基于BP神经网络的肺音识别与诊断研究

张晓燕（浙江长征职业技术学院计信系，浙江杭州，310023）



基于BP神经网络的肺音识别与诊断研究

张晓燕
（浙江长征职业技术学院计信系，浙江杭州，310023）

摘要：通过大量研究表明肺音蕴含丰富的肺器官生理病态信息，呼吸道空气的吸入，呼出经由支气管管道，其因肺部及其呼吸道病变而产生通道狭窄，部分堵塞以及分泌物的堆积，在听诊过程中将在肺部噪音的振动频率，声波增幅以及幅升降梯度等进行特征表现，通过对特征值的准确判断从而确定病因。本文将通过小波变换方法对三十份以上的同类型具有相同病理特征的肺音波形进行多频率的小波分解并根据各个频率带中不同的信号响应，分散率等计算小波特征系数，然后通过BP人工神经网络将所得特征系数作为输入值，优化权重系数，最后进行对为大、中、小湿罗音及哮鸣音等信号的检测验证，实现检测精准率达到90%以上。

关键词：肺音；多频率小波变换；神经网络

0 引言

近年来，雾霾天气等环境因素所产生的呼吸道疾病频发，对于肺部疾病诊断的快速性与准确性的需求大幅度提升。Laennec在两百年前已经提出通过听诊判断确定病理变化，并且成功判别正常人的肺音以及肺病患者的杂音。长期以来人们对肺部噪音及其病理原因做了大量的研究。当然，病理特征的正确判断将受听诊医生主观因素以及病患被动因素的影响而受到限制，患者的紧张焦躁，就诊的不良环境以及医生的经验不足大大提高误诊几率，延误治疗的最佳时间。Gavriely和他的同事通过大量的比对及测量确定其频率范围为75Hz至2000Hz之间并且在100Hz到400Hz之间频率呈指数下降。吸气过程的最大频率为左肺475±115 Hz，右肺446±143 Hz。呼气中其频率将有所降低。Kraman和他的同事发现在低频带低于200Hz时，肺部噪音将受到肌肉及心音干扰。在当频率低于50Hz区间时将无法判别肺部噪音。因此，通过对肺音的时频分解及各个频段的分析将给肺音病理的识别和判定提供可能性。刘国栋等人结合神经网络及小波分析方法，对呼吸音进行了正常，轻度病变以及重度病变成功的进行了识别。李圣君等人通过小波包变换提高肺音在高频段的分辨率，提高肺音的非平稳信号的检测及分析的准确度。本文将利用小波变换方法对肺音进行多频段的分解，依据肺病病理特性在各个频段的特性表征对肺音（大湿罗音，中湿罗音，哮鸣音，水泡音等）进行识别。

1 肺音识别过程

肺音信号的采集部分是采用灵敏度较高的加速度声音传感器及外围模块电路构成的信号接收器，通过检测肺部及其周围器官中气流振动实现肺音的采集，利用小波变换及降噪处理提取信号特征值，再通过BP神经网络对其进行分类判别，实现数字化处理。肺音的识别中无法避免心音或者肌肉摩擦音对其造成干扰及病情的误判。肺音的识别流程图如图1所示。

图1 肺音识别流程图

2 小波变换及分析

听诊呼吸音时，当空气通过含有分泌物的气管，或通过因痉挛或肿胀而狭窄的支气管时，在呼吸音的基础上，又听到一种附加的呼吸杂音即罗音。根据罗音的性质，可将其分为干性罗音与湿性罗音两大类。湿罗音即为水泡音。按照气管的管径大小及管内渗出物的数量可分为大，中，小湿罗音。大湿罗音主要出现于气管，主支气管内，振幅强烈且频率较低，小湿罗音主要发生在小支气管，出现于吸气后期，振幅小并且频率较高，中湿罗音即位于大，小罗音中间。哮鸣音相较于湿罗音振幅较高，持续时间长，频率也较高，发生原因为呼吸时空气通过支气管收缩迫使空气通过由于病变引起的狭窄呼吸道所产生的声音。湿罗音及哮鸣音的波形如图2所示。

原始肺音采集信号的取样频率为44100 Hz，大大高于肺音的主要频带范围。对原始信号的直接分解降噪处理将加大信号分析的难度。通过matlab扩大信号取样率对原始信号进行降频处理。处理后的信号频率为1000 Hz符合大部分肺音的频带范围。使用小波分解功能对降频后的信号进行五级分解处理。第一级至五级分解后得到的细节信号系数为CD1，CD2，CD3，CD4，CD5以及五级低频信号CA5。表1为分解后的各级频带范围。接着对分解后的各级细节信号进行门限滤波功能实现降噪功能。本文使用周期性扩展的haar小波进行五级滤波处理，门限值为20%。降噪后的信号比原始信号有着较好的滤波。水泡音降噪处理后波形如图3所示。

