Page 228 - 《应用声学》2023年第3期

666 2023 年 5 月

检测设备具备操作方法简单、计算速度快、携带方 [2] 路通政. 肺部听诊——呼吸音及罗音教学设计 [J]. 卫生职业
便等优点，该方法也可以为其他人体微弱体声采集 教育, 2003, 21(9): 27–28.
[3] 张伟君. 关于呼吸声音自动识别的研究 [J]. 上海生物医学工
和分析提供可以套用的范例。
程通讯, 1987(3): 38–44.
[4] 崔星星. 呼吸音分类识别系统的设计与实现 [D]. 郑州: 郑州
表 2 不同方法的识别正确率
大学, 2018.
Table 2 Recognition accuracy of different [5] 牛凤筠. 基于 PVDF 压电薄膜传感器的生理信号检测系统研
methods 究 [D] 长春: 长春理工大学, 2011.
[6] 包智宇. 基于 PVDF 柔性压电传感器的人体压力信号探
识别方法 正确率/% 备注 究 [D]. 吉林: 东北电力大学, 2021.
KNN 89.84 本文方法 [7] 郭铭, 陈云凤. 自动发音人识别中测试文本选择的研究 [J]. 声
学学报, 1993, 18(2): 148–153.
双谱法 81.3 文献 [16] 方法
Guo Ming, Chen Yunfeng. Password selection on auto-
SVM 84.29 文献 [4] 方法
matic speaker recognition[J]. Acta Acustica, 1993, 18(2):
小波 +LDA 92 文献 [17] 方法 148–153.
功率谱及线性预测法 81.6 文献 [3] 方法 [8] 李莉, 李鹏, 荆涛, 等. 支气管哮喘病人疾病知识和生活方式
的相关性研究 [J]. 中华护理杂志, 2004, 39(2): 90–93.
4 结论与讨论 Li Li, Li Peng, Jing Tao, et al. Relationship between
disease knowledge and lifestyle among asthma patients[J].
Chinese Journal of Nursing, 2004, 39(2): 90–93.
为了能够识别和分类人体微弱的呼吸声信号， [9] 黄林然. 基于电弧声响度与 MFCC 特征的 MIG 焊焊接状态
本文使用柔性 PVDF 薄膜传感器对微弱信号进行 检测与识别 [D]. 南昌: 南昌航空大学, 2019.
采集，然后对采集的呼吸声信号进行特征提取和识 [10] Meseguer N A. Speech of analysis for automatic speech
recognition[D]. Trondheim: Norwegian University of Sci-
别分类。在呼吸声识别和分类过程中使用 KNN 算
ence and Technology, 2009.
法不但可以达到较高的准确率，又可以保持较快的 [11] 俸云, 景新幸, 叶懋. MFCC 特征改进算法在语音识别中的应
识别速度。因此该系统可以为实时采集和分析人体 用 [J]. 计算机工程与科学, 2009, 31(12): 146–148.
微弱的体声信号提供一种很好的实例方法。 Feng Yun, Jing Xinxing, Ye Mao. Improving the MFCC
features for speech recognition[J]. Computer Engineering
目前本检测系统还处于实验室研发阶段，投入 and Science, 2009, 31(12): 146–148.
实际使用还需大量临床数据和不断改进检测装置。 [12] Wang Z N, Chen Y, Wu M H, et al. Acoustic aanlysis
例如，在本系统测试与采集过程中，采集声音的部 of mandarin Chinese vowels produced by young adults[J].
Evidence Science, 2019, 27(6): 730–740.
位是病人喉咙部位。在后续测试和补充阶段，该装
[13] 尹许梅. 基于 MFCC 和矢量量化的说话人识别算法研究 [D].
置将会放置于病人的胸部，模拟医生听到的听诊声。 长沙: 湖南大学, 2011.
此外该系统目前采集的声频会受到环境与使用者 [14] 胡玉兰, 鲁源根, 姜元祯, 等. 基于 MFCC 和 SVM 的震动识
别方法 [J]. 信息技术与信息化, 2021(11): 92–94.
的操作等影响，这些影响均会导致实际采集信号与
[15] Shanthakumar S, Shakila S, Suneth P, et al. Environmen-
病人呼吸声存在偏差。为解决以上问题，目前已经 tal sound classification using deep learning[J]. Instrumen-
与河南大学第一附属医院展开合作，针对问题提出 tation, 2020, 7(3): 15–22.
相关的解决方案，更好地完善该系统，为医护人员以 [16] Li F Y, Luo Z, Rong J H, et al. Interval multi–objective
optimisation of structures using adaptive Kriging approx-
及病人提供医疗便利。
imations[J]. Computers & Structures, 2013, 119: 68–84.
[17] 石陆魁, 刘文浩, 李站茹. 基于 LDA 和小波分解的肺音特征提
取方法 [J]. 计算机工程与应用, 2017, 53(22): 116–120, 149.
参 考 文 献 Shi Lukui, Liu Wenhao, Li Zhanru. Feature extraction
method of lung sound based on LDA and wavelet de-
[1] 马思明. 麻醉状态下的呼吸音信号特征提取和分类识别 [D]. composition[J]. Computer Engineering and Applications,
哈尔滨: 哈尔滨理工大学, 2012. 2017, 53(22): 116–120, 149.