Автоматическое обнаружение и распознавание сухих хрипов на основе анализа их автокорреляционной функции
Предложен эффективный метод автоматического обнаружения и распознавания сухих хрипов в звуках дыхания. Получено соотношение, связывающее акустические мощности периодической и шумовой компонент респираторного сигнала с пиковым значением автокорреляционной функции. Предложен способ выявления сухих хри...
Gespeichert in:
| Datum: | 2005 |
|---|---|
| Hauptverfasser: | , |
| Format: | Artikel |
| Sprache: | Russisch |
| Veröffentlicht: |
Інститут гідромеханіки НАН України
2005
|
| Online Zugang: | https://nasplib.isofts.kiev.ua/handle/123456789/501 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Zitieren: | Автоматическое обнаружение и распознавание сухих хрипов на основе анализа их автокорреляционной функции / И.В. Вовк, В.Ю. Семенов // Акуст. вісн. — 2005. — Т. 8, N 3. — С. 17-23. — Бібліогр.: 9 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1860261014074818560 |
|---|---|
| author | Вовк, И.В. Семенов, В.Ю. |
| author_facet | Вовк, И.В. Семенов, В.Ю. |
| citation_txt | Автоматическое обнаружение и распознавание сухих хрипов на основе анализа их автокорреляционной функции / И.В. Вовк, В.Ю. Семенов // Акуст. вісн. — 2005. — Т. 8, N 3. — С. 17-23. — Бібліогр.: 9 назв. — рос. |
| collection | DSpace DC |
| description | Предложен эффективный метод автоматического обнаружения и распознавания сухих хрипов в звуках дыхания. Получено соотношение, связывающее акустические мощности периодической и шумовой компонент респираторного сигнала с пиковым значением автокорреляционной функции. Предложен способ выявления сухих хрипов, основанный на сравнении пикового значения автокорреляционной функции с переменным порогом. Важной особенностью метода является то, что он не только выполняет классификацию респираторного сигнала по принципу "шумовой/периодический", но и позволяет определить все частотные составляющие, присутствующие в сухом хрипе. Разработан эффективный способ визуализации результатов работы предложенного метода, основанный на формировании искусственного сигнала, имитирующего частотный состав исходного дыхательного фрагмента, содержащего сухой хрип.
An efficient method for automatic detecting and recognizing wheezes in the breath sounds is proposed. A dependence is obtained which relates the acoustic powers of periodic and noise components of the respiratory signal with the peak value of normalized autocorrelation function. A method for wheeze detection, based on comparing the peak value of normalized autocorrelation function with varying threshold, is proposed. An important feature of the method is that it performs not only the classification by the "noise/periodic" property, but allows determining all frequency components present in a given wheeze. An efficient way for visualizing the proposed method's results is developed, that is based on forming the artificial signal that imitates frequency content of the initial breath fragment containing the wheeze.
|
| first_indexed | 2025-12-07T18:55:17Z |
| format | Article |
| fulltext |
ISSN 1028 -7507 Акустичний вiсник. 2005. Том 8, N 3. С. 17 – 23
УДК 534.7
АВТОМАТИЧЕСКОЕ ОБНАРУЖЕНИЕ
И РАСПОЗНАВАНИЕ СУХИХ ХРИПОВ НА ОСНОВЕ
АНАЛИЗА ИХ АВТОКОРРЕЛЯЦИОННОЙ ФУНКЦИИ
И. В. В ОВ К, В. Ю. СЕ МЕН О В
Институт гидромеханики НАН Украины, Киев
Получено 01.07.2005
Предложен эффективный метод автоматического обнаружения и распознавания сухих хрипов в звуках дыхания.
Получено соотношение, связывающее акустические мощности периодической и шумовой компонент респиратор-
ного сигнала с пиковым значением автокорреляционной функции. Предложен способ выявления сухих хрипов,
основанный на сравнении пикового значения автокорреляционной функции с переменным порогом. Важной осо-
бенностью метода является то, что он не только выполняет классификацию респираторного сигнала по принципу
“шумовой/периодический”, но и позволяет определить все частотные составляющие, присутствующие в сухом хрипе.
