CN109788922A - 咽下诊断装置以及程序 - Google Patents

咽下诊断装置以及程序 Download PDF

Info

Publication number
CN109788922A
CN109788922A CN201780058289.4A CN201780058289A CN109788922A CN 109788922 A CN109788922 A CN 109788922A CN 201780058289 A CN201780058289 A CN 201780058289A CN 109788922 A CN109788922 A CN 109788922A
Authority
CN
China
Prior art keywords
swallowing
swallow
swallows
information
characteristic quantity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201780058289.4A
Other languages
English (en)
Inventor
吉冈理文
井上胜文
越久仁敬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
EUSENSE MEDICAL Co Ltd
J CRAFT Co Ltd
Hyogo College of Medicine
Osaka Prefecture University PUC
Original Assignee
EUSENSE MEDICAL Co Ltd
J CRAFT Co Ltd
Hyogo College of Medicine
Osaka Prefecture University PUC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by EUSENSE MEDICAL Co Ltd, J CRAFT Co Ltd, Hyogo College of Medicine, Osaka Prefecture University PUC filed Critical EUSENSE MEDICAL Co Ltd
Publication of CN109788922A publication Critical patent/CN109788922A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
    • A61B5/4205—Evaluating swallowing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0816—Measuring devices for examining respiratory frequency
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0826—Detecting or evaluating apnoea events
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B7/00—Instruments for auscultation
    • A61B7/003—Detecting lung or respiration noise
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B7/00—Instruments for auscultation
    • A61B7/008—Detecting noise of gastric tract, e.g. caused by voiding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0204—Acoustic sensors
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0247—Pressure sensors
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1107—Measuring contraction of parts of the body, e.g. organ, muscle
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Pulmonology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Fuzzy Systems (AREA)
  • Endocrinology (AREA)
  • Gastroenterology & Hepatology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

咽下诊断装置(100)具备：第1咽下判定部(116b)，其根据从压力传感器(114)输出的呼吸压数据检测由咽下估计部(116a)估计为出现咽下的期间的前后的呼吸相，基于检测到呼吸相来判定在该咽下中是否有误咽的风险；第2咽下判定部(116c)，其在包含由咽下估计部(116a)估计为出现咽下的期间的给定的期间提取从声音传感器(131a)输出的生物体音数据，从提取的生物体音数据取得特征量，对取得的所述特征量执行机器学习处理来判定该咽下中是否有咽下障碍的可能性；和显示控制部(116d)，其使显示部(111)显示各咽下判定部的判定结果。

