基于FCM聚類算法的呼吸音分類識別研究

易鵬飛等

摘 要： 為了分類識別不同部位的呼吸音，提出一種基于呼吸氣持續時間相對值參數，以及呼吸氣間歇時間相對值參數提取的呼吸音分析方法。該方法包括呼吸音預處理、包絡提取、基于FCM聚類算法的自適應閾值線的選取、特征值提取為主的4個部分。對50例3種不同呼吸音進行分類實驗，分類準確率為94%，從而驗證了該方法的有效性。在此基礎上，對該方法在同一種呼吸音病理和健康研究方面做出了展望。

關鍵詞： 呼吸音； 呼吸音分類； Morlet小波； FCM聚類算法

中圖分類號： TN911?34 文獻標識碼： A 文章編號： 1004?373X（2015）12?0016?04

呼吸音俗稱肺音，它能夠反映音源特征，并且能夠反映肺部組織、氣管及胸壁等傳播媒介的聲學特性，通過對呼吸音的檢測可以有效準確地診斷呼吸系統疾病。對呼吸音信號的準確分析以及分類，可對呼吸疾病診斷起到重要的輔助作用[1?2]。呼吸音信號主要分為氣管呼吸音、支氣管呼吸音、支氣管肺泡呼吸音、肺泡呼吸音不同生理部位所產生的呼吸音的時域波形以及不同變換后的波形都有差異，采用提取包絡能對不同生理部位的呼吸信號進行描述，對其進行分類。

1 數據采集

本文所用到的呼吸音數據采集采用美國BIOPAC公司生產的MP150型16導生理信號記錄氣管呼吸音、支氣管呼吸音、支氣管肺泡呼吸音、肺泡呼吸音4個部位的呼吸音數據。采樣頻率為20 kHz，呼吸音的周期為12～20次/min，采樣時間為30 s，為了保證采集數據的穩定性，截取其中的第3～5周期中的一個周期數據保存，保存格式為.txt或者.mat。呼吸音采集系統如圖1所示。

2 方法的實現

2.1 預處理和包絡提取

在獲取呼吸音包絡前，原始呼吸音信號需要進行預處理。首先，對采集的呼吸音信號進行下采樣，采樣頻率從20 kHz下采樣到2 kHz；接著，用十階巴特沃斯濾波器進行濾波保證呼吸音帶寬在100～1 000 Hz之間，再通過小波收縮閾值降噪法來有效去除呼吸音中的白噪聲；最后采用Morlet小波來提取呼吸音包絡。在包絡提取法中，用Morlet小波針對呼吸音包絡提取比Hilbert變換法提取的包絡信號更光滑，能有效地降低使用Hilbert變換法所帶來的不夠光滑，毛刺太多（隨機干擾成分）等問題，因此，本論文采用Morlet小波方法來提取包絡[3?4]。

2.3 呼吸信號的包絡

圖2為肺泡呼吸音，其音調相對較低，吸氣時音響較強，音調相對較高，時相較長；呼氣時音響較弱，音調相對較低，時相較短[6]。圖3為胸膜摩擦音，其是隨著呼吸便可出現臟胸膜和壁胸膜間的摩擦聲，一般在吸氣末與呼氣開始時較為明顯。正常人胸膜表面光滑，胸膜腔內只有微量液體存在，因此呼吸時胸膜臟層和壁層之間相互滑動并無音響發生。胸膜摩擦音為病理呼吸音的一種[6]。如圖4所示，支氣管呼吸音是呼吸時氣流在聲門、氣管形成湍流所產生的聲音，吸氣時主動運動，吸氣時聲門增寬，氣流通過快；呼氣是被動運動，聲門變窄，氣流通過慢，因而呼氣時相比吸氣時相長，音調較高，音響較強[6]。

圖5為支氣管呼吸音伴大濕啰音，其是由于通過呼吸道內的分泌物如滲出液、血液、濃液等，形成的水泡破裂所產生的聲音，變化在吸氣早起，音調響亮[6]。

2.4 特征參數提取

呼吸音的特征參數，本文使用FCM聚類算法對呼吸音包絡信號進行自適應選取閾值線，圖6以一例肺泡呼吸音作為參考，然后提取呼吸音特征參數，呼氣相和吸氣相的持續時間（T1，T2），呼氣間隙時間和吸氣間歇時間（D1，D2），呼氣相和吸氣相的峰值（P1，P2），最后可以通過呼吸音參數的特點來判斷吸氣相和呼氣相。