Разработан эффективный способ визуализации результатов работы предложенного метода, основанный на форми-
ровании искусственного сигнала, имитирующего частотный состав исходного дыхательного фрагмента, содержащего
сухой хрип.
Запропоновано ефективний метод автоматичного виявлення та розпiзнавання сухих хрипiв у шумах дихання. Отри-
мано спiввiдношення, яке зв’язує акустичнi потужностi перiодичної та шумової компонент респiраторного сигналу
з пiковим значенням автокореляцiйної функцiї. Запропоновано метод виявлення сухих хрипiв, який базується на
порiвняннi пiкового значення автокореляцiйної функцiї зi змiнним порогом. Важливою особливiстю методу є те,
що вiн не тiльки виконує класифiкацiю респiраторного сигналу за ознакою “шумовий/перiодичний”, але й дозволяє
визначити всi частотнi складовi, присутнi у сухому хрипi. Розроблено ефективний спосiб вiзуалiзацiї результатiв
роботи запропонованого методу, який базується на формуваннi штучного сигналу, який iмiтує частотний склад
вихiдного дихального фрагменту, що мiстить сухий хрип.
An efficient method for automatic detecting and recognizing wheezes in the breath sounds is proposed. A dependence is
obtained which relates the acoustic powers of periodic and noise components of the respiratory signal with the peak value
of normalized autocorrelation function. A method for wheeze detection, based on comparing the peak value of normalized
autocorrelation function with varying threshold, is proposed. An important feature of the method is that it performs not
only the classification by the “noise/periodic” property, but allows determining all frequency components present in a
given wheeze. An efficient way for visualizing the proposed method’s results is developed, that is based on forming the
artificial signal that imitates frequency content of the initial breath fragment containing the wheeze.
ВВЕДЕНИЕ
Построение систем автоматического обнаруже-
ния и распознавания различных типов дыха-
тельных шумов является актуальной научно-
технической задачей, имеющей важное значение
для медицины [1, 2]. Трудности создания таких
систем обусловлены отсутствием достаточно чет-
ких критериев количественной оценки дыхатель-
ных шумов, так как их медицинское описание до
сих пор основывается, главным образом, на тра-
диционных вербальных (т. е. словесных) моделях,
в которых изначально заложена значительная до-
ля субъективизма (см. статью [3] и библиографию
в ней). Проблема усложняется и тем, что харак-
тер спектра дыхательных шумов может меняться
не только на протяжении одного дыхательного ци-
кла, но и на значительно меньших временных ин-
тервалах.
Одной из важнейших задач, которую должна
решать любая система аускультационной диагно-
стики, является автоматическое обнаружение и
спектральный анализ различных типов дыхатель-
ных шумов, в частности сухих хрипов. Кроме то-
го, необходимо, чтобы такие системы могли распо-
знавать типы сухих хрипов, т. е. устанавливать со-
ответствие между их спектральными характери-
стиками и традиционными вербальными моделя-
ми, принятыми в медицине.
Известно, что сухие хрипы в основном пред-
ставляют собой периодические сигналы с ярко
выраженным музыкальным тембром. Они могут
иметь как квазигармонический характер, так и со-
стоять из более сложных повторяющихся струк-
тур [1 – 4, 7]. Таким образом, в частотной области
сухие хрипы характеризуются пиками в спектре
мощности дыхательного шума (рис. 1). Несмот-
ря на столь простое определение, на сегодняшний
день не существует единых надежных алгоритмов
их автоматического обнаружения, которые были
бы эффективными в контексте многообразия ха-
рактеристик регистрируемых сигналов, регистри-
рующего оборудования, фоновых помех и биошу-
мов.
