TWI809825B - 異常肺囉音診斷監測系統及其建立方法 - Google Patents
異常肺囉音診斷監測系統及其建立方法 Download PDFInfo
- Publication number
- TWI809825B TWI809825B TW111114700A TW111114700A TWI809825B TW I809825 B TWI809825 B TW I809825B TW 111114700 A TW111114700 A TW 111114700A TW 111114700 A TW111114700 A TW 111114700A TW I809825 B TWI809825 B TW I809825B
- Authority
- TW
- Taiwan
- Prior art keywords
- range
- abnormal
- judgment
- frequency band
- lung sound
- Prior art date
Links
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Electrotherapy Devices (AREA)
Abstract
一異常肺囉音診斷監測系統包含肺音擷取裝置及處理器,肺音擷取裝置以一取樣頻率擷取一人體之肺音,且據以轉換為一肺音訊號,處理器接收肺音訊號,並將肺音訊號進行頻域轉換,且擷取出在一頻率區段之一功率譜密度曲線,從頻率區段中選取一特殊頻帶,並計算功率譜密度曲線在特殊頻帶及該頻率區段所分別界定的特殊頻帶功率及全頻帶功率,根據特殊頻帶功率的一特殊頻帶功率百分比、全頻帶功率代入對數關係之至少一判斷函數獲得至少一判斷參數,在至少一判斷參數落入一正常範圍或一異常範圍時,處理器判斷人體對應為正常肺音或異常肺囉音。
Description
本發明係關於一種異常肺囉音診斷監測系統及一種建立異常肺囉音診斷監測系統的方法,尤指將肺音訊號進行頻域轉換以進行肺音判斷的異常肺囉音診斷監測系統及其建立方法。
一般胸腔科醫師看診常會先藉由非侵入式的聽診檢查來診斷病患的狀態,醫師藉由聽診器聽取病患的肺音,肺音可以帶給醫師很多判斷訊息,其中肺囉音(rale),或稱為爆裂音(crackle),在肺部聽診時為不連續的異常肺音,是醫師賴以診斷肺炎、肺水腫、與急性肺損傷等疾病的重要理學檢查特徵。隨著醫療與科技的進步,發展出越來越多的醫療儀器可以輔助診斷人體的狀況,以協助醫師判斷病徵。例如中華民國專利申請號第098109075號「痰音偵測、辨識與衛教系統」,該痰音偵測、辨識與衛教系統包括:至少一呼吸音量測裝置,包括機械式聽診集音盤及聲音感測器,聲音感測器設於機械式聽診集音盤內,用以轉換所收集之呼吸音為呼吸音類比訊號;一轉換電路,包含有類比電路、類比多工器及數位電路,用以將呼吸音類比訊號轉換為呼吸音數位訊號;一分析裝置,用以儲存及分析呼吸音數位訊號;一痰音辨識模組,用以辨識呼吸音數位訊號之痰音訊號;一運算單元,與痰音辨識模組電性連接,用
以接收並處理痰音訊號,並產生一處理結果;一警示裝置,與運算單元電性連接,用以根據運算單元之處理結果而不動作或產生一相對應之警示訊息。上述專利即藉由擷取呼吸音做為痰音之判斷。
因此,如何從聽診器擷取到做為診斷病症的有意義判斷資訊,是本領域持續研究的目標。
爰此,本發明人為從獲得的肺音的資訊中,擷取到能監測且輔助診斷是否有肺囉音之狀況,而提出一種異常肺囉音診斷監測系統及一種建立異常肺囉音診斷監測系統的方法。
