本發(fā)明屬于呼吸音智能監(jiān)測，尤其涉及一種呼吸音智能監(jiān)測診斷系統(tǒng)。

背景技術(shù)：

1、呼吸音是指在呼吸作用下氣流通過人體氣道產(chǎn)生并以振動的模式傳播至體表的聲信號，蘊(yùn)含著呼吸系統(tǒng)的生理學(xué)、病理學(xué)信息，可以初步評判患者肺部疾病病變位置和大概患病類型，而且可以很快檢測病情發(fā)展情況和給藥后的治療情況，是呼吸系統(tǒng)疾病的一項重要診斷手段。

2、呼吸音聽診比肺功能檢查、血?dú)夥治?、x射線診斷等更能早期診斷出呼吸疾病。

3、如肺音中的干、濕啰音，對于診斷胸膜粘連一病，遠(yuǎn)超x射線的檢查發(fā)現(xiàn)。然而，有研究表明人耳最敏感的頻率在2000hz-5000hz之間，而呼吸音的頻率通常在50hz-2500hz之間，這種差異導(dǎo)致人耳只能辨別出一部分異常音，無法識別出所有異常音。比如部分異常的哮鳴音頻率在100hz-2500hz之間，部分異常的啰音頻率在100hz-500hz之間，這些異常音僅僅憑人耳很難分辨出來。

4、而哮鳴音是檢測哮喘病的重要依據(jù)、啰音的個數(shù)、分布和出現(xiàn)的時刻跟很多肺部疾病如支氣管肺炎、慢性支氣管炎、肺間質(zhì)纖維化等密切相關(guān)，顯然這些信息的缺失將導(dǎo)致醫(yī)生錯過病情判斷的最佳時刻，最終延誤病情診治。其次，傳統(tǒng)的呼吸音聽診靠醫(yī)生自主辨析易受醫(yī)生聽診經(jīng)驗等主觀因素的影響，而且不能連續(xù)、實時、客觀地采集呼吸音。對于術(shù)中已進(jìn)行鋪單操作的病人來說，更是無法實現(xiàn)實時聽診，例如：一些心臟手術(shù)往往存在胸膜破裂壓迫肺臟的情況，腹腔鏡手術(shù)及頭低位手術(shù)存在氣管插管過深情況，導(dǎo)致一側(cè)肺不通氣，這些危急情況都需要進(jìn)行呼吸音的實時監(jiān)測，便于醫(yī)生及時處理，避免錯過最佳治療機(jī)會。

5、因此，引入信號處理、計算機(jī)、人工智能等技術(shù)對呼吸音信號進(jìn)行記錄、定量分析、檢測識別，輔助診斷，無論是對實際臨床診斷準(zhǔn)確性的提高還是對于理論研究都具有重要的意義。

6、隨著現(xiàn)代數(shù)字信號處理技術(shù)的發(fā)展，人們開始用頻率、幅度和時間來進(jìn)行呼吸音信號分析。最初人們只能通過與設(shè)定的正弦波的對比而獲得聲音信號，這種方法會導(dǎo)致中間頻率的丟失。傅里葉變換，特別是快速傅里葉變換增加了可辨別信號的成分，同時大大減少了聲譜泄露情況的發(fā)生，此后，以傅里葉分析為理論基礎(chǔ)的頻譜分析方法，成為呼吸音分析的有力工具。

7、但是傅里葉變換、wigner-ville分布、小波變換等傳統(tǒng)時頻分析方法在處理非平穩(wěn)信號時，有著各自的局限性，在現(xiàn)實應(yīng)用中，絕大多數(shù)的信號都是非平穩(wěn)、非線性信號。目前，現(xiàn)有技術(shù)中也有學(xué)者提出了經(jīng)驗?zāi)B(tài)分解(empirical?mode?decomposition,emd)方法，然而，emd的主要缺陷是，如果時間序列不符合完全白噪音的定義，那么產(chǎn)生模式混疊現(xiàn)象；進(jìn)一步的，集合經(jīng)驗?zāi)B(tài)分解eemd作為一種較新的時頻分析工具，eemd方法仍然存在一些問題有待解決，如端點效應(yīng)、模態(tài)混疊、包絡(luò)線過沖等等。

技術(shù)實現(xiàn)思路

1、本發(fā)明實施例的目的在于提供一種呼吸音智能監(jiān)測診斷系統(tǒng)，旨在解決傳統(tǒng)呼吸音監(jiān)測技術(shù)準(zhǔn)確性低、抗干擾能力差的技術(shù)問題。

2、為實現(xiàn)上述目的，本發(fā)明提供了如下的技術(shù)方案。

3、一種呼吸音智能監(jiān)測診斷系統(tǒng)，包括：

4、數(shù)據(jù)采集系統(tǒng)，用于采集呼吸音傳感器的輸出信號，得到呼吸音數(shù)據(jù)；

5、數(shù)據(jù)分析系統(tǒng)，用于采用基于eemd算法的呼吸音特征量處理系統(tǒng)對呼吸音數(shù)據(jù)進(jìn)行分析，所述基于eemd算法的呼吸音特征量處理系統(tǒng)包括預(yù)處理單元、去噪單元、特征提取單元、分類單元和輸出單元；其中：

6、預(yù)處理單元，用于將采集到的呼吸音信號預(yù)處理得到分開的呼吸氣相；

7、去噪單元，用于利用eemd算法和盲源分離算法，對呼吸音數(shù)據(jù)進(jìn)行去噪處理；

8、特征提取單元，用于對去噪后得到的呼吸音呼吸氣相分別計算得到mfcc中的一個維度的mfcc值，并使用由所有維數(shù)的mfcc計算得到的均值、標(biāo)準(zhǔn)差、方差、最小值、最大值并歸一化處理后組成特征值向量作分類特征；