Существующие методы анализа хрипов часто
насыщены эмпирическими константами [4], что
c© И. В. Вовк, В. Ю. Семенов, 2005 17
ISSN 1028 -7507 Акустичний вiсник. 2005. Том 8, N 3. С. 17 – 23
Рис. 1. Временная зависимость s(t),
автокорреляционная функция R(t)
и спектр мощности |S(f)|2 фрагмента
трахейного хрипа длительностью 100 мс
указывает, прежде всего, на частный характер их
применимости. Так, в работе [6] приводится алго-
ритм обнаружения спектральных пиков, в кото-
ром фигурируют пять эмпирически подобранных
величин. Очевидно, что эмпирические константы,
тщательно подобранные для конкретных условий,
могут оказаться непригодными, например, при пе-
реходе на новую частоту дискретизации сигнала
или при использовании других длин интервалов
спектрального анализа. Кроме того, не все суще-
ствующие эмпирические правила приспособлены
к обнаружению множественных гармоник, прису-
щих некоторым видам сухих хрипов [7].
Анализ существующих алгоритмов выявления
периодических структур в сигнале (дыхательных
шумах) показывает, что практически все они осно-
ваны на анализе спектра мощности. В то же вре-
мя, из теории цифровой обработки речевых сиг-
налов [8] известно, что весьма надежным сред-
ством анализа периодичности временного сигна-
ла (фонограммы) s(t) является его автокорреля-
ционная функция, представляющая собой обра-
тное преобразование Фурье от спектра мощности
|S(f)|2:
R(t) = F̄{|S(f)|2} = F̄{|F {s(t)}|2}, (1)
где F и F̄ – символы прямого и обратного преобра-
зований Фурье соответственно. На рис. 1 пред-
ставлены графики временной зависимости (фоно-
граммы) трахейного хрипа, его автокорреляцион-
ной функции R(t) и спектра мощности |S(f)|2. Как
видно из рисунка, автокорреляционная функция
содержит пик в точке t0 =0.00375 с, соответствую-
щий присутствующей в сигнале гармонике с часто-
той f0 = 1/t0 = 267 Гц. Наличие пика на графике
автокорреляционной функции дискретного сигна-
ла s(n) очевидным образом следует из ее альтер-
нативного определения:
R(t) =
T−t−1
∑
k=0
s(k)s(k + t), (2)
где T – длина интервала, на котором анализируе-
тся дискретный сигнал. Здесь и далее используе-
тся традиционное обозначение s(n) вместо s(n/fs),
где fs – частота дискретизации сигнала.
Учитывая сказанное, целью данной работы яв-
ляется построение эффективного метода автома-
тического выявления и распознавания сухих хри-
пов в дыхательных шумах на основе анализа их
автокорреляционных функций.
1. ИДЕЯ ПРЕДЛАГАЕМОГО ПОДХОДА
Будем полагать, что наличие хрипа в дыхатель-
ном сигнале означает преобладание периодиче-
ской компоненты сигнала над шумовой. Поэтому
представим исходный фрагмент сигнала s(n) в ви-
де суммы периодической (s1(n)) и шумовой (s2(n))
компонент:
s(n) = s1(n) + s2(n). (3)
Автокорреляционные функции исходного сигна-
ла, его периодической и шумовой компонент обо-
значим соответственно как R(t), R1(t) и R2(t).
Пусть t0 – точка максимума функции R(t), прина-
длежащая диапазону изменения возможных зна-
чений фундаментальной частоты сухого хрипа
(например, от 80 до 3100 Гц [3, 5]). Используя
некоррелированность периодической и шумовой
компонент сигнала (равносильную аддитивности
соответствующих автокорреляционных функций),
преобразуем выражение для пикового значения
нормированной автокорреляционной функции:
R(t = t0)
R(t = 0)
=
R1(t = t0) + R2(t = t0)
R1(t = 0) + R2(t = 0)
=
=
R1(t = t0)
R1(t = 0) + R2(t = 0)
=
=
R1(t = t0)/R1(t = 0)
1 + R2(t = 0)/R1(t = 0)
=
1 − t0/T
1 + 1/δ
.