Description

咽下诊断装置以及程序
技术领域
本发明涉及用于诊断误咽的风险的咽下诊断装置以及对计算机赋予该咽下诊断的功能的程序。
背景技术
由误咽引起的误咽性肺炎特别在高龄者中成为深刻的问题。所谓“误咽”是指不能合适地使咽下发生而吞入的东西不是进入食道而是进入气管的病态。现在期望开发能合适地诊断误咽的风险的咽下诊断装置。
在专利文献1中记载了如下那样的***：从咽的加速度信号提取特征，以提取的特征为基础，通过辐射基函数神经网络将咽下活动(咽下、误咽等)进行分类。在此，作为从加速度信号提取的特征而使用稳态性、归一性、偏差率。另外，对分类的咽下活动用颜色区分显示咽下和误咽。
现有技术文献
专利文献
专利文献1：JP特表2008-502386号公报
发明内容
发明要解决的课题
误咽会作为个人的特性(习惯等)被年龄或疾病修饰的结果而出现。另外，另一方面，即使个人没有那样的特性，也会由疾患等引起的咽下障碍成为原因而出现误咽。因此，患者中的误咽的风险期望从这两侧面综合判断。
鉴于相关课题，本发明目的在于，提供医师等使用者能多方面且综合地判断患者中的误咽的风险的咽下诊断装置及其程序。
用于解决课题的手段
本发明的第1方案涉及咽下诊断装置。该方案所涉及的咽下诊断装置具备：声音检测部，其检测喉头部的声音；呼吸检测部，其检测呼吸；咽下估计部，其基于从所述声音检测部输出的声音信息中取得满足咽下的估计条件的特征量的生物体音产生区间和从所述呼吸检测部输出的呼吸信息中给定时间以上未检测到呼吸的无呼吸区间相互符合，来估计为出现咽下；第1咽下判定部，其从所述呼吸信息检测由所述咽下估计部估计为出现咽下的期间的前后的呼吸相，基于检测到呼吸相来判定该咽下中是否有误咽的风险；第2咽下判定部，其在包含由所述咽下估计部判定为出现咽下的期间的给定的期间提取包含所述声音信息以及所述呼吸信息的至少一方的参考信息，从提取的所述参考信息取得特征量，对取得的所述特征量执行机器学习处理，来判定在该咽下中是否有咽下障碍的可能性；和显示控制部，其使显示部显示所述第1咽下判定部的判定结果和所述第2咽下判定部的判定结果。
根据本方案所涉及的咽下诊断装置，由第1咽下判定部判定作为将个人的特性(习惯等)通过年龄或疾病修饰的结果而出现的误咽的风险，另外，由第2咽下判定部判定咽下障碍的可能性。然后将这些判定结果显示在显示部，提示给医师等使用者。由此医师等使用者通过参考这些判定结果，能多方面且综合地判断患者中的误咽的风险，能更合适地诊断患者中的误咽的风险。
另外，根据本方案所涉及的咽下诊断装置，由于使用为了咽下估计而取得的信息(声音信息、呼吸信息)来进行第1咽下判定部中的判定和第2咽下判定部中的判定，因此在这些判定中可以不从患者另外取得信息。因而能使咽下诊断装置的结构简单，另外，能减轻这些判定中的处理负担。
在本方案所涉及的咽下诊断装置中，能构成为，所述第2咽下判定部提取所述声音信息作为所述参考信息，从提取的所述声音信息取得所述特征量，对取得的所述特征量执行机器学习处理来判定在该咽下中是否有咽下障碍的可能性。如此，如以下的实施方式中作为验证结果示出的那样，能提高咽下障碍的可能性的判定精度。
在该情况下，能构成为，所述第2咽下判定部进一步提取所述呼吸信息作为所述参考信息，从提取的所述呼吸信息取得特征量，对从所述呼吸信息取得的所述特征量和从所述声音信息取得的特征量执行机器学习处理，来判定在该咽下中是否有咽下障碍的可能性。如此，如以下的实施方式中作为验证结果示出的那样，能进一步提高咽下障碍的可能性的判定精度。
另外，本方案所涉及的咽下诊断装置能构成为，还具备：位移检测部，其检测喉头部的位移，所述第2咽下判定部进一步在包含估计为出现咽下的所述期间的所述给定的期间提取从所述位移检测部输出的位移信息，作为所述参考信息，从提取的所述位移信息取得特征量，对从所述位移信息取得的所述特征量和从所述声音信息以及所述呼吸信息分别取得的特征量执行机器学习处理，来判定在该咽下中是否有误咽的可能性。如此，如以下的实施方式中作为验证结果示出的那样，能更进一步提高咽下障碍的可能性的判定精度。
在该情况下，能构成为，在所述生物体音产生区间和所述无呼吸区间符合，且在所述所述生物体音产生区间中所述位移信息的振幅超过给定的阈值的情况下，所述咽下估计部估计为出现咽下。于是，能提高咽下估计的精度。
在本方案所涉及的咽下诊断装置中，能构成为，所述第2咽下判定部将所述参考信息进行傅立叶变换来取得频谱，对取得的频谱运用线性预测分析来求取谱包络，对求得的谱包络以给定频率间隔进行采样，来取得所述特征量。如此，如以下的实施方式中作为验证结果示出的那样，在咽下障碍的可能性的判定中，能得到高的判定精度。
在该情况下，能构成为，所述第2咽下判定部将所述频谱按每个给定的频率带进行分割，对每个所述频率带运用线性预测分析来求取谱包络，对求得的各频率带的谱包络以给定频率间隔进行采样，来取得所述特征量。如此，如以下的实施方式中作为验证结果示出的那样，能更进一步提高咽下障碍的可能性的判定精度。
或者，能构成为，所述第2咽下判定部将所述参考信息进行傅立叶变换来取得频谱，对取得的频谱运用线性预测分析来取得线性预测分析中的各阶数的系数，将取得的系数群作为所述特征量取得。在该情况下，也如以下的实施方式中作为验证结果所示那样，能在咽下障碍的可能性的判定中得到高的判定精度。
在本方案所涉及的咽下诊断装置中，优选地，所述第2咽下判定部中的所述机器学习处理是支持向量机。由此，如以下的实施方式中作为验证结果所示那样，能以高的精度判定咽下障碍的可能性。
本发明的第2方案涉及咽下诊断装置。该方案所涉及的咽下诊断装置具备：声音检测部，其检测喉头部的声音；呼吸检测部，其检测呼吸；咽下估计部，其基于从所述声音检测部输出的声音信息中取得满足咽下的估计条件的特征量的生物体音产生区间和从所述呼吸检测部输出的呼吸信息中给定时间以上未检测到呼吸的无呼吸区间相互符合，来估计为出现咽下；和咽下判定部，其在包含由所述咽下估计部估计为出现咽下的期间的给定的期间提取包含所述声音信息以及所述呼吸信息的至少一方的参考信息，将提取的所述参考信息进行傅立叶变换来取得频谱，对取得的频谱运用线性预测分析来求取谱包络，对求得的谱包络以给定频率间隔进行采样来取得特征量，对取得的所述特征量执行机器学习处理来判定在该咽下中是否有咽下障碍的可能性。
根据本方案所涉及的咽下诊断装置，如以下的实施方式中作为验证结果所示那样，能以高的精度判定咽下障碍的可能性。
另外，在第2方案中，优选构成为，咽下判定部将所述频谱按每个给定的频率带进行分割，对每个所述频率带运用线性预测分析来求取谱包络，对求得的各频率带的谱包络以给定频率间隔进行采样，来取得所述特征量。如此，如以下的实施方式中作为验证结果示出的那样，能更进一步提高咽下障碍的可能性的判定精度。
或者，能构成为，所述第2咽下判定部将所述参考信息进行傅立叶变换来取得频谱，对取得的频谱运用线性预测分析来取得线性预测分析中的各阶数的系数，将取得的系数群作为所述特征量而取得。在该情况下，也如以下的实施方式中作为验证结果所示那样，能在咽下障碍的可能性的判定中得到高的判定精度。
本发明的第3方案是对计算机赋予上述第1方案所涉及的所述咽下估计部、所述第1咽下判定部、所述第2咽下判定部以及所述显示控制部的功能的程序。
根据本方案所涉及的程序，能得到与上述第1方案同样的效果。
发明的效果
如以上那样，根据本发明，能提供医师等使用者能多方面且综合地判断患者中的误咽的风险的咽下诊断装置以及其程序。
本发明的效果或意义通过以下所示的实施方式的说明会得到进一步的明确。但以下所示的实施方式只是实施本发明时的一个例示，本发明并不受以下的实施方式的任何限制。
附图说明
图1是表示实施方式所涉及的咽下诊断装置的结构的外观图。
图2是表示实施方式所涉及的咽下诊断装置的结构的框图。
图3的(a)～(c)分别是表示实施方式所涉及的呼吸压数据、生物体音数据以及喉头位移数据的一例的图。
图4的(a)是示意表示实施方式所涉及的谱图的图。图4的(b)是示意表示实施方式所涉及的梅尔频率谱图的图。图4的(c)是表示实施方式所涉及的连续小波变换的脉冲的图。图4的(d)是放大地示意表示实施方式所涉及的连续小波变换的脉冲的图。
图5的(a)是表示实施方式所涉及的咽下诊断装置中的各种数据的取得处理的流程图。图5的(b)是表示实施方式所涉及的咽下诊断装置中的咽下诊断处理的流程图。
图6是表示实施方式所涉及的咽下诊断装置中的第1咽下判定处理的流程图。
图7是表示实施方式所涉及的咽下诊断装置中的第2咽下判定处理的流程图。
图8是表示实施方式所涉及的第2咽下判定处理中的各种数据的提取区间的设定方法的图。
图9的(a)、(b)是在实施方式所涉及的验证1中表示LPC谱的参数值的取得方法的图。
图10的(a)～(c)分别是在实施方式所涉及的验证1中表示作为特征参数而利用LPC谱的情况下的验证结果的图。
图11的(a)～(c)分别是在实施方式所涉及的验证1中表示作为特征参数而利用LPC阶数的系数的情况下的验证结果的图。
图12的(a)～(c)分别是在实施方式所涉及的验证1中表示作为特征参数而利用MFCC的情况下的验证结果的图。
图13的(a)～(c)分别是将实施方式所涉及的验证1的验证结果按每个数据的种类(喉头位移、呼吸压、咽下音)汇总的图。
图14是在实施方式所涉及的验证2中以数值表示通过非时间序列的LPC谱取得特征参数值的情况下的验证结果的图。
图15是在实施方式所涉及的验证2中以数值表示通过时间序列的LPC谱取得特征参数值的情况下的验证结果的图。
图16是在实施方式所涉及的验证2中表示对健康人数据通过非时间序列的LPC谱取得特征参数值的情况下的验证结果的图表。
图17是在实施方式所涉及的验证2中表示对患者数据通过非时间序列的LPC谱取得特征参数值的情况下的验证结果的图表。
图18是在实施方式所涉及的验证2中表示对健康人数据通过时间序列的LPC谱取得特征参数值的情况下的验证结果的图表。
图19是在实施方式所涉及的验证2中表示对患者数据通过时间序列的LPC谱取得特征参数值的情况下的验证结果的图表。
