肺音信號分析及其識別方法的研究進展

姚小靜，王 洪，李 燕，崔建國

(重慶理工大學 a.化學化工學院;b.藥學與生物工程學院，重慶 400054)

近年來，大氣污染日益加劇，哮喘、慢性阻塞性肺病、肺炎等肺部疾病的發病率也日益增加?，F階段的肺音診斷僅僅依靠醫務工作者的臨床經驗和聽力水平，因此存在主觀性較強等問題。目前，肺炎等疾病仍然依靠胸透、肺功能檢查和肺動脈血氣相等檢查手段進行診斷，給病人帶來的輻射危害，許多專家正努力尋找新的診斷方法。肺功能檢查操作繁瑣，病人配合難度高;而肺音聽診費用低廉且對人體無害，能發現早期肺炎和其他疾病的信號。肺音信號分析、識別技術就是借助計算機與數字信號處理技術綜合患者的肺音醫學信息，研究肺音與肺部疾病的內在聯系，通過肺音信號的異常來檢測病人肺器官的器質性和功能性病變。

1 肺音信號及其研究意義

肺音是呼吸系統與大氣進行氣體交換時所產生的蘊含豐富的呼吸系統生理信息的聲音信號，它的變化可直接反映肺部生理、病理的變化。肺音的基礎研究包括其發生機理、傳導途徑以及典型種類。Forgacs的理論表明:氣流在支氣管和小氣管內的渦流震蕩以及氣流與氣管壁的摩擦作用、氣流與肺泡進行的氣體交換會產生不同類型的肺音。人體異常肺音如附加音是一類連續或不連續的非穩定性呼吸異常音。Paris.A等發現支氣管樹底部狹窄所造成的氣流湍流是產生附加音的原因，其中常見的肺羅音與氣道的分泌物有關［1］。

1976年成立的國際肺音協會對肺音術語進行了標準化。1977年美國胸部協會對異常肺音進行了分類，即粗爆裂音、細爆裂音、喘鳴音和干羅音［2］。目前國際上仍通用1977年美國胸部協會的肺音分類，把典型的肺音分為正常肺音、支氣管音、連續或不連續附加音等，將粗爆裂音、細爆裂音、喘鳴音和干羅音歸為連續或不連續的附加音中。

肺音成分復雜，這是因為肺音發生機理復雜。肺音信號所含的豐富信息具有很大的應用價值，主要體現在:呼吸監控，監視哮喘患者的發作;檢測肺間質纖維化，檢測羅音作為發現肺癌和異物的線索標志［2］。肺聽診更能診斷出急性病如充血性心力衰竭，且檢查費用相對低廉。我國對肺音的研究起步較晚，需要加快這方面的研究。

2 肺音獲取技術

肺音信號微弱，所以采集肺音的聲音傳感器需要具備高靈敏度、高放大倍數和強抗環境噪聲的能力?，F在多采用加速度傳感器、電容式傳感器和壓電式聲音傳感器等采集肺音信號［3］，其中應用最廣的是反應比較靈敏的加速度聲音傳聲器，其抗環境噪聲的能力很強。壓電式傳感器又稱接觸式聲音傳感器，它不同于電容傳聲器，是直接將肺音信號通過敏感元件轉換為電信號用以檢測肺音。電容傳聲器依靠空氣的擾動來實現肺音的檢測，這會不可避免地混入其他聲波的干擾，所以壓電式傳感器優于電容式傳感器。無線藍牙技術的出現給聽診器帶來了革命性的變化。王琦等設計了一種藍牙無線電子聽診器，該系統可將肺音和心音進行分離［3］。已有符合醫用標準的電子聽診器問世，如美國3MTM Littmann公司生產的3200型電子聽診器。該聽診器利用藍牙技術無線采集肺音，不僅實現肺音的實時顯示和能量譜分析，還可將病人資料和肺音信號實時傳輸至電腦并存儲成為便于軟件處理的.WAV格式文件，為進一步研究肺音提供了非常好的研究條件。

AtulC.Mehta 等［4］將40 個傳感器陣列固定于受試者背部的不同位置，將采集的肺音信號轉化成表現肺音能量分布的量化灰度圖像，能反映肺音強度的空間分布。圖1為一個嚴重哮喘成年男性病人的最大吸氣時量化肺音能量灰度圖，灰度值由黑到白表示信號的能量由高到低，顯示了肺音信號在肺組織中的不對稱分布。該研究的算法較完善，靈敏度較高，病理狀態的細微變化都會實時準確地反映到灰度圖像上。缺點是因人體的肺間質不均勻，導致環境對灰度圖像的影響也較大，所以該方法在臨床應用方面還需進一步探索研究。