(4)
Здесь величина R1(t = 0)/R2(t = 0)=1 − t0/T ха-
рактеризует количество периодов, помещающихся
на временном интервале длиной T , а параметр δ
18 И. В. Вовк, В. Ю. Семенов
ISSN 1028 -7507 Акустичний вiсник. 2005. Том 8, N 3. С. 17 – 23
определяет искомое соотношение мощностей пери-
одической и шумовой компонент:
δ =
R1(t = 0)
R2(t = 0)
. (5)
Очевидно, что наиболее логичным критерием
преобладания в сигнале периодической компонен-
ты является выполнение неравенства
δ > δпор, (6)
где δпор – пороговое значение отношения мощно-
стей периодической и шумовой компонент сигна-
ла. С учетом соотношения (4) критерий (6) может
быть переписан в виде
R(t = t0)
R(t = 0)
>
δпор
1 + δпор
(
1 −
t0
T
)
. (7)
Из формулы (7) следует простая графическая ин-
терпретация полученного результата: если значе-
ние нормированной автокорреляционной функции
превосходит в точке максимума линейный убыва-
ющий во времени порог, то в сигнале преоблада-
ет периодическая компонента. В противном случае
должно быть вынесено решение о преобладании в
сигнале шумовой компоненты. Как следует из со-
отношения (7), зависящий от времени порог пред-
ставляет собой прямую, проходящую через точки
{0, δпор/(1 + δпор)} и {T, 0}.
Предлагаемая методика во многом сходна с ме-
тодиками поиска периода основного тона речевых
сигналов, основная идея которых состоит в срав-
нении максимума нормированной автокорреляци-
онной функции с некоторым постоянным или пе-
ременным во времени порогом [9]. Тем не менее,
имеются два существенных отличия.
• Наша формула (7), связывающая параметры
переменного порога с граничным отношением
мощностей периодической и шумовой компо-
нент сигнала, является точной.
• Периодичность речевых сигналов вызвана пе-
риодичными колебаниями звукового давления
на выходе голосовых связок. Поэтому ана-
лизу подвергается не сам сигнал, а “возбу-
ждающий процесс”, полученный путем пропу-
скания фрагмента сигнала через отбеливаю-
щий фильтр. В случае же анализа дыхатель-
ных шумов периодичность вызвана частотной
избирательностью дыхательного тракта. По-
этому предложенный метод должен применя-
ться непосредственно к исходному оцифро-
ванному дыхательному сигналу.
Рис. 2. Фонограмма s(t),
автокорреляционная функция R(t)
и спектр мощности |S(f)|2 фрагмента
здорового везикулярного дыхания
В вычислительном плане предложенный ме-
тод обнаружения сухих хрипов сводится, глав-
ным образом, к вычислению автокорреляционной
функции. Оно может быть осуществлено либо на
основе соотношения (1) (т. е. посредством двух
преобразований Фурье), либо путем прямого при-
менения формулы (2). Поэтому данный метод мо-
жет быть легко реализован практически на любых
современных вычислительных средствах.
Проиллюстрируем предлагаемый подход на ря-
де примеров. При этом пороговое соотношение
мощностей шумовой и периодической компонент
δпор в критерии (7) примем равным единице, что
сводит суть процесса к вычислению и сравне-
нию мощностей периодической и шумовой ком-
понент, присутствующих в сигнале. Все фрагмен-
ты рассмотренных сигналов имели длительность
T = 100 мс и были дискретизированы с частотой
fs =8000 Гц.
1.1. Здоровое везикулярное дыхание
Начнем с простейшего случая – везикулярного
дыхания здорового человека. Как известно, вези-
кулярное дыхание представляет собой относитель-
но широкополосный шумовой сигнал. На рис. 2
представлен фрагмент фонограммы везикулярно-
го дыхания, соответствующая ей функция R(t) и
спектр мощности |S(f)|2.
Как видно из графика нормированной автокор-
реляционной функции, ни один из ее пиков не пре-
восходит соответствующего порогового значения.
Таким образом, данный фрагмент классифициру-
ется как “шумовой”. Визуальный анализ времен-
И. В. Вовк, В. Ю. Семенов 19
ISSN 1028 -7507 Акустичний вiсник. 2005. Том 8, N 3. С. 17 – 23
Рис. 3. Фонограмма s(t),
автокорреляционная функция R(t)
и спектр мощности |S(f)|2 фрагмента
трахейного хрипа
ной зависимости сигнала и его спектра мощности
свидетельствует о справедливости вынесенного ре-
шения.