图20的(a)是将实施方式所涉及的验证2的验证结果汇总成表的图。图20的(b)是将实施方式所涉及的验证3的验证结果汇总成表的图。
图21是在实施方式所涉及的验证3中表示对健康人数据利用时间序列的LPC谱进行特征量的提取的情况下的验证结果的图表。
图22是在实施方式所涉及的验证3中表示对患者数据使用时间序列的LPC谱进行特征量的提取的情况下的验证结果的图表。
图23的(a)是表示显示实施方式所涉及的咽下诊断装置的诊断结果的画面的结构的图。图23的(b)～(e)分别是表示实施方式所涉及的第1判定结果的显示方式的图。
图24是在实施方式所涉及的咽下诊断装置中示意表示用于更新第2咽下判定部所使用的教导数据的***结构的图。
图25是表示变更例所涉及的咽下诊断装置的结构的外观图。
但附图仅用来说明，并不限定本发明的范围。
具体实施方式
图1是表示本实施方式所涉及的咽下诊断装置100的结构的外观图。
咽下诊断装置100具备终端装置110、鼻套管120和检测部130。
终端装置110具备显示部111和输入部112。终端装置110构成为患者能容易地随身携带、小且轻量。显示部111由彩色的液晶计数器构成。输入部112具备用于使咽下诊断开始以及结束的按钮112a。进而，输入部112通过将外罩112b开放而具备用于动作设定的键群。
鼻套管120具备：具有一对筒状构件的安装部121；和与安装部121的两端连接的软管122。安装部121的一对筒状构件***患者的鼻腔，软管122的另一端与终端装置110连接。由此，若患者进行呼吸，则软管122内的空气流动，软管122内的空气的流动被终端装置110内的压力传感器114(参考图2)检测为压力。另外，在患者用嘴呼吸的情况下，也由于鼻腔和口腔相连，因此软管122内的空气流动而压力发生变化。
检测部130具备薄型而有柔软性的衬垫131、和线缆132。衬垫131贴附在患者的喉头部。衬垫131具备：用于检测喉头部的声音的声音传感器131a(参考图2)；和用于对应于喉头部的变形而通过压力来检测舌骨的位移的位移传感器131b(参考图2)。线缆132的另一端与终端装置110连接。
另外，鼻套管120和压力传感器114构成呼吸检测部。另外，声音传感器131a构成声音检测部，位移传感器131b构成位移检测部。从压力传感器114输出的压力信号、从声音传感器131a输出的声音信号以及从位移传感器131b输出的位移信号分别是呼吸信息、声音信息以及位移信息的一例。
图2是表示咽下诊断装置100的结构的框图。
终端装置110除了具备图1所示的显示部111、输入部112以外，还具备声音输出部113、压力传感器114、A/D变换部115、控制部116和存储部117。
声音输出部113具备蜂鸣器或扬声器，通过来自控制部116的控制来将给定的声音输出到外部。
压力传感器114将从鼻套管120的软管122引导的空气的流动检测为压力，将检测到的模拟的压力信号输出到A/D变换部115。检测部130具备声音传感器131a和位移传感器131b。声音传感器131a检测患者的喉头部近旁的声音，将检测到的模拟的声音信号输出到A/D变换部115。位移传感器131b将患者的喉头部的变形检测为舌骨的位移，将检测到的模拟的位移信号输出到A/D变换部115。
A/D变换部115以给定周期采样从压力传感器114、声音传感器131a以及位移传感器131b分别输出的压力信号、声音信号以及位移信号，将与各个采样信号对应的数字数据输出到控制部116。
以下，将对压力信号、声音信号以及位移信号进行A/D变换而得到的数字数据分别称作呼吸压数据、生物体音数据以及喉头位移数据。
控制部116具备CPU(Central Processing Unit，中央处理器)等运算处理电路，遵循存放于存储部117的程序来控制终端装置110的各部。存储部117具备ROM(Read OnlyMemory，只读存储器)和RAM(Random Access Memory，随机存取存储器)等存储介质，存储控制部116所执行的程序。另外，存储部117在控制部116中的处理中作为工作区利用。
控制部116通过存储于存储部117的程序而被赋予咽下估计部116a、第1咽下判定部116b、第2咽下判定部116c和显示控制部116d的功能。该程序可以预先安装在存储部117，或者可以从能拆装的存储介质或通信网络下载到存储部117。
咽下估计部116a基于从A/D变换部115输入的呼吸压数据、生物体音数据以及喉头位移数据来估计由患者进行了咽下。关于咽下估计部116a中的咽下的估计方法，随后参考图3的(a)～(c)以及图4的(a)～(d)进行说明。
第1咽下判定部116b对由咽下估计部116a估计的咽下判定是否有误咽的风险。该判定基于从A/D变换部115输入的呼吸压数据进行。关于第1咽下判定部116b中的咽下风险的判定方法，随后参考图6进行说明。
第2咽下判定部116c对由咽下估计部116a估计的咽下判定是否有误咽障碍的可能性。该判定基于从A/D变换部115输入的呼吸压数据、生物体音数据以及喉头位移数据的至少1者进行。在本实施方式中，第2咽下判定部116c中的判定使用呼吸压数据、生物体音数据以及喉头位移数据的全部来进行。关于第2咽下判定部116c中的咽下障碍的可能性的判定方法，随后参考图7以及图8进行说明。
显示控制部116d执行构成包含第1咽下判定部116b以及第2咽下判定部116c中的判定结果的画面并使显示部111显示的处理。关于由显示控制部116d构成的画面，随后参考图23的(a)、(b)进行说明。
<咽下估计方法>
接下来参考图3的(a)～(c)以及图4的(a)～(d)来说明咽下估计部116a中的咽下的估计方法。
图3的(a)～(c)分别是表示呼吸压数据、生物体音数据以及喉头位移数据的一例的图。在图3的(a)～(c)中，同一期间取得的生物体音数据、呼吸压数据和喉头位移数据作为A/D变换前的模拟信号的波形而示出。横轴是时间(秒)，纵轴是归一化后的强度。
咽下估计部116a通过对生物体音数据进行短时间傅立叶变换来作成谱图，基于作成的谱图提取生物体音产生区间。具体地，咽下估计部116a对全区间的生物体音数据，将窗函数(采样范围)设定为1.5秒来切出生物体音数据，实施短时间傅立叶变换，作成图4的(a)所示那样的谱图。即，咽下估计部116a在单位时间宽度(1.5秒宽度)进行傅立叶变换，一边每0.2秒对其进行偏移一边依次进行变换，来作成谱图。图4的(a)所示的示例是对20个单位时间宽度、即4秒作成的谱图。
咽下估计部116a通过求取作成的谱图的振幅的总和而变换成信号强度数据，将超过噪声平均+2SD(标准偏差)的区间作为生物体音产生区间而提取。由此对全区间的生物体音数据确定生物体音产生区间。在图3的(b)、(c)中附记如此提取的生物体音产生区间。
接下来，咽下估计部116a在呼吸压数据中提取值成为考虑了噪声的阈值以下的区间，作为无呼吸区间。由此，对全区间的呼吸压数据设定无呼吸区间。在图3(a)中附记如此提取的无呼吸区间。
接下来，咽下估计部116a在生物体音产生区间根据上述的谱图作成图4的(b)所示那样的梅尔频率谱图。在图4的(b)中，纵轴成为梅尔刻度。因此，图4的(b)的梅尔频率谱图与图4的(a)的频率谱图相比，低频段的坐标轴被伸长，高频段的坐标轴被压缩。由此提高了低频段的分辨率。
接下来，咽下估计部116a在生物体音产生区间中对上述的短时间傅立叶变换后的数据通过连续小波变换进行脉冲化，生成图4的(c)所示那样的脉冲。另外，在图4的(c)的示例中，在生物体音产生区间中包含6个脉冲，若将它们放大来示意示出，则如图4的(d)所示那样包含多个具有不同宽度的脉冲。
接下来，咽下估计部116a提取生物体音产生区间当中满足以下的全部3个条件的部分。
第1个条件是在生物体音产生区间包含成为给定的阈值以上的振幅。例如在图3(c)的示例中，生物体音产生区间的喉头位移数据的振幅A1大。如此，在生物体音产生区间中喉头位移数据的振幅变大的情况下，满足第1个条件。在咽下时，舌骨在上升后向前位移，之后回到原本的位置。第1个条件是基于喉头位移数据来判定这样的现象是否在生物体音产生区间出现的条件。
第2个条件是在生物体音产生区间的梅尔频率谱图中750Hz以上的谱的总和(功率)的比率为给定比率(例如15％)以上。通常，咽下音包含高频分量。第2个条件是基于生物体音数据来判定与咽下音对应的声音的频率是否在生物体音产生区间出现的条件。例如在图4的(b)的示例中，在生物体音产生区间的梅尔频率谱图中，若750Hz以上的谱的总和的比率超过15％，就满足第2个条件。另外，在此将阈值设定为750Hz，但该阈值能通过将咽下音的实测值统计化而适当变更为其他频率。
第3个条件是在生物体音产生区间中图4的(c)所示的脉冲的数量为给定数(例如50个)以下且在生物体音产生区间中生成的脉冲当中最大脉冲宽度为给定值(例如15msec)以下。这是因为，能以断续性和连续性的观点来区别咽下音和其他声音。断续性越高则短的宽度的脉冲呈现得越多，连续性越高则脉冲的数量越少，脉冲宽度变长。第3个条件是基于生物体音数据来判定是否在生物体音产生区间出现与咽下音对应的声音的断续性和连续性的条件。
例如在图4的(c)、(d)所示的示例中，若在生物体音产生区间中脉冲数N为50个以下且最大脉冲宽度W为15msec以下，则满足第3个条件。另外，在此将脉冲数的阈值设定为50个，将最大脉冲宽度的阈值设定为15msec，但脉冲数的阈值和最大脉冲宽度的阈值能通过将咽下音的实测值统计化而适当变更为其他数以及时间宽度。
咽下估计部116a判定在无呼吸区间中是否包含满足上述3个条件的生物体音产生区间。一般，咽下时呼吸停止。咽下估计部116a在满足上述3个条件的生物体音产生区间包含在无呼吸区间的情况下，将该生物体音产生区间估计为出现咽下的区间。
另外，也可以将上述3个条件当中第1个条件(喉头位移的振幅)除外。但包含第1个条件能进一步提高咽下估计的精度。
<咽下诊断处理>
接下来，参考图5的(a)～图7来说明咽下诊断时的处理。
图5的(a)是表示各种数据的取得处理的流程图。