肺音獲取技術目前取得了相當的進展。采集肺音的聲音傳感器有加速度傳感器、電容式傳感器和壓電式聲音傳感器。通過高放大倍數、強抗環境噪聲能力的放大器可進行肺音信號的放大。壓電式傳感器體積比一般傳感器小，代表聲音傳感器輕便化的一種趨勢［5－6］。采用傳感器陣列同時獲取多個位置的肺音地圖能更直觀地表現肺部的異常變化，是很有開發價值的肺音診斷方法。

圖1 一個患有嚴重哮喘的成年男性病人的最大吸氣時量化肺音能量灰度圖

3 肺音信號處理方法

肺音信號處理的目的是研究肺音的去噪方法以及肺音在時域、頻域及時頻域的信號特征與肺部疾病的關系。

3.1 肺音去噪

肺音去噪就是消除肌肉摩擦音、心音、腸胃蠕動音、傳感器自身缺陷以及不同的采集環境和操作方法等對肺音造成的干擾［7］。傳統肺音去噪技術包括高通濾波(截止頻率為100 Hz)和低通濾波(截止頻率為2000 Hz)，但除噪效果不理想。肺音頻帶(100～2000 Hz)與心音頻帶(5～600 Hz)高度重合，所以傳統的高、低通濾波技術無法有效濾除肺音中的心音。筆者研究表明:3M公司電子聽診器消除心音的效果并不好，采集到的肺音中存在高強度的心音。

因此，需要改進以往算法，從小波分解重噪和自適應濾波等數字信號處理技術方面著手研究出更優良的去除心音和其他干擾的方法。

3.2 肺音的時域、頻域和其他分析方法

肺音的時頻研究分析肺音的時、頻域特征，從肺音信號的本身特點出發探索肺音蘊含的病理特征。常用的時域分析法有波形的峰值、周期、呼氣相和吸氣相的持續時間分析、肺音時域能量分析以及非線性分析［8］。臨床上干羅音的持續時間占肺音呼、吸氣相的時間比例可作為判斷病人哮喘嚴重程度的依據。非線性動力學作為研究非平穩信號的工具，同樣可以研究肺音和心音的病理特征。Elio Conte等用非線性動力學的遞歸定量分析法(RQA)分析病人左右肺尖的肺音，發現肺部異常會導致呼吸控制動力的改變，通過RQA分析肺音得到的Lyapunov指數的變化能反映該呼吸控制動力的變化［9］。但是，非線性動力學分析法不夠直觀，不能充分利用多參數進行分析。

譜分析也是研究肺音的常用方法。受試者即使呼吸均勻，每個呼吸周期內肺容積和氣體流動速率也呈動態變化，采集的肺音也是非平穩信號［2］。傳統的傅里葉變換能夠得到整個肺音時間段的頻率分布特征，適用于平穩的連續信號，而不適合進行斷續性肺音的分析［10］。功率譜密度、自回歸模型、雙譜和以高階譜為代表的現代譜估計等在肺音研究方面起到了很大作用。譜分析研究顯示:長期吸煙的人肺音主頻率較不吸煙者的主頻率分散，而且肺音的頻譜能反映肺結構的變化。趙守國等用AR模型、高階累積量以及高階譜分析等方法估計肺傳聲系統，抑制了非高斯白噪聲，得到了肺胸系統聲傳遞特征［11］。

時域分析中，單一參數已不能充分反映肺音信號的特點，氣流速率、肺容量、患者體位等多種參數綜合檢測是肺音研究的新趨勢。經典譜分析在斷續性異常肺音的分析中存在不足，不能作為動態肺音研究的工具，因此需要一種能在時、頻域中動態分析肺音的方法，如短時加窗法和小波法等。

3.3 短時加窗傅里葉變換

短時加窗傅里葉變換簡稱STFT，是早期肺音分析的有力工具［12］。它將信號近似看成是短時平穩的，用可移動的窗口實現加窗分幀。常用的窗口函數有矩型窗、三角窗和海明窗等。信號x(t)的STFT變換為