1.2. Трахейный сухой хрип с одной частотой на
фоне везикулярного дыхания
Теперь рассмотрим более сложный случай, ко-
гда фонограмма содержит как везикулярное дыха-
ние (т. е. шумовой сигнал), так и сухой хрип, содер-
жащий одну ярко выраженную частоту. На рис. 3
представлены такая фонограмма, соответствую-
щая ей функция R(t) и спектр мощности |S(f)|2 .
Как следует из визуального анализа временной
зависимости, в данном сложном сигнале преобла-
дает, хотя и незначительно, периодическая компо-
нента. Это в полной мере подтверждается и ана-
лизом функции R(t): ее пиковая величина (в мо-
мент времени t0 =6 мс, что соответствует частоте
f0 = 1/t0 = 167 Гц) превосходит соответствующее
значение переменного порога. Таким образом, при-
нимается решение о преобладании в данном си-
гнале периодической компоненты. Отметим, что
частота, соответствующая пику автокорреляцион-
ной функции, может отличаться в целое число раз
от частоты, преобладающей в спектре мощности
сигнала. Поэтому, если ставится задача не толь-
ко обнаружения хрипа, но и точного вычисления
преобладающих в нем частот, оно должно прово-
диться путем поиска максимума в спектре мощ-
ности. В данном примере в спектре сигнала прео-
бладает частота 2f0 =1/t0 =334 Гц.
2. ОБНАРУЖЕНИЕ В СУХОМ ХРИПЕ МНО-
ЖЕСТВЕННЫХ ГАРМОНИК
Рассмотрим сложный случай, когда в состав си-
гнала сухого хрипа входят несколько гармоник.
Хорошо известно, что при диагностировании па-
тологий дыхательных путей весьма важным явля-
ется не только обнаружение наличия периодиче-
ских компонент в сигнале, но и выявление всех до-
минирующих в его спектре частот, а также оценка
соотношений между ними [3]. Кроме того, дыха-
тельный сигнал может содержать несколько видов
хрипов, связанных с разными источниками их воз-
буждения [5]. В данном разделе предлагается про-
стой двухшаговый алгоритм анализа различных
частотных составляющих, присутствующих в си-
гнале.
1. Проводится классификация исходного сигна-
ла по принципу “шумовой/периодичный” с
помощью метода, описанного в предыдущем
разделе. Если сигнал классифицирован, как
“шумовой”, работа алгоритма прекращается.
В противном случае переходим к следующе-
му шагу.
2. В спектре мощности исходного сигнала опре-
деляется доминирующая частота, после чего
она удаляется из сигнала (например, простым
обнулением соответствующих ей спектраль-
ных отсчетов) и происходит переход к перво-
му шагу.
Продемонстрируем работу нашего алгоритма на
примере бронхиального сухого хрипа. На рис. 4
представлены фрагмент фонограммы такого хри-
па, нормированные автокорреляционные функ-
ции R(k)(t), k = 1, . . . , 5, соответствующие ка-
ждой из итераций алгоритма, и спектр мощности
|S(f)|2. В результате выполнения четырех итера-
ций было установлено наличие в сигнале периоди-
ческих компонент с частотами 83, 165, 248 и 329 Гц
(отношение 1 : 1.99 : 2.99 : 3.97). Автокорреляци-
онная функция, полученная на последней итера-
ции, также содержит пик, превосходящий порог.
Однако этот пик соответствует частоте 11 Гц, что
не может иметь места для дыхательного шума. Та-
ким образом, алгоритм завершает свою работу.
3. ВИЗУАЛИЗАЦИЯ РЕЗУЛЬТАТОВ РАБО-
ТЫ ПРЕДЛОЖЕННОГО МЕТОДА
Перейдем к рассмотрению процедуры визуали-
зации результатов работы предложенного мето-
да. На каждой из итераций описанного алгорит-
20 И. В. Вовк, В. Ю. Семенов
ISSN 1028 -7507 Акустичний вiсник. 2005. Том 8, N 3. С. 17 – 23
ма может быть вычислена относительная интен-
сивность соответствующей гармоники с помощью
очевидной из соотношения (7) формулы
δk =
R(k)(t = t
(k)
0 )/R(k)(t = 0)
1 − t
(k)
0 /T − R(k)(t = t
(k)
0 )/R(k)(t = 0)
,
где R(k)(t) – автокорреляционная функция, соо-
тветствующая k-ой итерации и имеющая пик в то-
чке t
(k)
0 .