若操作图1所示的按钮112a，开始对患者的咽下诊断，则控制部116使压力传感器114、声音传感器131a以及位移传感器131b动作，分别连续取得呼吸压数据、生物体音数据以及喉头位移数据，使取得的各数据随时存储在存储部117(S101～S103)。控制部116直到二再度操作按钮112a而咽下诊断结束为止(S104“是”)都继续步骤S101～S103的处理。
图5的(b)是表示咽下诊断处理的流程图。图5的(b)的流程图中所含的步骤当中步骤S201～S204由咽下估计部116a执行，步骤S205由第1咽下判定部116b执行，步骤S206由第2咽下判定部116c执行，步骤S207由显示控制部116d执行。
若开始咽下诊断，则咽下估计部116a实时地依次参考连续存储于存储部117的呼吸压数据、生物体音数据以及喉头位移数据，重复执行步骤S201～S203的处理。首先，咽下估计部116a从呼吸压数据提取无呼吸区间(S201)，从生物体音数据提取生物体音产生区间(S202)。然后咽下估计部116a对提取的无呼吸区间和生物体音产生区间判定是否满足参考图3(a)～图4的(d)说明的咽下的条件(S203)。更详细地，咽下估计部116a判定生物体音产生区间中的各数据是否满足上述3个条件且生物体音产生区间是否包含在无呼吸区间中。
在步骤S203的判定为“是”的情况下，咽下估计部116a估计为在该生物体音产生区间进行了咽下，将该生物体音产生区间设定为咽下音产生区间(S204)。若如此进行出现咽下的估计，则由第1咽下判定部116b以及第2咽下判定部116c执行咽下判定处理(S205)。
若在步骤S205由第1咽下判定部116b以及第2咽下判定部116c执行咽下判定处理，则显示控制部116d使显示部111显示第1咽下判定部116b以及第2咽下判定部116c的判定结果(S206)。之后，若咽下诊断处理未结束(S207“否”)，则控制部116使处理回到S201，对后续的各数据执行同样的处理。由此，随时更新显示部111的显示。
<第1咽下判定处理>
图6是表示在图5的(b)的步骤S205由第1咽下判定部116b执行的第1咽下判定处理的流程图。
第1咽下判定部116b基于存储于存储部117的呼吸压数据取得紧挨在步骤S204设定的咽下音产生区间(出现咽下的生物体音产生区间)之前和之后的呼吸相(S301)。然后第1咽下判定部116b判定紧挨咽下音产生区间之前是否是吸气相(S302)，进而判定紧接咽下音产生区间之后是否是吸气相(S303)。
第1咽下判定部116b若在S301、S302的任意一方判定为“是”，即判定为咽下音产生区间的前后的呼吸相当中至少一方是吸气相，则判定为在该咽下音产生区间中有误咽的风险(S304)。另一方面，第1咽下判定部116b若在S302、S303的两方判定为“否”，即判定为咽下音产生区间的前后的呼吸相的两方是呼气相，则判定为在该咽下音产生区间没有误咽的风险(S305)。
<第2咽下判定处理>
图7是表示在图5的(b)的步骤S205由第2咽下判定部116c执行的第2咽下判定处理的流程图。
第2咽下判定部116c在包含咽下音产生区间的给定的区间(以下称作“提取区间”)提取呼吸压数据、生物体音数据以及喉头位移数据，对提取的各数据取得给定的特征参数值(矢量)(S401)。这里取得的特征参数值在后续的步骤S402是在支持向量机(以下称作“SVM”)进行的机器学习处理中进行处置的参数的值。例如特征参数值如以下那样设定。
首先，对在提取区间提取的呼吸压数据、生物体音数据以及喉头位移数据进行傅立叶变换，取得频谱。接下来对取得的频谱运用线性预测分析(LPC)来求取谱包络。然后以给定频率间隔对求得的谱包络进行采样，取得由这些样本值群构成的矢量作为上述特征参数值(特征量)。
图8是表示第2咽下判定处理中的各种数据的提取区间的设定方法的图。
如图8所示那样，提取区间被设定成包含生物体音产生区间(咽下音产生区间)。在此，基于喉头位移数据来设定提取区间。即，以在生物体音产生区间中喉头位移成为最大峰值的位置为中心，前后2秒的范围的区间被设定为提取区间。
另外，在此，提取区间被设定为4秒，但提取区间的时间长度并不限定于此。可以说，一般地，咽下所需的期间是2秒程度。因此，为了对呼吸压数据、生物体音数据以及喉头位移数据取得基于咽下的特征量，将提取区间设定为包含生物体音产生区间且成为2秒以上的时间长度即可。例如可以将以在生物体音产生区间中喉头位移成为最大峰值的位置为中心，前后1.5秒的范围的区间设定为提取区间。或者，可以将生物体音产生区间的开始定时起2秒程度的区间设定为提取区间，也可以将从生物体音产生区间的开始定时稍前的定时起3秒程度的区间设定为提取区间。
回到图7，若在步骤S401从呼吸压数据、生物体音数据以及喉头位移数据取得特征参数值，则第2咽下判定部116c基于取得的特征参数值(矢量)执行SVM的机器学习处理，判定该特征参数值属于咽下障碍的阳性以及阴性的哪个区域(S402)。
在图2的存储部117，存储SVM进行的机器学习处理中所用的教导数据群(咽下障碍阳性的样本数据群以及咽下障碍阴性的样本数据群)。第2咽下判定部116c基于存储于存储部117的教导数据群来设定在SVM中区分咽下障碍的阳性和阴性的边界。或者，也可以取代教导数据群，在存储部117存储规定SVM中区分咽下障碍的阳性和阴性的边界的数据。
在该特征参数值属于阳性的区域的情况下(S402：阳性)，第2咽下判定部116c判定为有咽下障碍的可能性(S403)。另外，在该特征参数值属于阴性的区域的情况下(S402：阴性)，第2咽下判定部116c判定为没有咽下障碍的可能性(S404)。进而，第2咽下判定部116c对该特征参数值取得咽下障碍度(阳性、阴性的程度)(S405)。
在此，咽下障碍度根据该特征参数值相对于SVM中的阳性区域与阴性区域的边界离开何种程度来求取。即，在特征参数值包含在阴性的区域中的情况下，特征参数值的位置与边界之间的距离越大则阴性的程度越高。另外，在特征参数值包含在阳性的区域的情况下，特征参数值的位置与边界之间的距离越大则阳性的程度越高。
本申请的发明者们对在第2咽下判定部116c取得的特征参数值进行种种研讨，锐意探求咽下障碍的判定中优选的特征参数值是什么。以下说该研讨中的验证结果。
<验证1>
在验证1中，对咽下障碍的判定精度与特征参数的关系进行了研讨。在此，作为特征参数而研讨LPC谱和LPC系数，作为比较对象而研讨MFCC(梅尔频率倒谱系数)。
首先，参考图9的(a)、(b)来说明LPC谱的特征参数值的取得方法和LPC系数的特征参数值的取得方法。
在图9的(a)、(b)中，为了方便而示出对基于给定的声音的波形数据进行傅立叶变换时的频谱、和对该频谱运用线性预测分析(LPC)时的谱包络。在图9的(a)、(b)中分别示出将线性预测分析的运算式的最大阶数设为8阶、16阶时的谱包络。
在LPC谱的参数值的取得中，首先，对成为取得对象的波形数据运用傅立叶变换，取得对该波形数据的频谱。接下来，对取得的频谱运用线性预测分析(LPC)来求取谱包络，以给定频率间隔对求得的谱包络进行采样来取得样本值。例如以横轴10Hz周期对图9的(a)、(b)所示的谱包络进行采样，取得各采样中的谱包络的功率值。取得如此得到的一系列功率值的群作为LPC谱的参数值(矢量)。
在图9的(a)、(b)中，由于线性预测分析中的运算式的阶数不同，因此得到的谱包络的波形相互不同。由此，在图9的(a)、(b)中，通过LPC谱得到的参数值(矢量)相互不同。由于运算式的阶数越高，越细致地得到沿着频谱的谱包络，越易于通过频谱得到适合的特征参数值。反过来，由于若运算式的阶数过度高，则谱包络中易于呈现噪声的影响，因此特征参数值中也易于出现噪声的影响。因此，在LPC谱的特征参数中，运算式的阶数设定为何种程度是重要的。
另外，在上述的线性预测分析中，对运算式的各阶数的系数进行调整来获得谱包络。因此，若频谱不同，则运算式的各阶数的系数也不同，另外，若运算式的阶数不同，则各阶数的系数也不同。对上述基于LPC系数的特征参数，取得在频谱运用线性预测分析时的运算式中的各阶数的系数群，作为特征参数值(矢量)。
在验证1中，对将在提取区间中提取的呼吸压数据、生物体音数据以及喉头位移数据进行傅立叶变换后的频谱，根据LPC谱、LPC系数以及MFCC取得特征参数值(矢量)。另外，在此，将提取区间并不设为图8所示的提取区间(4秒)，而是设为从生物体音产生区间的开始起2秒期间。
在LPC谱和LPC系数中，都取得将运算式的最大阶数设为8、16、32时的参数值，对各阶数的参数值，通过基于SVM的机器学习处理来评价咽下障碍的阳性/阴性。另外，SVM的核心使用RBF(Radial Basis Function，径向基函数)。
对从健康人取得的114个样本数据(呼吸压数据、生物体音数据、喉头位移数据)和从患者取得的64个样本数据(呼吸压数据、生物体音数据、喉头位移数据)的合计178个样本数据，进行基于交叉检验(10-fold cross validation，十折交叉验证)的验证。
图10的(a)～(c)分别是在验证1中表示作为特征参数而利用LPC谱的情况下的验证结果的图。图11的(a)～(c)分别是在验证1中表示作为特征参数而利用LPC阶数的系数的情况下的验证结果的图。图12的(a)～(c)分别是在验证1中表示作为特征参数而利用MFCC的情况下的验证结果的图。
图13的(a)～(c)分别是将验证1的验证结果按每个数据的种类(喉头位移、呼吸压、咽下音)进行汇总的图。在图13的(a)～(c)中，健康人判定精度是将健康人的样本判定为咽下障碍阴性的判定精度，患者判定精度是将患者的样本判定为咽下障碍阳性的判定精度。
另外，在图10的(a)～图11(c)以及图13的(a)～(c)中示出运算式的阶数为8、16、32的情况下分别使用LPC谱以及LPC系数得到的判定结果当中判定精度最高的判定结果。