2.4.1 FCM聚類算法

FCM聚類算法也稱模糊C均值聚類[7]，是由Bezkek于1981年提出的，它是目前廣泛采用的一種聚類算法。FCM把n個向量[Xi]（[i]=1，2，…，n）分為c個模糊組，并求出每個組的聚類中心，使其非相似性指標的價值函數達到最小，并且它能給出每個樣本的隸屬度來確定隸屬于某個小組的程度。而FCM的模糊劃分，使數據以（0，1）間的隸屬度來確定其屬于各個組的程度，同時歸一化規定后，一個數據隸屬度總和為1，即：

[i=1cpij=1， ?j=1，2，…，n] （5）

FCM的目標函數為：

[Km（P，c1，…，cc）=i=1cj=1n（pij）m（dij）2] （6）

式中：[pij]介于（0，1）間；[ci]為模糊組L的聚類中心；[dij=ci-Xj]為L個聚類中心與第j個數據點間的歐幾里得距離；[m∈[1，∞）]為加權指數。構建目標函數式（7），可求得式（6）達到最小值的必要條件：

[J（U，c1，…cc，λ1，…，λn）=J（U，c1，…，cc）+j=1nλj（i=1cpij-1） =i=1cj=1n（pij）m（dij）2+j=1nλj（i=1cpij-1）] （7）

式中：[λj]，j=1，2，…，n是式（7）的n個約束式的拉格朗日乘子。對所有輸入參數求導，使式（6）達到最小的必要條件：

[ci=j=1n（pij）mxjj=1n（pij）m] （8）

[uij=1k=1c（dijdkj）2（m-1）] （9）

2.4.2 閾值線選取

閾值線的選定會確定幾組呼吸音周期的特征參數，采用FCM聚類算法可得到聚類中心參數[[C1（p）]，[C2（p）]]，[[C3（p）]，[C4（p）]]通過得到的參數分析閾值時得到的特征參數比較穩定，圖7中當閾值選取30%～40%時比較穩定，在選取40%作為閾值線時，得到的參數值為0.918，1.035，2.352，3.388。

2.5 呼吸音區域定位

閾值線選取后根據呼吸規律，平靜呼吸時呼氣時間T1是要長于吸氣時間T2，通過呼吸相和吸氣相（TI，T2）的對比判定，確定吸氣相和呼氣相，同時確定呼氣間歇時間D1和吸氣間歇時間D2，通過歸一化后得到的（T1，T2），（D1，D2）為1.035 s，0.918 s，2.352 s，3.388 s。

3 實驗與驗證

本文采用50例3種不同類的呼吸音進行分析，以[T1T2，D1D2]作為區分呼吸音類型參數，如表1～表6所示。

圖8使用表4～表6所示的數據作為參數，可以清楚表明不同的呼吸音的特征值，使其有不同的分布區域，以達到識別分類的目的。在50例數據中共有47例數據得到準確的分類識別。

4 結 語

本文從時域的角度研究了一種呼吸音分類識別的分析方法，目的是分類識別不同部位的呼吸音，以及為研究在同一部位病理呼吸音和正常呼吸音的識別研究做基礎。該方法基于臨床實驗采集數據庫分析得出結論，對于實際應用和普遍性還需根據情況對算法做進一步的研究。

參考文獻

[1] SOVIJ?RVI A R A，MALMBER L P. Characteristics of breath sounds and adventitious respiratory sounds [J]. Eur Respir Rev， 2000， 10（77）： 591?596.

[2] KANDASWAMY A， KUMAR C S， RAMANATHAN R P， et al. Neural classification of lung sounds using wavelet coefficients [J]. Computers in Biology and Medicine， 2004， 34（6）： 523?537.

[3] 李圣君，劉毅.肺音特征提取的小波包變換方法[J].計算機科學，2005（z1）：162?164.

[4] 何嶺松，李巍華.用Morlet小波進行包絡檢波分析[J].振動工程學報，2002，15（1）：119?122.

[5] 孫延奎.小波分析及其應用[M].北京：機械工業出版社，2005.

[6] 陳文彬，潘祥林.診斷學[M].北京：人民衛生出版社，2008

[7] 孫曉霞，劉曉霞，謝倩茹.模糊C?均值（FCM）聚類算法的實現[J].計算機應用與軟件，2008，25（3）：48?50.