После завершения выявления всех частотных
составляющих {fk, k=1, . . . , m} можно сформиро-
вать искусственный сигнал, имитирующий часто-
тный состав рассмотренного фрагмента:
s̃(t) =
m
∑
k=1
√
δk sin(2πfkt). (8)
Искусственный сигнал (8) формируется на ка-
ждом из интервалов анализа исходного дыхатель-
ного шума. В том случае, когда интервалы берутся
с перекрытием, сформированные сигналы s̃(t) со-
стыковываются (например, с помощью окна Хен-
нинга [8]). Несмотря на то, что сигнал (8) имеет
искусственный характер, с его помощью можно
обеспечить наглядную, очищенную от звуков ве-
зикулярного дыхания и “паразитных” шумов визу-
ализацию обнаруженных в сигнале сухих хрипов.
Далее это будет продемонстрировано на конкре-
тном примере.
На основе предложенного метода в вычисли-
тельной среде Matlab было создано программ-
ное обеспечение, предназначенное для выявления
и распознавания сухих хрипов. Структура ин-
терфейса данного программного продукта пред-
ставлена на рис. 5. Порядок работы разрабо-
танного программного продукта выглядит следу-
ющим образом. С помощью управляющей кно-
пки “Открыть файл” пользователь имеет возмож-
ность загрузить произвольный заранее записан-
ный звуковой файл, содержащий оцифрованную
фонограмму дыхательного шума. При этом в ра-
сположенном ниже этой кнопки информационном
окне отображаются название файла, соответству-
ющая ему частота дискретизации и общая про-
должительность записи. Одновременно на верх-
нем графике отображается фонограмма данного
дыхательного сигнала. Путем изменения число-
вых значений полей “Начальное время” и “Коне-
чное время” можно выделить из исходного сигна-
ла произвольный подфрагмент (что может быть
целесообразным при большом размере файла). За-
пуск утилиты обнаружения и распознавания хри-
пов осуществляется нажатием управляющей кно-
Рис. 4. Фонограмма хрипа, содержащего
несколько гармоник, автокорреляционные функции,
соответствующие пяти итерациям предложенного
алгоритма выявления частот, доминирующих
в спектре сигнала, и спектр мощности
пки “Поиск хрипов”. При этом пользователю пре-
доставляются возможности задания длины интер-
вала анализа T и порогового соотношения мощно-
стей периодической и шумовой компонент δпор пу-
тем изменения численных значений соответствую-
щих полей.
Отображаемые в основном окне результаты ра-
боты программы включают в себя:
• процентные доли интервалов, содержащих
хрипы (с указанием долей хрипов с едини-
чными и множественными гармониками);
• визуализацию результатов работы предло-
женного алгоритма, заключающуюся в по-
строении спектрограммы сигнала s̃(t), имити-
рующего частотный состав сухих хрипов (ни-
жний график).
Кроме того, путем нажатия клавиши “Допол-
нительная информация” может быть вызвано до-
полнительное информационное окно (см. рис. 5),
где в виде таблицы представлен подробный ана-
лиз участков сигнала, содержащих хрипы. Колон-
ки этой таблицы включают в себя:
• моменты начала и завершения каждого из
подынтервалов, содержащих хрипы;
• диапазон охватываемых хрипом частот;
• максимальное число гармоник на данном под-
ынтервале;
• среднее соотношение между частотами гармо-
ник;
И. В. Вовк, В. Ю. Семенов 21
ISSN 1028 -7507 Акустичний вiсник. 2005. Том 8, N 3. С. 17 – 23
Рис. 5. Интерфейс разработанного в вычислительной среде Matlab
программного обеспечения для автоматического обнаружения
и распознавания сухих хрипов
• информацию о предполагаемом типе сухого
хрипа в терминах принятых в медицине тра-
диционных вербальных моделей – она получа-
ется путем установления соответствия между
спектральными характеристиками сухих хри-
пов и их вербальными моделями (эта часть
работы программы основана на результатах
исследований, выполненных в [3]).