式(1)中w(n)為窗函數。

短時加窗傅里葉變換(STFT)把肺音信號的時域與頻域聯系起來，克服了傅里葉變換需要全部時域信號的缺點，對信號的平穩性要求也有所降低，所以STFT比較適合肺音信號的時頻域研究。韋爾奇譜估計就是在STFT基礎上將肺音信號用窗函數分割為一幀一幀的數據，然后計算一周期肺音信號的功率譜密度(PSD)，再將平均后的PSD值作為模式識別的神經網絡的輸入，最終得到較好的肺音疾病分類結果［13］。STFT的頻率分辨率和時間分辨率是通過調整窗口長度實現的，不可能同時實現兩者的最大化。時域窗口的加寬會引起頻率分辨率提高，導致時間分辨率降低，失去高頻信號的時間定位準確性;反之，時域窗口變窄，頻域窗口會變寬，高頻的時間分辨率提高，但低頻的頻率成分就無法分清。如果需要確定肺音在哪一時間點上發生異常、突變的成分，并確定某一頻率成分發生的時間點，STFT就不完全符合肺音分析的要求。

3.4 小波分析

小波變換在生物醫學信息處理中發揮了重要作用。小波變換的時間－頻率窗靈活可變，具有“數學顯微鏡”的特性，它兼具STFT不能同時具有的高時間分辨率和高頻率分辨率。小波是由母小波ψa，b(t)經過尺度變換和位移變換產生的一系列函數簇。小波變換是將信號投影到一系列經尺度變換和位移變換后的小波構成的子空間中，一維連續函數f(t)的連續小波變換為

利用小波的尺度變換和位移變換可在不同的頻率區間、不同的時間位置對信號進行分析。小波變換具有帶通濾波器的性質。ψa，b(t)從另一個角度可看作時間窗和頻率窗均可調的窗函數。分析頻率較低的信號段時采用寬窗，較高頻率信號段時采用窄窗，從而實現較高的頻率分辨率和時間分辨率。多分辨率小波分析(MRA)建立在函數空間概念的理論上，也就是在正交小波基礎上構造一組正交帶通濾波器對信號進行濾波處理，使其頻率分辨率更高。

小波分析法濾除肺音中心音干擾的效果優于傳統濾波方法。A.K等［14］將混有心音的肺音信號做小波變換，然后把小波系數進行非線性收縮，收縮后的小波系數經小波反變換重構肺音信號。結果顯示:重構得到的肺音信號平滑且沒有心音干擾，濾除心音干擾的效果顯著。Leontios J［15］等運用小波變換自適應濾波技術，采用WTST-NST濾波器(基于穩態—非穩態的小波變換濾波器)，將小波系數利用閾值(二值)法分為2種:一種小波系數用于重構得到純凈的肺音信號;另一種小波系數用于重構心音信號。重構得到的肺音濾除了心音的干擾，既保留了肺音信號的高頻信息又保留了有價值的低頻信息(75 Hz以下的大部分能量)。此法不需要參考信號，而且不需要定位第一、第二心音的位置，心音濾除效果較好，濾除率為70%。

本文采用小波閾值除噪技術將混合心肺音信號用coif2小波進行6層小波分解，然后將各層系數經過每層不同的閾值消噪，得到比較純凈的心音，利用混合心肺音信號減去閾值消噪后得到的心音信號，最后得到相對純凈的肺音。實驗結果如圖2所示:去噪后肺音信號與原始肺音信號相比心音得到了有效濾除，而且該心音去噪算法較以往算法簡單。白培瑞和郭皓等運用盲分離算法成功地對肺音信號中心音干擾信號進行了有效分離［16－17］。盲分離算法在嘈雜環境中提取目標聲音信號的效果顯著，但相對于小波消噪法，盲分離法消除肺音中心音干擾時需同步采集心音信號，因此會導致設備昂貴，且算法也比較復雜。

圖2 原始肺音信號和去噪后肺音信號圖

STFT在分析肺音的時、頻域成份方面發揮了重要的作用，短時能量和短時過零率在音頻信號的端點檢測和特征抽取研究中被廣泛采用。STFT在肺音的研究中存在局限性，其定位異常肺音的時間點和頻率點的準確性不如小波變換。小波時頻分析用于較單純的時、頻域分析更能有效地觀察異常肺音的特征點;能將肺音分成不同頻率段進行研究，使得時間分辨率和頻率分辨率都達到最優。小波系數是小波變換法研究肺音特征參數的關鍵，其不足之處在于小波系數維度較高，因此還需要深入研究如何降低小波系數的維度。

