学位论文 > 优秀研究生学位论文题录展示

研制咳嗽记录分析仪的前期研究

作　者: 马璇
导　师: 郑则广
学　校: 广州医学院
专　业: 呼吸内科学
关键词: 语音识别技术隐马尔可夫模型慢性咳嗽咳嗽客观记录
分类号: R725.6
类　型: 硕士论文
年　份: 2011年
下　载: 19次
引　用: 0次
阅　读: 论文下载

内容摘要

第一部分咳嗽自动识别系统软件的初步建立目的:利用语音识别技术建立的咳嗽自动识别系统软件对咳嗽声音进行自动识别。方法:选取46位广州呼吸疾病研究所住院病人作为受试者。在安静环境下开始对受试者进行录音1小时,麦克风贴于病人胸锁乳突肌内缘,检查者与受试者进行讲话交流10分钟,这样可同时记录到讲话和咳嗽声音。如患者没有咳嗽可使用辣椒粉诱发患者咳嗽。录音装备使用Dell原装机的声卡通过采样率为8kHz、量化位数为16bit、单声道的A/D变换转化成数字信号存储在录音装置中。我们把46位受试者的录音样本分为两组,第一组34位受试者的录音样本,作为隐马尔可夫模型的训练样本,提取训练样本的Mel频率倒谱系数（MFCC）建立隐马尔可夫模型,联合端点检测技术编写咳嗽自动识别系统软件;第二组12位受试者的录音样本作为测试样本,利用根据上述编写的咳嗽自动识别系统软件识别咳嗽信号。同时,对46位受试者的录音样本中的咳嗽均进行人工识别,其结果作为金标准,根据人工识别和系统软件识别得到的结果,进行比对,计算出:端点检测技术的漏检率=漏检的咳嗽片段/实际总咳嗽片段;插入率=误识为咳嗽的语音片段/可疑咳嗽的片段;咳嗽自动识别系统的灵敏度=正确识别为咳嗽的咳嗽片段/实际总咳嗽片段;特异性=正确识别为语音的语音片段/识别为语音的片段。结果:人工识别作为训练样本的34位受试者的录音样本,得到咳嗽样本1832个和干扰样本556个,对咳嗽样本按时长进行分类,建立咳嗽和干扰模板,分别使用其对应的样本数据对咳嗽和非咳嗽模板进行训练,得到5个咳嗽模版和1个补白模板（补白模板:由咳嗽以外的语音训练所得模板）。根据编写的咳嗽自动识别系统系统,对作为测试样本的12位受试者的录音样本进行自动识别,将自动识别结果与人工识别结果相比较,得到:端点检测技术的漏检率和插入率分别为3.09%和34.19%;咳嗽自动识别系统软件识别咳嗽音的灵敏度和特异性分别为96%和86%。结论:利用语音识别技术建立的咳嗽自动识别系统软件可用于咳嗽声音的自动识别,为研制咳嗽记录分析仪提供前提。第二部分不同病因慢性咳嗽的特征分析目的:对不同慢性咳嗽病因的咳嗽进行分析,了解不同慢性咳嗽病因的咳嗽特征,探索利用咳嗽记录仪自动识别咳嗽、并根据其咳嗽特征做出慢性咳嗽病因的诊断。方法:于2009年9月～2011年1月期间因慢性咳嗽就诊于广州呼吸疾病研究所门诊或病房的患者,记录慢性咳嗽患者24小时咳嗽的声音,同时教患者学会记录与咳嗽相关事件的时间:包括进起床、进食、入睡。根据患者病史的特点,按照指南给予相关检查:肺通气功能+支气管激发试验、痰诱导细胞学检查和24小时食道PH值监测等。对所记录24小时的咳嗽信号进行人工分析,分别标记出:干性咳嗽、湿性咳嗽、单声咳嗽、双声咳嗽、连续性咳嗽、清喉音、清痰音和支气管痉挛音。再根据不同病因组的不同时间段（起床、进食、入睡）的咳嗽数进行统计分析。采用SPSS16.0系统进行分析,多因素logistic回归分析得出最后结论;组内与组间的比较采用非参数秩和检验。结果:共采集了100例,已经完成分析的慢性咳嗽患者82例。CVA患者的咳嗽特点和规律性为:入睡期总咳嗽数/24小时总咳嗽数=27.81%,入睡期第4、5和6小时咳嗽数/入睡期总咳嗽数=45%,干性咳嗽明显多于湿性咳嗽（P<0.05）,多伴有支气管痉挛（P<0.05）。以是否为CVA为因变量,参数（干性咳嗽X₁、湿性咳嗽X₂、入睡期总咳嗽数X₃、支气管痉挛音X₄、清喉音与清痰音X5、晨起1小时咳嗽数X₆,入睡前1小时咳嗽数X₇）为自变量,进行多因素logistic回归分析。得出概率方程为:P=e^{4.34X₃+5.49X₄-3.16}/1+e^{4.34X₃+5.49X₄-3.16}（P<0.001）UACS患者的咳嗽特点和规律性为:晨起咳嗽明显（P<0.05）,以湿性咳嗽为主（P<0.05）,多伴有清痰音及清喉音（P<0.05）。以是否为UACS为因变量,以参数（干性咳嗽数X₁、湿性咳嗽数X₂、清喉音与清痰音X₃、晨起后1小时咳嗽数X₅,入睡前1小时咳嗽数X6）为自变量,进行多因素logistic回归分析。得出概率方程为:P=e^{2.16X₂+2.72X₃-6.17}/1+ e^{2.16X₂+2.72X₃-6.17}（P<0.001）GERC患者的咳嗽特点和规律性为:饭后咳嗽明显,饭前1、2小时咳嗽数与饭后1、2小时咳嗽数差异明显,P<0.05;干性咳嗽为主,与湿性咳嗽比较P<0.05;以是否是GERC为因变量,以参数（干性咳嗽X₁、湿性咳嗽X₂、中饭后1小时X₃、中饭后2小时X₄、晚饭后1小时X₅、晚饭后2小时X₆）为自变量,进行多因素logistic回归分析。得出概率方程为:P=e^{0.91X₃+1.84X₅-7.99}/1+ e^{0.91X₃+1.84X₅-7.99}（P<0.001） EB咳嗽频率无明显规律,干性咳嗽为主,与湿性咳嗽比较P<0.05;由于有2例有少量夜间咳嗽,所以主要与CVA进行鉴别诊断。结论:经过一系列相关分析,可得出不同病因的慢性咳嗽的回归概率方程,并有很高的临床价值,可建立慢性咳嗽的简易诊断方法并应用于临床。本研究小结:通过两部分的研究,不仅初步建立了咳嗽自动识别系统,还对慢性咳嗽的诊断提出了简易的诊断方法,为24小时咳嗽记录分析仪的研制提供了研究的可行性和方法学。

全文目录

中英文缩写对照  4-5
中文摘要  5-8
Abstract  8-11
前言  11-14
第一部分语音识别技术在咳嗽自动识别中的应用  14-25
  材料与方法  15-20
  结果  20-22
  讨论  22-25
第二部分不同病因慢性咳嗽的特征分析  25-54
  材料与方法  26-35
  结果  35-50
  讨论  50-54
结论与展望  54-55
参考文献  55-58
致谢  58-59

研制咳嗽记录分析仪的前期研究

内容摘要

全文目录

相似论文