Интерфейс разработанного программного обе-
спечения, отображенный на рис. 5, соответству-
ет анализу участка сигнала бронхиального сухо-
го хрипа длительностью 5 секунд. Спектрограм-
ма сформированного искусственного сигнала, обе-
спечивающего визуализацию результатов работы
предложенного метода, представлена на нижнем
графике. Отметим, что в ней четко (без помех
шумовой составляющей исходного сигнала) ви-
дны все основные присутствующие в сигнале ча-
стотные составляющие сухих хрипов. При этом,
чем выше относительная интенсивность частотной
компоненты в исходной записи, тем четче выраже-
но ее присутствие в сгенерированном искусствен-
ном сигнале.
ЗАКЛЮЧЕНИЕ
Предложен эффективный метод автоматическо-
го обнаружения и распознавания сухих хрипов на
основе анализа их автокорреляционных функций.
Получено соотношение, связывающее мощности
периодической и шумовой компонент сигнала с пи-
ковым значением автокорреляционной функции.
На его основе предложен способ выявления сухих
хрипов путем сравнения пикового значения авто-
корреляционной функции с переменным порогом.
Обсуждаемый метод опробован на некоторых ти-
пах дыхательных шумов и в целом показал удов-
летворительные результаты. Он реализован в ал-
22 И. В. Вовк, В. Ю. Семенов
ISSN 1028 -7507 Акустичний вiсник. 2005. Том 8, N 3. С. 17 – 23
горитме, который не только выполняет классифи-
кацию рассматриваемого фрагмента дыхательного
сигнала по принципу “шумовой/периодический”,
но и позволяет определить значения всех часто-
тных составляющих, присутствующих в сигна-
ле. Кроме того, разработан эффективный способ
визуализации результатов работы предложенного
метода, основанный на формировании искусствен-
ного сигнала, имитирующего частотный состав
тональной составляющей исходного дыхательного
фрагмента.
1. Bentur L., Beck R., Berkowitz D., Hasnin G.,
Berger I., Irving C., Gavriely N. Adenosine bronchial
provocation in chronic cough – a study with automatic
wheeze detection // 25th Int. Conf. on Lung Sounds.–
Chicago, Illinois.– 2000.
2. Murphy R., Vyshedskiy A., Paciej R. Automated
analysis of squawks // 29th Int. Conf. on Lung
Sounds.– Glasgow, Scotland.– 2004.
3. Вовк И. В., Гринченко В. Т., Дахнов С. Л., Крижа-
новский В. В., Олийнык В. Н. Шумы дыхания че-
ловека: объективизация аускультативных призна-
ков // Акуст. вiсн.– 1999.– 2, N 3.– С. 11–32.
4. Gavriely N., Cugell D. Breath sounds methodology.–
Boca Raton: CRC Press, 1995.– 203 p.
5. Басовский В. Г., Вовк И. В., Вовк О. И. О воз-
можности генерирования тональных звуковых ко-
лебаний потоком воздуха в бронхах со стенозом //
Акуст. вiсн.– 2003.– 6, N 1.– С. 3–21.
6. Shabtai-Musih Y., Grotberg J. B., Gavriely N.
Spectral content of forced expiratory wheezes duri-
ng air, He and SF6 breathing in normal humans //
J. Appl. Physiol.– 1992.– 72.– P. 625–635.
7. Fenton T. R., Pasterkamp H., Tal A., Chernick V.
Automated spectral characterization of wheezing in
asthmatic children // IEEE Trans. Biomed. Engng.–
1985.– 32.– P. 50–55.
8. Рабинер Л., Шафер Р. Цифровая обработка рече-
вых сигналов.– М.: Радио и связь, 1981.– 496 с.