参考图10的(a)～图13(c)，若作为特征参数而使用LPC谱以及LPC系数，则与MFCC的情况相比，不管在使用喉头位移数据、呼吸压数据以及生物体音数据中的哪种的情况下，健康人的判定精度和患者的判定精度都变高。特别在作为特征参数而使用LPC谱的情况下，与其他特征参数相比，能看到健康人的判定精度和患者的判定精度变高的倾向。因而，作为用于咽下障碍判定的特征参数，LPC谱以及LPC系数是有效的，特别是，可以说LPC谱是有效的。
<验证2>
在验证2中，在以非时间序列取得特征参数的值(矢量)的情况下和以时间序列取得特征参数的值(矢量)的情况下，验证咽下障碍的判定精度如何不同。另外，参考图9的(a)、(b)说明的特征参数的取得方法是非时间序列的取得方法。
在时间序列的取得方法中，图9的(a)、(b)所示的频谱被分割成多个频率带，对每个频率带运用线性预测分析。例如在图9的(a)、(b)的情况下，宽到0～23000Hz程度的频段的频谱在横轴每隔100Hz地被分割成23个程度的频率带，对各频率带单独运用线性预测分析来取得谱包络。如此取得的谱包络与上述同样，以给定频率间隔采样，来取得LPC谱的特征参数值(矢量)。
在时间序列的取得方法中，由于对分割后的每个频率带运用线性预测分析来取得谱包络，因此取得的谱包络与非时间序列的取得方法的情况不同。因此，用时间序列的取得方法取得的LPC谱的特征量(矢量)与用非时间序列的取得方法取得的LPC谱的特征量(矢量)不同。
在验证2中，对将在提取区间提取的呼吸压数据、生物体音数据以及喉头位移数据进行傅立叶变换而得到的频谱通过基于时间序列以及非时间序列的LPC谱取得特征参数值(矢量)。另外，这里也是将提取区间并不设为图8所示的提取区间(4秒)，而是设为从生物体音产生区间的开始起2秒期间。
通过非时间序列法以及时间序列法分别取得将LPC谱中的运算式的最大阶数设为8、16、32时的参数值，对各阶数的参数值通过基于SVM的机器学习处理来评价咽下障碍的阳性/阴性。SVM的核心使用了RBF(Radial Basis Function，径向基函数)。从健康人取得的556个样本数据(呼吸压数据、生物体音数据、喉头位移数据)和从患者取得的212个样本数据(呼吸压数据、生物体音数据、喉头位移数据)的合计768个样本数据进行了基于交叉检验(10-fold cross validation，十折交叉验证)的验证。
图14是以数值表示通过非时间序列的LPC谱取得特征参数值的情况下的验证结果的图。图15是以数值表示通过时间序列的LPC谱取得特征参数值的情况下的验证结果的图。在图14、15中，LPC阶数表示线性预测分析的运算式的最大阶数。另外，在图14、15中，健康人判定精度是将健康人的样本判定为咽下障碍阴性的判定精度，患者判定精度是将患者的样本判定为咽下障碍阳性的判定精度。
参考图14以及图15，在通过时间序列的LPC谱取得特征参数值的情况下，与通过非时间序列的LPC谱取得特征参数值的情况相比，患者判定精度显著变高。另外，在时间序列的情况下，与非时间序列的情况相比，LPC阶数为32的情况下的判定精度变高。据此，可以说，在将用于咽下障碍判定的特征参数设为LPC谱的情况下，通过时间序列的取得方法取得特征参数值是有效的。
<验证2-2>
接下来，由使用上述验证2中咽下障碍的判定精度最高的参数进行过学习的SVM对从健康人取得的637个样本数据(生物体音数据)和从患者取得的5个样本数据(生物体音数据)通过与上述验证2同样的方法，进行咽下障碍的判定。在验证2-2中，对每个样本设定样本提供者的年龄。
图16是在验证2-2中表示对健康人数据通过非时间序列的LPC谱取得特征参数值的情况下的验证结果的图表。图17是在验证2-2中表示对患者数据通过非时间序列的LPC谱取得特征参数值的情况下的验证结果的图表。
图18是在验证2-2中表示对健康人数据通过时间序列的LPC谱取得特征参数值的情况下的验证结果的图表。图19是在验证2-2中表示对患者数据通过时间序列的LPC谱取得特征参数值的情况下的验证结果的图表。
在图16～图18中，横轴是SVM的值，纵轴是年龄。在图16～图18中，按每个样本描绘对各样本求得的SVM的值。在SVM的值为正的情况下，该样本成为健康人判定(咽下障碍：阴性)，在SVM的值为负的情况下，该样本成为患者判定(咽下障碍：阳性)。
若比较图16、17(非时间序列)和图18、19(时间序列)，则能确认，对健康人的判定精度若采用时间序列的特征参数的取得方法，则比非时间序列的情况稍高。对患者的判定精度在时间序列的情况和非时间序列的情况两方中都是100％。
另外，可知，时间序列的特征参数的取得方法与非时间序列的情况相比，抑制了横轴方向上的SVM值的分散。进而，在对健康人数据的判定中，时间序列的特征参数的取得方法与非时间序列的情况相比，SVM值的描绘群从阴性与阳性的边界线(SVM值＝0的线)向正方向(更阴性的方向)离开。据此，可以说，时间序列的特征参数的取得方法与非时间序列的情况相比，咽下障碍的判定精度提高，且能更精度良好地取得咽下障碍的程度。
图20的(a)是将验证2的验证结果汇总成表的图。在图20的(a)中，分别示出图14所示的非时间序列的判定结果中精度最高的判定结果(LPC阶数＝16、数据类别＝生物体音数据)和图15所示的时间序列的判定结果中精度最高的判定结果(LPC阶数＝32、数据类别＝生物体音数据)。
和图20的(a)的汇总一起参考图14～图19的判定结果，可知，通过时间序列的取得方法取得LPC谱的情况与通过非时间序列的取得方法取得LPC谱的情况相比，咽下障碍的判定精度提高。由此，可以说，在特征参数值的取得中优选使用时间序列的取得方法。
另外，参考图14以及图15，对咽下障碍的判定精度做出贡献的数据的种类具有以下倾向：咽下音数据最高、呼吸压数据第二高。由此，可以说，在特征参数值的取得中优选使咽下音数据最优先，使呼吸压数据第二优先。
另外，在验证2中，在通过LPC谱取得特征参数的情况下，对非时间序列的取得方法和时间序列的取得方法的判定精度的相异进行了验证，但在通过LPC系数取得特征参数的情况下也能想定为能得到与上述同样的倾向。在通过LPC系数取得特征参数的情况下，也能想定为与非时间序列的取得方法相比，时间序列的取得方法的咽下障碍的判定精度更高。
<验证3>
在验证3中，将对呼吸压数据、生物体音数据和喉头位移数据分别取得的特征参数值(矢量)组合来取得1个特征参数值(矢量)，在对组合后的特征参数值执行基于SVM的机器学习处理的情况下，验证咽下障碍的判定精度如何变化。
对各数据的特征参数值的取得通过时间序列的LPC谱进行。这里也是将提取区间并不设为图8所示的提取区间(4秒)，而是设为生物体音产生区间的开始起2秒期间。
对呼吸压数据、生物体音数据以及喉头位移数据通过时间序列法取得将LPC谱中的运算式的最大阶数设为8、16、32时的参数值，将取得的各数据的参数值按每个阶数组合，来作为1个特征参数值取得。然后，对各阶数的特征参数值，通过基于SVM的机器学习处理评价咽下障碍的阳性/阴性。SVM的核心设为RBF(Radial Basis Function，径向基函数)。样本数据使用从健康人取得的556个样本数据(呼吸压数据、生物体音数据、喉头位移数据)和从患者取得的212个样本数据(呼吸压数据、生物体音数据、喉头位移数据)的合计768个样本数据。验证通过交叉检验(10-fold cross validation，十折交叉验证)进行。
图20的(b)是表示验证3的验证结果的图。
若将图20的(b)所示的验证结果和图20的(a)的验证结果进行比较，则将从3个数据取得的特征参数值组合并进行基于SVM的机器学习处理与以仅从生物体音数据取得的特征参数值进行基于SVM的机器学习处理的情况相比，咽下障碍的判定精度得到提高。特别在将LPC阶数设为32的情况下，3个数据的组合与仅生物体音数据的情况相比，咽下障碍的判定精度显著得到提高。据此，可以说，在咽下障碍的判定中，优选将从呼吸压数据、生物体音数据以及喉头位移数据取得的特征参数值组合来进行基于SVM的机器学习处理。
<验证3-2>
通过使用上述验证3中咽下障碍的判定精度最高的参数进行过学习的SVM，对从健康人取得的637个样本数据和从患者取得的5个样本数据通过与上述验证3同样的方法进行咽下障碍的判定。在验证3-2中，对每个样本设定样本提供者的年龄。
图21是在验证3-2中表示对健康人数据进行咽下障碍的判定的情况的判定结果的图表。图22是在验证3-2中表示对患者数据进行咽下障碍的判定的情况的验证结果的图表。与图16～图18同样，在图21、22中，横轴是SVM的值，纵轴是年龄。
若比较图21和图18，则可知，将3种特征参数值组合与仅1种特征参数值的情况相比，抑制了横轴方向上的SVM值的分散，抑制了基于年龄层的评价的偏差。据此，可以说，将3种特征参数值组合与仅1种特征参数值的情况相比，能抑制基于年龄层的咽下障碍的判定的偏差，且能更加精度良好地取得咽下障碍的程度。
基于以上的验证，在图7的步骤S401，取得将3种特征参数组合的特征参数，在步骤S402，进行利用组合后的特征参数的SVM判定。即，在步骤S401，第2咽下判定部116c取得上述验证3所示的特征参数值，即，取得从呼吸压数据、生物体音数据以及喉头位移数据分别取得的时间序列的LPC谱的参数值的组合，作为特征参数值。然后，在步骤S402，第2咽下判定部116c基于取得的特征参数值，通过基于SVM的机器学习处理来判定咽下障碍的有无，对应于判定结果，在步骤S403或步骤S404决定咽下障碍的可能性的有无。
另外，在步骤S405，第2咽下判定部116c基于特征参数值相对于SVM中咽下障碍的阳性区域与阴性区域的边界的距离，来取得咽下障碍度。该距离例如相当于图21、22中的描绘与SVM的值为零的轴之间的距离。
<诊断结果画面>
图23的(a)是表示在图5的(b)的步骤S206显示的诊断结果的显示画面的结构的图。图23的(b)～(e)分别是表示第1判定结果的显示方式的图。
如图23的(a)所示那样，诊断结果的显示画面200包含咽下估计标记201、咳嗽检测标记202、第1判定结果区域203和第2判定结果区域204。