該異常肺囉音診斷監測系統包含一肺音擷取裝置及一處理器。該肺音擷取裝置以一取樣頻率擷取一人體之肺音,且據以轉換為一肺音訊號;該處理器包括一濾波單元,該處理器訊號連接該肺音擷取裝置,該處理器接收該肺音訊號,並透過該濾波單元將該肺音訊號進行頻域轉換,且擷取出在一頻率區段之一功率譜密度曲線;該處理器從該頻率區段中選取一特殊頻帶,並計算該功率譜密度曲線在該特殊頻帶及該頻率區段所分別界定的一特殊頻帶功率及一全頻帶功率;該處理器根據該特殊頻帶功率對應該全頻帶功率的一特殊頻帶功率百分比,及該全頻帶功率代入對數關係之至少一判斷函數獲得至少一判斷參數;在該至少一判斷參數落入一正常範圍時,該處理器判斷該人體為正常肺音;在該至少一判斷參數落入一異常範圍時,該處理器判斷該人體為異常肺囉音。
進一步,該處理器還包含一肺音判斷資料庫,該肺音判斷資料庫包括一參考正常範圍、一參考異常範圍及一切分點範圍,該切分點範圍在該參
考正常範圍及該參考異常範圍之間,該處理器受控制在該切分點範圍內設定二切分點,且將趨近於該參考正常範圍的該切分點至該參考正常範圍之間的範圍及該參考正常範圍設為該正常範圍,並將趨近於該參考異常範圍的該切分點至該參考異常範圍之間的範圍及該參考異常範圍設為該異常範圍,該參考正常範圍、該參考異常範圍,及該切分點範圍之邊界是由接受者操作特徵曲線及約登指數分析獲得。
進一步,該處理器還包含一肺音判斷資料庫,該肺音判斷資料庫包括一參考正常範圍、一參考異常範圍及一切分點範圍,該切分點範圍在該參考正常範圍及該參考異常範圍之間,該處理器受控制在該切分點範圍內設定一切分點,且將該切分點至該參考正常範圍之間的範圍及該參考正常範圍設為該正常範圍,並將該切分點至該參考異常範圍之間的範圍及該參考異常範圍設為該異常範圍,該參考正常範圍、該參考異常範圍,及該切分點範圍之邊界是由接受者操作特徵曲線及約登指數分析獲得。
進一步,該頻率區段為50Hz至1000Hz,該特殊頻帶為100Hz至150Hz,所述判斷函數的數量為二個,其中一判斷函數為以10為底數,對該特殊頻帶功率百分比取對數,另一判斷函數為以10為底數,對該全頻帶功率取對數,各該參考正常範圍為該其中一判斷函數的輸出值小於-1.51、該另一判斷函數的輸出值小於12.3,各該參考異常範圍為該其中一判斷函數的輸出值大於-1.31、該另一判斷函數的輸出值大於12.6,各該切分點範圍為該其中一判斷函數的輸出值在大於等於-1.51至小於等於-1.31之間、該另一判斷函數的輸出值在大於等於12.3至小於等於12.6之間。
進一步,該頻率區段為50Hz至1000Hz,該特殊頻帶為100Hz至150Hz,所述判斷函數的數量為二個,其中一判斷函數為以10為底數對該特殊頻帶功率百分比取對數之結果的4倍,另一判斷函數為以10為底數對該全頻帶功率取對數之結果的2倍,該參考正常範圍為該等判斷函數的輸出值相加小於16.5,該參考異常範圍為該等判斷函數的輸出值相加大於17.3,該切分點範圍為該等判斷函數的輸出值相加在大於等於16.5至小於等於17.3之間。
進一步,該異常肺囉音診斷監測系統還包含一肺音判斷資料庫,該肺音判斷資料庫訊號連接該處理器,該肺音判斷資料庫包括該正常範圍及該異常範圍,該正常範圍及該異常範圍是根據胸腔醫學專家鑑定的標準肺音訊號,以該至少一判斷函數設為特徵向量,經由一監督式機器學習演算法來進行分類。
進一步,該頻率區段為50Hz至1000Hz,該特殊頻帶為100Hz至150Hz,所述判斷函數的數量為二個,其中一判斷函數為以10為底數,對該特殊頻帶功率百分比取對數,另一判斷函數為以10為底數,對該全頻帶功率取對數。
進一步,該頻率區段為50Hz至1000Hz,該特殊頻帶為100Hz至150Hz,所述判斷函數的數量為二個,其中一判斷函數為以10為底數對該特殊頻帶功率百分比取對數之結果的4倍,另一判斷函數為以10為底數對該全頻帶功率取對數之結果的2倍。
該建立異常肺囉音診斷監測系統的方法包含一設定範圍步驟,該設定範圍步驟包括以下步驟。