4 肺音信號特征抽取和分類識別

肺音的模式識別是借助分類器從病人的肺音樣本數據中選取肺音特征值(如信號的幅值、包絡、短時能量或功率譜密度(PSD)等)，以實現肺音種類乃至病人疾病種類的分類識別。支持向量機、Fisher判別法、AR模型和人工神經網絡(ANN)都是經典的分類器［18］。圖3是以ANN為例的肺音識別流程。經過肺音的特征抽取形成了用于訓練和測試神經網絡的樣本模型訓練庫和測試庫，再經過分類器進行肺音的識別，最后顯示出待檢測肺音的疾病種類或肺音的類別。

圖3 肺音識別流程

Lu Liu等提出基于希爾伯特變換(HHT)的麻醉呼吸音改進包絡提取法，獲得了有效的麻醉肺音包絡。利用肺音包絡估算病人的潮氣量，能使醫生更準確地檢測到麻醉狀態病人的呼吸狀況［19］。有研究利用協方差矩陣的特征值和單參數自回歸模型(UAR)及多參數自回歸模型(MAR)構造肺音信號的特征向量［20］，得到了不錯的識別效果。小波變換雖能得到肺音信號特定時間和特定頻帶上的病理特征，但是小波系數維數大，不能直接作為識別的特征。利用肺音的自回歸系數和Mel倒譜系數(MFCC)識別哮鳴音和爆裂音的效果較好，若將Mel倒譜系數與小波變換2種算法結合表征肺音信號，則既能消除小波系數的冗余，又能得到低維的肺音信號特征。

小波和ANN結合的肺音識別技術一直是近年來國內外專家研究的熱點。A.K等運用一種新型小波變換法將肺音信號經過7層小波分解，分解后的不同頻率波段的小波系數的統計特征值表示肺音信號的能量分布。以小波系數統計特征值作為神經網絡的輸入進行肺音識別，成功地識別出6類肺音:正常肺音、喘鳴音、爆裂音、Squwks音、鳴音和干羅音。研究發現4種不同小波(db12、db8、sym10、coif4)的肺音識別效率也不同，db12、db8小波的識別效率高于sym10和coif4小波，db8的小波識別效率(為93%左右)最高［12］。類似地，A.Marshalla等采用Meyer小波將肺纖維化病人的肺音信號進行小波分解，選取第2層小波分解的細節信息(d2)作為識別的特征參數，成功分辨出慢性阻塞性肺病、肺間質纖維化病人的肺音［8］。

選擇ANN作為肺音分類器，因為其訓練算法多，自適應能力強。BP神經網絡是典型的分類器，它采用誤差反向傳播學習算法來調節網絡權值，抗畸變能力較強［10］，得到的分類效果較好。但是，ANN在進行模式識別時存在學習速度慢，網絡不穩定，易陷入局部極小值點的問題，這在訓練ANN時尤其要注意避免。遺傳 －神經網絡(GANN)算法是神經網絡算法與遺傳算法的結合，Inan Guler等利用雜交遺傳算法選擇神經網絡的輸入值、調節神經網絡的權值，運用優化后的神經網絡取得了比較好的肺音識別率［11］。Paris Mastorocostas等［1］運用動態周期性模糊規則和神經網絡算法的聯合技術—模糊網絡和平穩－非平穩的小波變換濾波技術(WTST-NST)，實時地從肺泡音中分離出異常的肺音。

遺傳神經網絡和動態周期模糊神經網絡彌補了ANN的不足，提高了ANN的學習能力和網絡結構穩定性，構建出更加符合人體思維和分析判斷方式的識別系統。這種算法實時性比ANN好，短時處理能力更強。現階段GANN是比較好的分類器，構建的神經網絡結構更穩定，應用范圍更加廣泛。

