肺音是人体呼吸系统与外界在换气过程中产生的一种生理声信号,它与病理生理的相关性研究已成为肺音学、临床医学的重要研究课题。然而由于呼吸音的随机性、肺音录取设备的不完整性以及分析方法的多样性,致使肺音分析的结果有较大的差异。随着计算机技术及信号处理技术的不断进步,肺音识别作为一个热点课题日益受到关注。特征参数的提取是肺音识别的关键。特征提取的依据是利用有关数学工具,去掉对分类无用的信息,寻找最有效的信号特征来构成用于分类识别的模式特征向量。对于工作稳定的肺音分析系统来说,其传递函数保持不变,相应的幅频特性和相频特性也是固定的,因此所采集的肺音数据在某种程度上就能反映出被测信号的物理特性。 以前的研究表明,肺音信号由多频率成分构成并呈现明显的周期性波动,正常和异常肺音信号的能量空间分布会发生相应变化,能量的改变就意味着信号特征的改变,也就是说信号各频率成分能量的不同可以体现不同的被测信号的特性。但一般的变换方法(如短时傅立叶变换)很难提取这些特征,因此本研究提出了基于信号能量的非平稳肺音信号识别的新方法。 使用具有时频局域功能的多分辨率小波分析可以达到此目的。小波分析的实质是对原始信号的滤波过程(一系列恒Q的带通滤波器)。它将信号投影到一组互相正交的小波函数构成的子空间上,形成信号在不同尺度上的展开。从频谱分析的角度看,小波变换是将信号分解成低频和高频两部分,在下一层的分解中,又将低频部分再分解成更低频和高频两部分,依此类推,完成更深层次的小波分解。小波变换的这种“自适应性”和“数学显微镜”特点,使它成为许多学科共同关注的焦点,并在信号处理、故障检测等领域起着十分重要的作用。 研究中首先对采集到的肺音数据进行预处理,确定了四种典型的肺音信号(正常、气管炎、肺炎和哮喘)为样本数据。通过分析肺音信号的特性及时频分布特点,选择了具有任意多分辨分解特性的小波。对小波进行空间划分后确定了分解层数,并对肺音信号进行了快速多尺度的小波变换,得到各节点的高维小波系数矩阵,建立了小波系数与信号能量在时域上的等价关系。用小波系数的能量构造分类神经网络的输入特征矢量,这就把原始的高维小波系数空间转变成低维的能量特征空间,大大降低了输入特征的维数,简化了分类神经网络的结构,取得了较好的结果,使识别率达到89.75%。 研究中采用学习机制,形成了稳定有效的样本库,进一步提高了识别效果。 同时,本研究还生成了“肺音分析与识别”的软硬件系统。经验证本文所采