图2 湿罗音及哮鸣音波形图

图4 大小湿罗音的低高频信号图

图5 哮鸣音及正常呼吸音的低高频信号

图3 水泡音降噪处理后波形

大、小湿罗音呼吸音经过小波变换后的各频段波形如图4所示。研究得知，湿罗音和正常呼吸音在二级，三级上存在着频率响应，且大湿罗音的分散尺度比中、小湿罗音较大。正常呼吸音的波形较为集中，且振幅均匀。在小湿罗音中各级高频带中存在着振幅波动。

哮鸣音及正常呼吸音的频率信号如图5所示。由图上可知，相较于正常呼吸音，哮鸣音在高频带（500-1000 Hz）及在低频带（0-31.3）中存在着频率响应，且高频带中波动分布较为均匀。

通过图4，图5中波形的比较可知，频率响应的波段位置Φ（i）、波形的波动率w（i）、波形均匀分布率u（i）作为特征值进行肺音的识别，如式（2）表示：

波段的频率响应位置将通过阀值评判，当增幅高于或低于给定阀值时（0.3）将激活函数为0或1阶跃信号。波形的波动率表示运动频率，在肺音信号中可表示为波长信息，波长越段频率越低，反之则越长。波形分布率描述信号在时频信号中位置聚集信息。湿罗音较呼吸正常音在高频波段中运动频率低且较分散，哮鸣音则表现为分散均匀，正常呼吸音波动较集中且频率高。

3 BP人工神经网络

BP神经网络将由输入层，隐藏层，输出层组成。BP神经网络如图6所示。输入层为六个节点数由通过小波分解得到各级频带信息构成，各级隐藏层中每个节点信息接收输入层信息进行计算并得到特征信息，通过对各种肺音病理的判断训练学习权重信息。

图6 四层BP神经网络图

通过对湿罗音与哮喘音各三十份样本进行计算分析。其中二十份样本作为训练集，剩余十份用于测试。该网络由一个输入层，一个输出层以及两个隐藏层构成。其中pj为输入值，一层隐藏层包括信号的三个特征值。fp，q与fp，q为一级和二级权重，gc为偏置。通过Sigmoid函数作为传递函数，决定并判别输出信息。输出层可由式（3）表示：Si=W（Δi·fp，q+gi） f1（i=1，2···5）式（3）

通过matlab的工具箱对已建立的神经网络模型进行学习训练，利用梯度下降法使得输出数值逼近预期。经过2826多次的训练，输出误差逐步减低于10-4，满足要求。优化所得权重信息及由此获得的检测正确率如表2所示。神经网络误差曲线如图7所示。

表2 各肺音的权重系数

4 结论

结合小波变换和人工神经网络对肺音进行多级分解，继而对其进行病理识别得到较好的验证，结果也满足预期。

通过小波变换实现了对呼吸音在不同频率带，不同时间位置的分析，对呼吸过程中的突变信号进行较好的分析，这既能确定波形响应位置，振幅深度，又可通过小波变换的滤波功能对肺音进行降噪处理。

通过人工神经网络对肺音进行识别分类的优点在于训练算法较为简单，通过反向计算权重并以梯度下降法固定去延伸方向，分类效果较好，训练学习速度快，但对于样本的要求较高，易陷入局部较小值的缺点。

表1 五级分解的各级频带范围

图7 神经网络误差曲线

参考文献

［1］周宇峰，程景全.小波变换及其应用.物理·37卷（2008年）1期.

［2］Laennec， R. De l'auscultation mediate ou traite du diagnostic de maladies des poumons et du coer.， in Brosson et Chaude， Paris.1819

［3］ Gavriely， N.， Palti， Y.， & Alroy， G.Spectral characteristics of normal breath sounds， J.Appl.Physiol， vol. 50， no. 2， pp. 307-314.1981.

作者简介

张晓燕.女.1983.2浙江长征职业技术学院计信系.讲师 硕士.研究方向：电子与通信.

课题：浙江省教育厅2015年度高等学校国内访问学者专业发展项目 项目名称：互联网智能听诊器的设计与应用 项目编号：无

Research of lung sound recognition and diagnosis based on BP neural network

Zhang Xiaoyan
（Zhejiang Changzheng Vocational and Technical College，Hangzhou，310023）

Abstract：Through a large number of studies have indicated that lung sound contains rich lung physiological and pathological information，inhalation of respiratory tract air exhaled through the bronchial tubes， the due to lung and respiratory disease and narrow channel， part of the blockage and accumulation of secretions and in auscultation process will be in lung noise vibration frequency，acoustic amplitude and amplitude fluctuation gradient of features，through the feature value of the accurate judgment to determine the cause. The through wavelet transform method for more than 30 copies of the same type has the same pathological features of lung sound waveform of multi frequency wavelet decomposition and according to the signal of each frequency band in different response，dispersion rate calculation of the wavelet coefficients， and then through the BP artificial neural network will be income characteristic coefficient as input values， optimal weighted coefficient，finally to for large，medium and small wet rale and wheezing sound sound signal testing and certification，to achieve accurate detection rate reached more than 90%.

Keywords：lung sound；multi frequency；wavelet transform；neural network