5 結束語

肺音自動聽診技術是在電子聽診、計算機技術以及人工智能技術基礎上的肺音信號處理技術與肺器官疾病的識別技術的結合。目的在于提供智能、快捷、準確的肺病臨床診斷。目前一般采用譜分析、短時加窗分析、小波分析、希爾伯特變換以及倒譜分析等方法。單獨的時域或頻域研究已經發展成為時頻域聯合研究。用于識別肺音的特征值也由高維的小波系數、功率譜密度等向較低維的小波系數的統計特征值以及其他算法結合得到的肺音特征的方向變化，如梅爾倒譜系數與小波變換結合取得的特征參數。隨著數字信號處理(DSP)技術的發展以及DSP和ARM芯片的不斷優化和改進，神經網絡和遺傳算法結合的智能肺音自動診斷技術將趨向集成化和輕便化。隨著移動醫療技術的進步，基于智能手機的肺音自動診斷系統將會普及千家萬戶。肺音自動診斷技術不僅能用于疾病的早期檢查，還可用于檢測病人的康復程度，提高肺部疾病的診斷效率，具有廣闊的應用前景。

［1］Paris Mastorocostas，Dimitris Stavrakoudis，John Theocharis.A pipelined recurrent fuzzy model for real-time analysis of lung sounds［J］.Engineering Application of Artificial Intelligence，2008，21:1301 －1308.

［2］王文淵，閆平凡.肺音研究綜述［J］.北京生物醫學工程，1992，11(2):106 －112.

［3］王琦，姚愛琴.基于藍牙的心肺音采集系統［J］.電子測試，2010，1(1):1 －4.

［4］Atul C Mehta，Merav Gat，Shlomit Mann，et al.Accuracy of gray-scale coding in lung sound mapping［J］.Computerized Medical Imagine and Graphics journal homepage，2010，34(5):362 －369.

［5］趙興強.基于壓電材料的振動能量收集器的諧振頻率調節［J］.壓電與聲光，2013(2):241－244.

［6］王文炎.橫向場壓電液相傳感器測量方法［J］.壓電與聲光，2009(6):862 －764.

［7］汪晨，曾祥龍，沈麗英.肺音研究的過去、現在和未來［J］.醫學與哲學，1993(9):50 －51.

［8］彭靜，彭承琳.混沌理論和方法在醫學信號處理中的應用［J］.國際生物醫學工程雜志，2006，29(2):124－127.

［9］Elio Conte，Antonio Vena，Antonio Federici，et al.A brief note on possible detection of physiological singularities in respiratory dynamics by recurrence quantification analysis of lung sounds［J］.Chaos，Solitons and Fractals，2004，21(4):869－877.

［10］Marshalla A，Boussaktab S.Signal analysis of medical acoustic sounds with application to chest medicine［J］.Journal of the Franklin Institute，2007，344(3):230－242.

［11］趙守國，萬明習，王素品，等.肺音信號的非線性檢測與肺胸系統聲傳遞特征研究［J］.聲學學報，2002，27(1):38－44.

［12］鄧羲，魯勇軍.肺聲的電子檢測及其醫學應用［J］.國外醫學:生物醫學工程分冊，2000，23(4):223－228.

［13］Inan Guler，HUseyin Polat，Ucman Ergun.Combining Neural Network and Genetic Algorithm for Prediction of Lung Sounds［J］.Journal of Medical Systems，2005，29(3):217－231.

［14］Kandaswamya A，Sathish Kumarb C，Rm Pl Ramanathan C，et al.Neural classification of lung sounds using wavelet coefficients［J］.Computers in Biology and Medicine，2004，34(6):523 －537.

［15］Leontios J Hadjileontiadis，Stavros M Panas.A waveletbased reduction of heart sound noise from lung sounds［J］.International Journal of Medical Informations，1998，52(1):183－190.

［16］白培瑞，牛海軍，師衛.基于盲分離技術的肺音信號中心音干擾的去除［J］.太原理工大學學報，2002，33(3):329－332.

［17］郭皓，黃華.利用高階統計量進行心肺音信號的盲分離［J］.生物醫學工程雜志，2009，26(2):413－416.

［18］高雋.人工神經網絡原理及仿真實例［M］.北京:機械工業出版社，2003.

［19］charleston-Villalobos S，Martinez-Hernandez G，Gonzalez-Camarena R，et al.Assessment of multichannel lung sounds parameterization for two-class classification in Biology and Medicine［J］.Comput Biol Med，2011，41(7):473－82.

［20］Lu Liu，Siming Ma，Shaohua Feng，et al.Envelop Extraction of Anaesthesia Breathing Sound Signal on Hilbert Huang Transform［J］.Procedia Engineering，2012，29:2693－2698.