在图5的(b)的步骤S204估计为有咽下的情况下，咽下估计标记201的周围点亮成给定的颜色(例如蓝色)。在图5的(b)的步骤S204估计为有咽下的情况下，若出现误咽引起的噎呛，则咳嗽检测标记202的中央部分点亮成处理的颜色(例如橙色)。在此，噎呛基于呼吸压数据，由控制部116检测。
在第1判定结果区域203显示第1咽下判定部116b的判定结果。具体地，在图6的步骤S301取得的咽下音产生区间的前后的呼吸相和表示对咽下的过渡的箭头一起被显示。另外，对应于图6的步骤S304、S305中的误咽风险的判定结果来设定第1判定结果区域203的背景色。具体地，在没有误咽的风险的情况下，如图23的(b)所示那样，第1判定结果区域203的背景色被设定为第1色(例如绿色)。另外，在有误咽的风险的情况下，如图23的(c)～(e)所示那样，第1判定结果区域203的背景色被设定为第2色(例如红色)。
医师等使用者能通过第1判定结果区域203的标记以及背景色准确掌握误咽的风险的可能性和呼吸相的推移。
在第2判定结果区域204显示第2咽下判定部116c的判定结果。在第2判定结果区域204示出在横向上排列的10个光标和表示咽下障碍度的轻重的标记以及箭头。各光标被设定成越向左则浓淡越浓。在图7的流程图中判定为没有咽下障碍的可能性的情况下，第2判定结果区域204的右侧5个光标对应于咽下障碍度而被点亮，在判定为有咽下障碍的可能性的情况下，左侧5个光标对应于咽下障碍度而被点亮。
例如若设定咽下障碍度的极性，使得阳性为正、阴性为负，则在咽下障碍度为-3的情况下，从第2判定结果区域204的中央起右侧3个光标被点亮，在咽下障碍度为+4的情况下，第2判定结果区域204的中央起左侧4个光标被点亮。在此，咽下障碍度的级别如上述那样，在SVM中，通过区分咽下障碍的阳性和阴性的边界与特征参数的距离而决定。
医师等使用者能通过第2判定结果区域204的标记以及光标的状态来准确掌握咽下障碍的可能性。
<教导数据更新***>
在上述实施方式中，通过基于SVM的机器学习处理来判断咽下障碍的可能性。在该情况下，通过更多使用优质的教导数据，能微细地设定阳性与阴性的边界，能提高咽下障碍的判定精度。
图24是示意表示用于更新在咽下诊断装置100中由第2咽下判定部116c使用的教导数据的***结构的图。
在该***中，在设置在医院等医疗设施的主计算机300汇集了对患者的诊断时在各咽下诊断装置100取得的呼吸压数据、生物体音数据以及喉头位移数据(在包含咽下音产生区间的提取区间提取的数据)。医师等使用者将对该患者的咽下障碍的诊断结果与这些数据建立对应而输入到主计算机300。主计算机300将汇集的数据和诊断结果一起经由外部网络500发送到管理设施的服务器400。
在管理设施中，作业者将服务器400接收到的数据基于诊断结果分割成咽下障碍阳性的教导数据、咽下障碍阴性的教导数据和无效数据。然后作业者将分割的阳性以及阴性的数据蓄积在服务器400内的数据库。服务器400定期将蓄积在数据库的教导数据发送到医疗设施侧的主计算机300。主计算机300将接收到的教导数据提供到各咽下诊断装置100。如此地更新存储于各咽下诊断装置100的教导数据。由此，提高第2咽下判定部116c的咽下障碍的判定精度。
<实施方式的效果>
根据本实施方式所涉及的咽下诊断装置100，由第1咽下判定部116b判定会作为将个人的特性(习惯等)用年龄或疾病修饰的结果而出现误咽的风险，另外，由第2咽下判定部116c判定咽下障碍的可能性。然后，这些判定结果显示在显示部111，被提示给医师等使用者。由此，医师等使用者通过参考这些判定结果，能多方面且综合地判断患者中的误咽的风险，能更合适地诊断患者中的误咽的风险。
第1咽下判定部116b的判定如上述那样，虽然是作为将个人的特性(习惯等)通过年龄或疾病修饰的结果而出现时的判定，但在帕金森病中是误咽风险因子，另外，在最近的发明者们的研究中，明确了是COPD(慢性阻塞性肺病)恶化的优良的关联因子。因此，即使是第2咽下判定部116c中未判定为有咽下障碍的可能性的情况，在第1咽下判定部116b中判定为有误咽风险的情况下，也需要根据该患者的状态而采取对策。
反之，由于第1咽下判定部116b中的判定的基础是个人的特性，因此当然还会出现即使第1咽下判定部116b中判定为没有误咽风险、在第2咽下判定部116c中也成为有咽下障碍的可能性的情形。在该情况下，也需要根据该患者的状态而采取对策。
如此，第1咽下判定部116b中的判定结果和第2咽下判定部116c中的判定结果双方都独立地在咽下状态的判定中是有意义的，且互补地起到作用。由此，医师等使用者通过在图23的(a)所示的显示画面200逐次同时参考这些判定结果，能多方面且综合地判断患者中的误咽的风险，从而能合适地对患者采取对策。
另外，根据本实施方式所涉及的咽下诊断装置100，由于使用为了咽下估计而取得的呼吸压数据、生物体音数据以及喉头位移数据进行第1咽下判定部116b中的判定和第2咽下判定部116c中的判定，因此这些判定中可以不从患者另外取得数据。因而能使咽下诊断装置100的结构简单，另外，能减轻这些判定中的处理负担。
另外，根据本实施方式所涉及的咽下诊断装置100，由于包含基于生物体音数据的LPC谱作为特征参数，因此如上述验证2所示那样，能提高第2咽下判定部116c中的咽下障碍的可能性的判定精度。
另外，根据本实施方式所涉及的咽下诊断装置100，由于和生物体音数据一起包含基于呼吸压数据的LPC谱作为特征参数，因此如上述验证2所示那样，能进一步提高第2咽下判定部116c中的咽下障碍的可能性的判定精度。
另外，根据本实施方式所涉及的咽下诊断装置100，由于使用基于生物体音数据、呼吸压数据以及喉头位移数据的LPC谱的组合作为特征参数，因此如上述验证3所示那样，能更进一步提高第2咽下判定部116c中的咽下障碍的可能性的判定精度。
另外，根据本实施方式所涉及的咽下诊断装置100，由于使用LPC谱作为特征参数，因此如上述验证1所示那样，能提高第2咽下判定部116c中的咽下障碍的可能性的判定精度。
另外，根据本实施方式所涉及的咽下诊断装置100，由于使用时间序列的LPC谱作为特征参数，因此如上述验证2所示那样，能进一步提高第2咽下判定部116c中的咽下障碍的可能性的判定精度。
另外，如上述验证1所示那样，在取代LPC谱而使用LPC系数作为特征参数的情况下，也能提高第2咽下判定部116c中的咽下障碍的可能性的判定精度。
<变更例>
在上述实施方式中，在终端装置110中执行第1咽下判定部116b中的判定和第2咽下判定部116c中的判定，但例如也可以如图25所示那样，在终端装置110连接平板计算机等外部计算机140，在外部计算机140中进行第1咽下判定部116b中的判定和第2咽下判定部116c中的判定。
在该情况下，终端装置110基于从患者取得的呼吸压数据、生物体音数据以及喉头位移数据来执行咽下估计处理，在估计进行了咽下的情况下，将在包含咽下音产生区间的提取区间提取的呼吸压数据、生物体音数据以及喉头位移数据发送到外部计算机140。外部计算机140基于接收到的数据来执行第1咽下判定部116b中的判定和第2咽下判定部116c中的判定，将其判定结果显示在自身的显示部140a。
根据该变更例也能起到与上述实施方式同样的效果。在该变更例中，由终端装置110、鼻套管120、检测部130和外部计算机140构成咽下诊断装置100。
另外，可以使外部计算机140具有第1咽下判定部116b以及第2咽下判定部116c的功能的同时还具有咽下估计部116a的功能。在该情况下，终端装置110将从患者取得的呼吸压数据、生物体音数据以及喉头位移数据持续发送到外部计算机140，外部计算机140执行图5的(b)～图7的咽下诊断处理。
另外，在上述实施方式中，使用基于呼吸压数据、生物体音数据以及喉头位移数据的特征参数值的组合来进行第2咽下判定部116c中的判定，但第2咽下判定部116c中的判定中所用的特征参数值不一定限定于此。例如可以使用基于呼吸压数据、生物体音数据以及喉头位移数据的特征参数当中基于呼吸压数据以及生物体音数据的特征参数值的组合来进行第2咽下判定部116c中的判定，也可以使用其他特征参数值的组合进行第2咽下判定部116c中的判定。或者，可以使用基于呼吸压数据、生物体音数据以及喉头位移数据的特征参数值的任意1者来进行第2咽下判定部116c中的判定。
其中，如上述验证2所示那样，由于通过使用基于生物体音数据的特征参数值，第2咽下判定部116c中的判定精度最高，因此在第2咽下判定部116c中的判定中，优选优先使用基于生物体音数据的特征参数值。另外，由于通过使用基于呼吸压数据的特征参数值，第2咽下判定部116c中的判定精度第二高，因此在第2咽下判定部116c中的判定中使用特征参数值的组合的情况下，优选使用基于生物体音数据的特征参数值和基于呼吸压数据的特征参数值的组合。
另外，在上述实施方式中，在呼吸的检测中使用了鼻套管120，但也可以使用鼻套管120以外的呼吸检测手段。例如可以使用能检测胸围的扩张以及收缩的检测带，来检测患者的呼吸。
另外，在上述实施方式中，对呼吸压数据、生物体音数据以及喉头位移数据实时进行处理，来执行咽下估计部116a的估计、第1咽下判定部116b以及第2咽下判定部116c的判定，但也可以在咽下诊断时将呼吸压数据、生物体音数据以及喉头位移数据存储到存储部117，在诊断后通过来自医师等的指示输入，咽下估计部116a、第1咽下判定部116b以及第2咽下判定部116c从存储部117读出呼吸压数据、生物体音数据以及喉头位移数据，来进行咽下的估计和误咽的风险以及咽下障碍的可能性的判定。
此外，第1咽下判定部116b以及第2咽下判定部116c的判定结果的显示画面也并不限于图23的(a)的结构，可以适当使用其他画面结构。
产业上的可利用性
本发明所涉及的咽下诊断装置具有优良的咽下诊断功能，能利用在医疗设备领域。
附图标记的说明
100 咽下诊断装置
111 显示部
114 压力传感器(呼吸检测部)
120 鼻套管(呼吸检测部)
131a 声音传感器(声音检测部)
131b 位移传感器(位移检测部)
116a 咽下估计部
116b 第1咽下判定部
116c 第2咽下判定部
116d 显示控制部。