9. Маркел Дж., Грей А. Линейное предсказание
речи.– М.: Cвязь, 1977.– 308 с.
И. В. Вовк, В. Ю. Семенов 23
|
| id | nasplib_isofts_kiev_ua-123456789-501 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1028-7507 |
| language | Russian |
| last_indexed | 2025-12-07T18:55:17Z |
| publishDate | 2005 |
| publisher | Інститут гідромеханіки НАН України |
| record_format | dspace |
| spelling | Вовк, И.В. Семенов, В.Ю. 2008-04-23T11:16:30Z 2008-04-23T11:16:30Z 2005 Автоматическое обнаружение и распознавание сухих хрипов на основе анализа их автокорреляционной функции / И.В. Вовк, В.Ю. Семенов // Акуст. вісн. — 2005. — Т. 8, N 3. — С. 17-23. — Бібліогр.: 9 назв. — рос. 1028-7507 https://nasplib.isofts.kiev.ua/handle/123456789/501 534.7 Предложен эффективный метод автоматического обнаружения и распознавания сухих хрипов в звуках дыхания. Получено соотношение, связывающее акустические мощности периодической и шумовой компонент респираторного сигнала с пиковым значением автокорреляционной функции. Предложен способ выявления сухих хрипов, основанный на сравнении пикового значения автокорреляционной функции с переменным порогом. Важной особенностью метода является то, что он не только выполняет классификацию респираторного сигнала по принципу "шумовой/периодический", но и позволяет определить все частотные составляющие, присутствующие в сухом хрипе. Разработан эффективный способ визуализации результатов работы предложенного метода, основанный на формировании искусственного сигнала, имитирующего частотный состав исходного дыхательного фрагмента, содержащего сухой хрип. An efficient method for automatic detecting and recognizing wheezes in the breath sounds is proposed. A dependence is obtained which relates the acoustic powers of periodic and noise components of the respiratory signal with the peak value of normalized autocorrelation function. A method for wheeze detection, based on comparing the peak value of normalized autocorrelation function with varying threshold, is proposed. An important feature of the method is that it performs not only the classification by the "noise/periodic" property, but allows determining all frequency components present in a given wheeze. An efficient way for visualizing the proposed method's results is developed, that is based on forming the artificial signal that imitates frequency content of the initial breath fragment containing the wheeze. ru Інститут гідромеханіки НАН України Автоматическое обнаружение и распознавание сухих хрипов на основе анализа их автокорреляционной функции Automatic detection and recognition of wheezes based on the analysis of their autocorrelation function Article published earlier |
| spellingShingle | Автоматическое обнаружение и распознавание сухих хрипов на основе анализа их автокорреляционной функции Вовк, И.В. Семенов, В.Ю. |
| title | Автоматическое обнаружение и распознавание сухих хрипов на основе анализа их автокорреляционной функции |
| title_alt | Automatic detection and recognition of wheezes based on the analysis of their autocorrelation function |
| title_full | Автоматическое обнаружение и распознавание сухих хрипов на основе анализа их автокорреляционной функции |
| title_fullStr | Автоматическое обнаружение и распознавание сухих хрипов на основе анализа их автокорреляционной функции |
| title_full_unstemmed | Автоматическое обнаружение и распознавание сухих хрипов на основе анализа их автокорреляционной функции |
| title_short | Автоматическое обнаружение и распознавание сухих хрипов на основе анализа их автокорреляционной функции |
| title_sort | автоматическое обнаружение и распознавание сухих хрипов на основе анализа их автокорреляционной функции |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/501 |
| work_keys_str_mv | AT vovkiv avtomatičeskoeobnaruženieiraspoznavaniesuhihhripovnaosnoveanalizaihavtokorrelâcionnoifunkcii AT semenovvû avtomatičeskoeobnaruženieiraspoznavaniesuhihhripovnaosnoveanalizaihavtokorrelâcionnoifunkcii AT vovkiv automaticdetectionandrecognitionofwheezesbasedontheanalysisoftheirautocorrelationfunction AT semenovvû automaticdetectionandrecognitionofwheezesbasedontheanalysisoftheirautocorrelationfunction |