9、分類單元，用于使用svm作為分類器，對呼吸音數(shù)據(jù)進(jìn)行分類；

10、輸出單元，用于對呼吸音數(shù)據(jù)的分類結(jié)果進(jìn)行輸出。

11、進(jìn)一步的，所述數(shù)據(jù)采集系統(tǒng)包括呼吸音傳感器和數(shù)據(jù)采集儀，其中，呼吸音傳感器采用壓電式聲音傳感器，頻率響應(yīng)范圍為60-4500hz，靈敏度為4mv/pa，采集后的人體呼吸音信號經(jīng)過放大調(diào)理，輸出0.5-1.5v的模擬電壓信號。

12、進(jìn)一步的，所述壓電式聲音傳感器包括外殼，外殼內(nèi)設(shè)置有塑料盤，塑料盤上設(shè)置有壓敏元件，壓敏元件采用pvdf壓電材料；所述外殼上還設(shè)置有前置放大器，前置放大器通過導(dǎo)線與數(shù)據(jù)采集儀連接。

13、進(jìn)一步的，所述數(shù)據(jù)采集系統(tǒng)還包括edc系統(tǒng)和音頻解碼器，其中，edc系統(tǒng)用于記錄數(shù)據(jù)采集儀所采集到的呼吸音數(shù)據(jù)，音頻解碼器用于對edc系統(tǒng)記錄的呼吸音數(shù)據(jù)進(jìn)行模數(shù)轉(zhuǎn)換，音頻解碼器在芯片內(nèi)部集成有adc和dac，采用sigma-delta過采樣技術(shù)，采樣頻率覆蓋8khz至96khz，傳輸16/20/24/32bit的采樣數(shù)據(jù)。

14、進(jìn)一步的，所述利用eemd算法和盲源分離算法，對呼吸音數(shù)據(jù)進(jìn)行去噪處理的過程包括：

15、將高斯白噪聲加到呼吸音數(shù)據(jù)的呼吸音信號上，產(chǎn)生多個含噪聲的信號：xi(t)＝x(t)+ni(t)，i＝1，2，3，...，m，式中，x(t)表示第i次加白噪聲時，呼吸音數(shù)據(jù)的原始呼吸音信號，ni(t)表示第i次在時間t處加入的高斯白噪聲；

16、對每個含噪聲的信號進(jìn)行emd分解，得到一系列固有模態(tài)函數(shù)imfs，表示為：rn(t)表示分解余量，cj(t)表示滿足imf條件的分量；

17、對多次分解得到的imfs進(jìn)行集合平均，篩選出與原始信號相關(guān)性較高的imfs；將篩選出的imfs進(jìn)行疊加，重構(gòu)出去噪后的呼吸音信號；

18、將eemd去噪后的信號作為觀測信號輸入到盲源分離算法中，利用fastica算法進(jìn)行盲源分離，分離出獨(dú)立的信號源，從分離出的信號源中選擇代表去噪后的呼吸音信號源，實現(xiàn)去噪處理。

19、進(jìn)一步的，在mfcc計算中，幀長取256，重疊區(qū)采樣點數(shù)為128，使用hamming窗，高斯混合模階數(shù)設(shè)為16，預(yù)加重系數(shù)取0.93,mfcc的階數(shù)取12。

20、進(jìn)一步的，在對呼吸音數(shù)據(jù)進(jìn)行分類的過程中，svm模型的核函數(shù)使用的是gauss核函數(shù)。

21、進(jìn)一步的，所述輸出單元采用ctms數(shù)據(jù)管理系統(tǒng)。

22、與現(xiàn)有技術(shù)相比，本發(fā)明呼吸音智能監(jiān)測診斷系統(tǒng)的有益效果是：

23、第一，本發(fā)明可以解決傳統(tǒng)呼吸音監(jiān)測技術(shù)準(zhǔn)確性低、抗干擾能力差和無法長期監(jiān)測等難題，可應(yīng)用于呼吸音的狀態(tài)監(jiān)測與智能診斷中，大大減輕了醫(yī)護(hù)人員的勞動強(qiáng)度，提高了疾病診斷的效率和準(zhǔn)確率，確保了及時發(fā)現(xiàn)患者身體機(jī)能下降特征，為干預(yù)治療的實施提供可靠的依據(jù)，有利于降低患者病情惡化的幾率；

24、第二，本發(fā)明基于eemd算法的呼吸音特征量處理系統(tǒng)中，利用了高斯白噪聲具有頻率均勻分布的統(tǒng)計特性，通過每次加入同等幅值的不同白噪聲來改變信號的極值點特性，之后對多次emd得到的相應(yīng)imf進(jìn)行總體平均來抵消加入的白噪聲，從而有效抑制模態(tài)混疊的產(chǎn)生；

25、第三，本發(fā)明對呼吸音的特征提取中，由去噪后的信號計算的mfcc值消除了一部分高頻的噪聲，保留了信號部分；本發(fā)明發(fā)現(xiàn)如果直接使用mfcc作為特征時，效果并不理想，為了更好的利用mfcc特征實現(xiàn)三種呼吸音的識別，本發(fā)明使用了由所有維數(shù)的mfcc計算得到的均值、標(biāo)準(zhǔn)差、方差、最小值、最大值并歸一化處理后組成特征值向量作分類特征。