Claims (19)

1.一种咽下诊断装置，其特征在于，具备：
声音检测部，其检测喉头部的声音；
呼吸检测部，其检测呼吸；
咽下估计部，其基于从所述声音检测部输出的声音信息中取得满足咽下的估计条件的特征量的生物体音产生区间和从所述呼吸检测部输出的呼吸信息中给定时间以上未检测到呼吸的无呼吸区间相互符合，来估计为出现咽下；
第1咽下判定部，其从所述呼吸信息检测由所述咽下估计部估计为出现咽下的期间的前后的呼吸相，基于检测到呼吸相来判定该咽下中是否有误咽的风险；
第2咽下判定部，其在包含由所述咽下估计部判定为出现咽下的期间的给定的期间提取包含所述声音信息以及所述呼吸信息的至少一方的参考信息，从提取的所述参考信息取得特征量，对取得的所述特征量执行机器学习处理，来判定在该咽下中是否有咽下障碍的可能性；和
显示控制部，其使显示部显示所述第1咽下判定部的判定结果和所述第2咽下判定部的判定结果。
2.根据权利要求1所述的咽下诊断装置，其特征在于，
所述第2咽下判定部提取所述声音信息作为所述参考信息，从提取的所述声音信息取得所述特征量，对取得的所述特征量执行机器学习处理来判定在该咽下中是否有咽下障碍的可能性。
3.根据权利要求2所述的咽下诊断装置，其特征在于，
所述第2咽下判定部进一步提取所述呼吸信息作为所述参考信息，从提取的所述呼吸信息取得特征量，对从所述呼吸信息取得的所述特征量和从所述声音信息取得的特征量执行机器学习处理，来判定在该咽下中是否有咽下障碍的可能性。
4.根据权利要求3所述的咽下诊断装置，其特征在于，
所述咽下诊断装置还具备：位移检测部，其检测喉头部的位移，
所述第2咽下判定部进一步在包含估计为出现咽下的所述期间的所述给定的期间提取从所述位移检测部输出的位移信息，作为所述参考信息，从提取的所述位移信息取得特征量，对从所述位移信息取得的所述特征量和从所述声音信息以及所述呼吸信息分别取得的特征量执行机器学习处理，来判定在该咽下中是否有误咽的可能性。
5.根据权利要求4所述的咽下诊断装置，其特征在于，
在所述生物体音产生区间和所述无呼吸区间符合，且在所述所述生物体音产生区间中所述位移信息的振幅超过给定的阈值的情况下，所述咽下估计部估计为出现咽下。
6.根据权利要求1～5中任一项所述的咽下诊断装置，其特征在于，
所述第2咽下判定部将所述参考信息进行傅立叶变换来取得频谱，对取得的频谱运用线性预测分析来求取谱包络，对求得的谱包络以给定频率间隔进行采样，来取得所述特征量。
7.根据权利要求6所述的咽下诊断装置，其特征在于，
所述第2咽下判定部将所述频谱按每个给定的频率带进行分割，对每个所述频率带运用线性预测分析来求取谱包络，对求得的各频率带的谱包络以给定频率间隔进行采样，来取得所述特征量。
8.根据权利要求1～5中任一项所述的咽下诊断装置，其特征在于，
所述第2咽下判定部将所述参考信息进行傅立叶变换来取得频谱，对取得的频谱运用线性预测分析来取得线性预测分析中的各阶数的系数，将取得的系数群作为所述特征量取得。
9.根据权利要求1～8中任一项所述的咽下诊断装置，其特征在于，
所述机器学习处理是支持向量机。
10.一种咽下诊断装置，其特征在于，具备：
声音检测部，其检测喉头部的声音；
呼吸检测部，其检测呼吸；
咽下估计部，其基于从所述声音检测部输出的声音信息中取得满足咽下的估计条件的特征量的生物体音产生区间和从所述呼吸检测部输出的呼吸信息中给定时间以上未检测到呼吸的无呼吸区间相互符合，来估计为出现咽下；和
咽下判定部，其在包含由所述咽下估计部估计为出现咽下的期间的给定的期间提取包含所述声音信息以及所述呼吸信息的至少一方的参考信息，将提取的所述参考信息进行傅立叶变换来取得频谱，对取得的频谱运用线性预测分析来求取谱包络，对求得的谱包络以给定频率间隔进行采样来取得特征量，对取得的所述特征量执行机器学习处理来判定在该咽下中是否有咽下障碍的可能性。
11.一种程序，使具备检测喉头部的声音的声音检测部和检测呼吸的呼吸检测部的咽下诊断装置的计算机执行如下功能：
咽下估计功能，其基于从所述声音检测部输出的声音信息中取得满足咽下的估计条件的特征量的生物体音产生区间和从所述呼吸检测部输出的呼吸信息中给定时间以上未检测到呼吸的无呼吸区间相互符合，来估计为出现咽下；
第1咽下判定功能，其从所述呼吸信息检测通过所述咽下估计功能估计为出现咽下的期间的前后的呼吸相，基于检测到的呼吸相来判定在该咽下中是否有误咽的风险；
第2咽下判定功能，其在包含通过所述咽下估计功能估计为出现咽下的期间的给定的期间提取包含所述声音信息以及所述呼吸信息的至少一方的参考信息，从提取的所述参考信息取得特征量，对取得的所述特征量执行机器学习处理来判定在该咽下中是否有咽下障碍的可能性；和
显示控制部，其使显示部显示所述第1咽下判定功能的判定结果和所述第2咽下判定功能的判定结果。
12.根据权利要求11所述的程序，其特征在于，
所述第2咽下判定功能提取所述声音信息作为所述参考信息，从提取的所述声音信息取得所述特征量，对取得的所述特征量执行机器学习处理来判定在该咽下中是否有咽下障碍的可能性。
13.根据权利要求12所述的程序，其特征在于，
所述第2咽下判定功能进一步提取所述呼吸信息作为所述参考信息，从提取的所述呼吸信息取得特征量，对从所述呼吸信息取得的所述特征量和从所述声音信息取得的特征量执行机器学习处理，来判定在该咽下中是否有咽下障碍的可能性。
14.根据权利要求13所述的程序，其特征在于，
所述宣下诊断装置进一步具备：位移检测部，其检测喉头部的位移，
所述第2咽下判定功能进一步在包含估计为出现咽下的所述期间的所述给定的期间提取从所述位移检测部输出的位移信息作为所述参考信息，从提取的所述位移信息取得特征量，对从所述位移信息取得的所述特征量和从所述声音信息以及所述呼吸信息分别取得的特征量执行机器学习处理，来判定在该咽下中是否有误咽的可能性。
15.根据权利要求14所述的程序，其特征在于，
在所述生物体音产生区间和所述无呼吸区间符合，且在所述所述生物体音产生区间中所述位移信息的振幅超过给定的阈值的情况下，所述咽下估计功能估计为出现咽下。
16.根据权利要求11～15中任一项所述的程序，其特征在于，
所述第2咽下判定功能将所述参考信息进行傅立叶变换来取得频谱，对取得的频谱运用线性预测分析来求取谱包络，对求得的谱包络以给定频率间隔进行采样，来取得所述特征量。
17.根据权利要求16所述的程序，其特征在于，
所述第2咽下判定功能将所述频谱按每个给定的频率带进行分割，对每个所述频率带运用线性预测分析来求取谱包络，对求得的各频率带的谱包络以给定频率间隔进行采样，来取得所述特征量。
18.根据权利要求11～15中任一项所述的程序，其特征在于，
所述第2咽下判定功能将所述参考信息进行傅立叶变换来取得频谱，对取得的频谱运用线性预测分析来取得线性预测分析中的各阶数的系数，将取得的系数群作为所述特征量来取得。
19.根据权利要求11～18中任一项所述的程序，其特征在于，
所述机器学习处理是支持向量机。
CN201780058289.4A 2016-10-14 2017-10-13 咽下诊断装置以及程序 Pending CN109788922A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2016-203157 2016-10-14
JP2016203157 2016-10-14
PCT/JP2017/037191 WO2018070522A1 (ja) 2016-10-14 2017-10-13 嚥下診断装置およびプログラム

