中蘊含著大量可被利用的信息,因此,利用肺部聲音信號診斷疾病具有巨大的潛力。人類需要一種新的診斷方式,對肺音中包含的豐富的信息進行分析,當(dāng)肺音被更深層次的發(fā)掘后,醫(yī)生就能更有效地利用簡單的聽診技術(shù),高效的分析和診斷出各類病癥。醫(yī)療費也會大幅度下降,這一前景是十分誘人的。當(dāng)前,高速發(fā)展的智能信息處理技術(shù)為這一課題的研究提供了強大的工具,將數(shù)字信號處理等技術(shù)運用到肺音研究中,已經(jīng)提上了日程。本文提出了一種基于語譜圖特征量提取方法,可實現(xiàn)對人體肺音的種類的分類識別,應(yīng)用MATLAB軟件進行編程仿真。將提取的9種肺部聲音信號進行預(yù)處理,轉(zhuǎn)換成語譜圖。并運用圖像處理技術(shù)及數(shù)學(xué)形態(tài)學(xué)圖像處理技術(shù)對語譜圖進行預(yù)處理操作,利用灰度共生矩陣(GLCM)對特征量進行提取,分別得到Contrast(對比度),Correlation(相關(guān)性),Energy(能量),Homogeneity(熵)四類特征值,將以上四個特征集構(gòu)造為特定肺音種類識別的特征向量,作為支持向量機的輸入向量,運用四類不同核函數(shù)對樣本進行分類,實現(xiàn)種類識別。實驗表明:本方法對特定肺音種類的識別率達到83.3%,基本實現(xiàn)了特定肺音種類的識別,可為醫(yī)學(xué)上的肺音識別問題提供了一種新的輔助方法。
[Abstract]:Lung sound is a kind of physiological sound signal produced by the respiratory system of human body and the external environment in the process of air exchange. These sound signals contain a lot of physiological and pathological information. The incidence of various lung diseases is also increasing, especially respiratory diseases such as asthma, bronchitis, etc. Since the earliest stethoscope in the world was invented by French doctor Renaike in 1861, the medical auscultation of human lung sounds has been based on the most basic stethoscope method. Doctors hear lung sounds in stethoscopes and diagnose patients with their own clinical experience. There is a lot of subjectivity, and the lung murmur is too loud. Traditional auscultation methods are easy to hear a lot of useful information. So as to affect the accurate diagnosis of doctors. Until now, in clinical medicine, the results of lung sound auscultation can not be quantitatively expressed. But the sound signals detected in many parts of the lungs contain a lot of information that can be used, so, There is great potential for diagnosing diseases by using pulmonary sound signals. Humans need a new way to diagnose diseases by analyzing the rich information contained in lung sounds, and when lung sounds are further explored, Doctors will be able to use simple auscultation techniques more effectively to analyze and diagnose all kinds of diseases efficiently. The prospect of a sharp drop in medical costs is very attractive. The rapid development of intelligent information processing technology provides a powerful tool for the research of this subject. The application of digital signal processing and other techniques to lung sound research has been put on the agenda. The classification and recognition of human lung sounds can be realized, and the MATLAB software is used to program and simulate. The 9 kinds of lung sound signals extracted are preprocessed. Using image processing technology and mathematical morphology image processing technology to preprocess the spectral map, and using the gray level co-occurrence matrix (GLCM) to extract the feature quantity. Four kinds of eigenvalues of energy source energy (entropy) are obtained respectively. The above four feature sets are constructed as the feature vectors for the recognition of specific lung sound types, which are used as input vectors of support vector machines. Four kinds of kernel functions are used to classify the samples and realize the category recognition. The experiment shows that the recognition rate of the specific lung sounds is 83.3%, and the recognition rate of the specific lung sounds is basically realized. It can provide a new assistant method for lung sound recognition in medicine.
【學(xué)位授予單位】：東北師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：R443;TN912.3

【參考文獻】

相關(guān)期刊論文 前10條

1 鄧艷容;景新幸;楊海燕;楊運澤;;語音端點檢測研究[J];計算機系統(tǒng)應(yīng)用;2012年06期

2 顧亞祥;丁世飛;;支持向量機研究進展[J];計算機科學(xué);2011年02期

3 夏思宇;潘泓;金立左;;非平衡二叉樹多類支持向量機分類方法[J];計算機工程與應(yīng)用;2009年17期

4 李文斌;王長松;;基于邊界信息的孔洞填充算法[J];計算機工程與設(shè)計;2008年15期

5 田有文;李天來;李成華;樸在林;孫國凱;王濱;;基于支持向量機的葡萄病害圖像識別方法[J];農(nóng)業(yè)工程學(xué)報;2007年06期

6 陳柏生;;一種二值圖像連通區(qū)域標記的新方法[J];計算機工程與應(yīng)用;2006年25期

7 劉向東;朱美琳;陳兆乾;陳世福;;支持向量機及其在模式識別中的應(yīng)用[J];計算機科學(xué);2003年06期

8 劉相濱,王麓雅;一種求取物體凹點的算法研究[J];計算機與現(xiàn)代化;2001年06期

9 劉相濱,向堅持,陽波;基于八鄰域邊界跟蹤的標號算法[J];計算機工程與應(yīng)用;2001年23期

10 陸建峰,楊靜宇,唐振民,葉玉坤,汪棟;重疊細胞圖像分離算法的設(shè)計[J];計算機研究與發(fā)展;2000年02期

相關(guān)碩士學(xué)位論文 前10條

1 姜美玲;利用語譜圖特性的車內(nèi)駕駛員漢語語音識別方法研究[D];吉林大學(xué);2014年

2 李楠;語譜圖圖像處理在蝙蝠“方言”信號分析中的應(yīng)用[D];東北師范大學(xué);2014年

3 李榮榮;語音端點檢測算法的研究及硬件實現(xiàn)[D];武漢理工大學(xué);2014年

4 張悅;語譜圖用于特定人組小詞匯量識別算法的研究[D];東北師范大學(xué);2013年

5 鐘美楠;便攜式肺音采集技術(shù)的研究[D];重慶大學(xué);2012年

6 李進;基于灰度共生矩陣的森林紋理構(gòu)造因子確定方法研究[D];浙江農(nóng)林大學(xué);2010年

7 童紅;孤立詞語音識別系統(tǒng)的技術(shù)研究[D];江蘇大學(xué);2009年

8 楊春風(fēng);基于語譜圖的音頻數(shù)字水印算法[D];西北師范大學(xué);2009年

9 田楊;精確直方圖規(guī)定化[D];山東大學(xué);2008年

10 楊燕婷;基于Windows平臺的肺音聽診系統(tǒng)的設(shè)計與實現(xiàn)[D];電子科技大學(xué);2006年

，

本文編號：1526607