检索历史 清除

摘要肺音是人体呼吸系统工作时产生的声学信号，异常的肺音往往表示肺器官发生了病变，是肺病的早期信号之一，肺音识别已成为临床医学研究的重要课题。随着计算机技术和数字信号处理技术的进步，计算机分析和处理肺音数据已经成为主要的肺音研究方法。特征提取是肺音识别研究中的核心问题，它直接影响着最终的识别结果。针对此问题，国内外学者进行了大量的研究，但由于肺音数据的来源不同，分析方法多种多样，研究的结果有很大的差异性。以往的肺音特征提取方法研究的重点是如何从肺音中提取有用的特征，却并未考虑对特征向量做进一步处理获得其本质特征。本文综合考虑这两方面问题，使用电子听诊器采集临床上的三类肺音（正常肺音、爆裂音、哮鸣音）作为研究对象，提出了结合线性判别分析和小波分解的肺音特征提取方法。<br>　　首先，对采集到的肺音数据进行预处理。为了降低噪声干扰，采用混合去噪技术，先将信号通过高通滤波器滤除低频噪声，再使用小波阈值法去除心音成分；为了降低计算量同时尽可能多的保留信号的时频特性，将一个周期的肺音信号分为呼气相和吸气相两部分。<br>　　其次，提出了一种结合线性判别分析和小波分解的肺音特征提取方法。该方法通过分析小波系数与频域的对应关系确定了小波分解的层数，将信号进行小波分解获取各频率的高维小波系数，通过建立小波系数与能量的对应关系实现了高维小波系数特征到低维能量特征的转换。用该方法分别对吸气相和呼气相数据提取特征得到肺音信号的小波能量特征向量，接着使用线性判别分析法对该特征向量进行降维处理，得到新的低维特征向量。<br>　　第三，在自行采集的肺音数据集上用SVM对低维特征进行了分类识别实验，并和降维之前的结果进行了比较，结果表明利用线性判别分析对小波能量特征向量降维后有效提高了识别精度。本文还做了一些对比实验，结果表明对肺音进行去心音、呼吸气相分离以及使用基于监督的降维方法可以有效提高识别精度。同时和其他几种典型的肺音特征提取方法进行了比较，实验结果表明结合线性判别分析与小波分解的肺音特征提取方法具有较好的识别结果。<br>　　最后，设计了肺音智能识别系统，该系统能够预测肺音的种类，可用于辅助诊断肺部疾病。