Page 226 - 《应用声学》2023年第3期

664 2023 年 5 月

传感器提供 10 V 的工作电压。此设计电路最大可 KNN 进行训练之后建立模型才能对呼吸声进行预
以同时为 4 组声频采集电路供电，可以为后续采集 测分类，因此这些数据也需要根据一定的依据划分
多个不同部位的体声信号进行扩展。 为训练集和验证集 [15] 。除此之外，为了验证模型的
该系统还包括声频采集部分和数据处理部 泛化能力，还需要除了训练集和验证集以外的声频
分。图 8 是该检测系统采集和处理结构图。PVDF 数据对模型的分类准确率进行测试。
薄膜传感器采集的模拟声频信号经过 VS1053b 芯 3.2 不同呼吸声异常的MFCC特征
片转化为数字信号，转化后的数字信号经过以
该检测系统中选取了 4 种呼吸声 (不同病人所
STM32ZET6 作为主控和处理的芯片进行计算和
产生的) 作为该识别的种类。图 9 显示了这几种呼
存储。
吸声的 MFCC 特征分布图。MFCC 特征分布图描
述的是在一个完整的呼吸过程中特征值随着时间
̡ʹ֐ծηՂ PVDF͜ਖ٨
变化的倒谱系数图。图9(a)为正常呼吸声的MFCC
图，图 9(b) 为支气管呼吸声的 MFCC 图，图 9(c) 为
വલηՂ
VS1053B
湿罗声的MFCC图，图9(d)为干罗声的MFCC图。
从 4 个特征图中可以发现， 不同声音中其
஝ϙηՂ
STM32ZET6 ႃᑨቫܫေሮऀ MFCC 特征具有很大的差异，其在频域上体现在
不同频率的包络值不同。对于特征值来说，其反应
᧘ᝠካ
ߛϲӭЋ 呼吸声的能量在人耳感知域的分布情况。

图 8 检测系统采集和处理结构图
Fig. 8 Detection system acquisition and process-
ing structure diagram

存储的声频信号由 PC 端的程序进行 KNN 神
经网络的学习训练，进而得到该分类的网络模型。
(a) ൤࣢֐ծܦ (b) ஃඡኮܦ

3 测试结果与分析

3.1 实验测试过程
项目组与河南大学第一附属医院展开合作，对
近三个月呼吸科内出现呼吸声异常的病人与正常
呼吸人群进行数据采集。在测量过程中，测量结果 (c) ຳᎭܦ (d) ࣰᎭܦ
的准确性会受到使用者操作方式、外部噪声环境和
图 9 呼吸声音的 MFCC 特征图组
采集部位等因素的干扰。因此在采集过程中，需要
Fig. 9 MFCC feature maps group for breathing
将病人隔离到一个安静的房间内，然后将检测装置
sounds
的 PVDF 薄膜传感器用医用绷带固定到被采集人
喉咙部位，启动设备，进行呼吸声的采集。该过程中 3.3 分类测试结果
尽量保持采集部位一致，减少因采集部位不同给实 由于呼吸声采集较为困难，呼吸声样本数据较
验结果造成的影响。最终采集的数据会被保存到系 少，为了使 KNN 有较高的分类准确率，同时避免由
统的存储器中。 于在划分训练集和测试集产生的片面误差，需要对
使用呼吸声检测装置总共采集了673个声频数 数据集进行 K 折交叉验证，通过尝试利用不同的训
据，除去声频数据中存在异常或者呼吸特征不明显 练集和测试集来提高系统模型的可靠性。
的 37 个呼吸声，实际参与分类标号的共 636 个。样 K 折交叉验证的过程是首先将全部样本 (4 种
本声频数据包含 163 个正常呼吸声，162 个支气管 不同类型呼吸声) 按同比例划分成 k 个大小相等的
声，156个干罗声，155个湿罗声。这些数据需要经过 样本子集；然后依次遍历这 k 个子集，每次把当前子