Publications (1)

Publication Number Publication Date
CN109788922A true CN109788922A (zh) 2019-05-21

Family

ID=61905628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780058289.4A Pending CN109788922A (zh) 2016-10-14 2017-10-13 咽下诊断装置以及程序

Country Status (7)

Country Link
US (1) US11246526B2 (zh)
EP (1) EP3527132B1 (zh)
JP (1) JP6742620B2 (zh)
KR (1) KR102179511B1 (zh)
CN (1) CN109788922A (zh)
SG (1) SG11201902898WA (zh)
WO (1) WO2018070522A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112336308B (zh) * 2020-11-03 2023-08-22 中山大学孙逸仙纪念医院 一种测量评估吞咽功能的可穿戴装置及使用方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1538667A (zh) * 2003-10-24 2004-10-20 武汉大学 一种宽频带语音质量客观评价方法
CN101145345A (zh) * 2006-09-13 2008-03-19 华为技术有限公司 音频分类方法
CN101996640A (zh) * 2009-08-31 2011-03-30 华为技术有限公司 频带扩展方法及装置
CN102032942A (zh) * 2009-09-25 2011-04-27 上海宝钢工业检测公司 基于高斯平滑的设备振动信号全频带特征提取和报警方法
CN102243140A (zh) * 2011-04-18 2011-11-16 杨彦利 一种基于子带信号分析的机械设备状态监测方法
CN102339607A (zh) * 2010-07-16 2012-02-01 华为技术有限公司 一种频带扩展的方法和装置
CN102429662A (zh) * 2011-11-10 2012-05-02 大连理工大学 家庭环境中睡眠呼吸暂停综合征的筛查***
US20120150073A1 (en) * 2010-12-10 2012-06-14 Stephanie Dunn Method and apparatus for diagnosing a medical condition based upon audial data from a patient
CN102780819A (zh) * 2012-07-27 2012-11-14 广东欧珀移动通信有限公司 一种移动终端的语音识别联系人的方法
CN103458777A (zh) * 2011-01-18 2013-12-18 大学健康网络 用于吞咽损伤检测的方法和设备
CN103646649A (zh) * 2013-12-30 2014-03-19 中国科学院自动化研究所 一种高效的语音检测方法
CN103868690A (zh) * 2014-02-28 2014-06-18 中国人民解放军63680部队 基于多种特征提取和选择的滚动轴承状态自动预警方法
CN104508343A (zh) * 2012-01-26 2015-04-08 Med-El电气医疗器械有限公司 用于治疗咽部障碍的神经监测方法和***
US20160045161A1 (en) * 2013-01-14 2016-02-18 University Health Network Mask and method for breathing disorder identification, characterization and/or diagnosis
CN105658142A (zh) * 2013-08-26 2016-06-08 学校法人兵库医科大学 咽下推测装置、信息终端装置以及程序

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050283096A1 (en) 2004-06-17 2005-12-22 Bloorview Macmillan Children's Centre, A Corp. Registered Under The Ontario Corporations Act Apparatus and method for detecting swallowing activity
US9138171B2 (en) 2004-06-17 2015-09-22 Holland Bloorview Kids Rehabilitation Hospital System and method for detecting swallowing activity
CA2836196C (en) * 2011-05-17 2021-06-29 University Health Network Breathing disorder identification, characterization and diagnosis methods, devices and systems
WO2014159749A1 (en) * 2013-03-13 2014-10-02 The Regents Of The University Of California Non-invasive nutrition monitor
WO2014203433A1 (ja) * 2013-06-19 2014-12-24 京セラ株式会社 機器、及びシステム
JP2016034325A (ja) * 2014-08-01 2016-03-17 国立大学法人京都大学 ファジィ推論を用いた嚥下検出方法、嚥下活動モニタリングシステム及び嚥下機能評価方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1538667A (zh) * 2003-10-24 2004-10-20 武汉大学 一种宽频带语音质量客观评价方法
CN101145345A (zh) * 2006-09-13 2008-03-19 华为技术有限公司 音频分类方法
CN101996640A (zh) * 2009-08-31 2011-03-30 华为技术有限公司 频带扩展方法及装置
CN102032942A (zh) * 2009-09-25 2011-04-27 上海宝钢工业检测公司 基于高斯平滑的设备振动信号全频带特征提取和报警方法
CN102339607A (zh) * 2010-07-16 2012-02-01 华为技术有限公司 一种频带扩展的方法和装置
US20120150073A1 (en) * 2010-12-10 2012-06-14 Stephanie Dunn Method and apparatus for diagnosing a medical condition based upon audial data from a patient
CN103458777A (zh) * 2011-01-18 2013-12-18 大学健康网络 用于吞咽损伤检测的方法和设备
CN102243140A (zh) * 2011-04-18 2011-11-16 杨彦利 一种基于子带信号分析的机械设备状态监测方法
CN102429662A (zh) * 2011-11-10 2012-05-02 大连理工大学 家庭环境中睡眠呼吸暂停综合征的筛查***
CN104508343A (zh) * 2012-01-26 2015-04-08 Med-El电气医疗器械有限公司 用于治疗咽部障碍的神经监测方法和***
CN102780819A (zh) * 2012-07-27 2012-11-14 广东欧珀移动通信有限公司 一种移动终端的语音识别联系人的方法
US20160045161A1 (en) * 2013-01-14 2016-02-18 University Health Network Mask and method for breathing disorder identification, characterization and/or diagnosis
CN105658142A (zh) * 2013-08-26 2016-06-08 学校法人兵库医科大学 咽下推测装置、信息终端装置以及程序
CN103646649A (zh) * 2013-12-30 2014-03-19 中国科学院自动化研究所 一种高效的语音检测方法
CN103868690A (zh) * 2014-02-28 2014-06-18 中国人民解放军63680部队 基于多种特征提取和选择的滚动轴承状态自动预警方法

Also Published As

Publication number Publication date
EP3527132A1 (en) 2019-08-21
EP3527132A4 (en) 2020-12-16
KR20190041011A (ko) 2019-04-19
US20190209073A1 (en) 2019-07-11
WO2018070522A1 (ja) 2018-04-19
JP6742620B2 (ja) 2020-08-26
US11246526B2 (en) 2022-02-15
JPWO2018070522A1 (ja) 2019-08-22
SG11201902898WA (en) 2019-05-30
EP3527132B1 (en) 2024-03-27
KR102179511B1 (ko) 2020-11-16

Similar Documents

Publication Publication Date Title
CN103458777B (zh) 用于吞咽损伤检测的方法和设备
Chatrzarrin et al. Feature extraction for the differentiation of dry and wet cough sounds
US10278639B2 (en) Method and system for sleep detection
JP5662373B2 (ja) 呼吸信号から呼吸パターンを検出して識別する方法
CN103445781B (zh) 用于判定呼吸状态的装置
CN108670200A (zh) 一种基于深度学习的睡眠鼾声分类检测方法及***
CN101896122B (zh) 用于在听诊器信号中检测呼吸周期的方法和设备
Pamidi et al. An official American Thoracic Society Workshop Report: noninvasive identification of inspiratory flow limitation in sleep studies
JP2013123495A (ja) 呼吸音解析装置、呼吸音解析方法、呼吸音解析プログラムおよび記録媒体
Huq et al. Automatic breath phase detection using only tracheal sounds
Gram et al. Stenosis detection algorithm for screening of arteriovenous fistulae
CN109788922A (zh) 咽下诊断装置以及程序
US20220280065A1 (en) A method and apparatus for processing asthma patient cough sound for application of appropriate therapy
CN117174294A (zh) 一种构建慢阻肺评估模型方法及***
CN105361885A (zh) 呼吸波形辨识方法及其***
Lyne et al. Validation of a single-use and reusable home sleep apnea test based on peripheral arterial tonometry compared to laboratory polysomnography for the diagnosis of obstructive sleep apnea
RU2431444C2 (ru) Способ выявления функционального состояния диафрагмы у больных хронической обструктивной болезнью легких
CN117116470B (zh) 一种吞咽障碍筛查***及筛查方法
KR102619295B1 (ko) 스마트폰을 이용한 기침음, 호흡음 및 성음 데이터 수집 방법
WO2021010150A1 (ja) 呼吸機能検査装置、データ処理方法及び呼吸機能検査システム
Cheng et al. Application study of apnea-hypopnea duration for assessing adult obstructive sleep apnea
Abufardeh Improving Quality Control in Oscillometry: Repeatability, Efficiency, Feasibility and Accuracy
Infante Development of machine learning algorithms for screening of pulmonary disease
VINOD et al. Dysphonic Voice detection using MDVP Parameters
A Smith et al. Cough recording technology

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40005366

Country of ref document: HK