一處理器包含有一濾波單元,該濾波單元將多個參考肺音訊號進行頻域轉換,且該處理器透過該濾波單元將每一參考肺音訊號擷取出介於50Hz至1000Hz之間的一頻率區段之一參考功率譜密度曲線;該處理器從該頻率區段中選取介於100Hz至150Hz之間的一特殊頻帶,並計算每一參考功率譜密度曲線在該特殊頻帶及該頻率區段所分別界定的一參考特殊頻帶功率及一參考全頻帶功率;該處理器將每一參考功率譜密度曲線的該參考特殊頻帶功率對應該參考全頻帶功率的一參考特殊頻帶功率百分比,及該參考全頻帶功率分別代入對數關係之二判斷函數,其中一判斷函數為以10為底數,對該特殊頻帶功率百分比取對數,另一判斷函數為以10為底數,對該全頻帶功率取對數,從而獲得每一參考功率譜密度曲線的二參考判斷參數。
進一步,該建立異常肺囉音診斷監測系統的方法還包含一建立監測用之肺音判斷資料庫步驟,該建立監測用之肺音判斷資料庫步驟為:該處理器將所有參考功率譜密度曲線的該至少一參考判斷參數與該等人體實際肺音的診斷結果,經由接受者操作特徵曲線及約登指數分析獲得一參考正常範圍、一參考異常範圍及一切分點範圍之邊界;其中,該參考正常範圍為該其中一判斷函數的輸出值小於-1.51及該另一判斷函數的輸出值小於12.3,即定義為正常肺音;該參考異常範圍為該其中一判斷函數的輸出值大於-1.31及該另一判斷函數的輸出值大於12.6,即定義為異常肺囉音;該切分點範圍為該其中一判斷函數的輸出值在大於等於-1.51至小於等於-1.31之間及該另一判斷函數的輸出值在大於等於12.3至小於等於12.6之間,因此該切分點範圍位在該參考正常範圍及該參考異常範圍之間;該處理器受控制在該參考正常範圍、該參考異常範圍
及該切分點範圍中設定至少一切分點,且根據設定的該至少一切分點、該參考正常範圍、該參考異常範圍設立一正常範圍及一異常範圍。
該建立異常肺囉音診斷監測系統的方法還包含一建立輔助診斷用之肺音判斷資料庫步驟,該建立輔助診斷用之肺音判斷資料庫步驟為:該處理器根據胸腔醫學專家鑑定的標準肺音訊號,以至少一判斷函數設為特徵向量,經由一監督式機器學習演算法來進行分類獲得一預測模型之一正常範圍及一異常範圍,其中,該正常範圍為正常肺音,該異常範圍為異常肺囉音。
根據上述技術特徵可達成以下功效:
1.藉由將肺音轉換的肺音訊號再轉換為頻譜,進而計算出該特殊頻帶功率百分比及該全頻帶功率,代入對數關係之該至少一判斷函數獲得該至少一判斷參數,該至少一判斷參數為判斷人體的肺音是否異常的有意義資訊,再藉由該至少一判斷參數落入該正常範圍或該異常範圍,判斷人體的肺音是否異常,以達到協助醫師診斷病徵或監測的目的。
2.更藉由接受者操作特徵曲線及約登指數分析客觀的獲得該正常範圍、該異常範圍,及該切分點範圍之邊界,使用者可自行調整切分點以達到診斷正確率提高、診斷特異度提高、或診斷敏感度提高等目的。
3.根據胸腔醫學專家鑑定的標準肺音訊號,且以上述該等判斷函數設為特徵向量,經由該監督式機器學習演算法建立之該肺音判斷資料庫,也能有80%正確率的判斷結果。
1:肺音擷取裝置
2:輸出裝置
3:處理器
31:濾波單元
4:肺音判斷資料庫
S1:設定判斷參數步驟
S11:頻域轉換子步驟
S12:計算功率子步驟
S13:計算參數子步驟
S2:建立監測用之肺音判斷資料庫步驟
S21:找出範圍子步驟
S22:調整範圍子步驟
S3:建立輔助診斷用之肺音判斷資料庫步驟
[第一圖]是一方塊圖,說明本發明異常肺囉音診斷監測系統的電路方塊。
[第二圖]是一流程圖,說明本發明建立異常肺囉音診斷監測系統的方法的一第一實施例。
[第三圖]是一功率頻譜示意圖,說明一參考功率譜密度曲線。
[第四圖]是一示意圖,說明該第一實施例各判斷函數的一參考正常範圍、一參考異常範圍及一切分點範圍。
[第五A圖]是一流程圖,說明實施由該第一實施例建立之異常肺囉音診斷監測系統進行監測的過程。
[第五B圖]是一流程圖,說明實施由該第一實施例建立之異常肺囉音診斷監測系統進行輔助診斷的過程。
[第六圖]是一流程圖,說明本發明建立異常肺囉音診斷監測系統的方法的一第二實施例。
[第七圖]是一示意圖,說明該第二實施例相加判斷函數的該參考正常範圍、該參考異常範圍及該切分點範圍。
[第八A圖]是一流程圖,說明實施由該第二實施例建立之異常肺囉音診斷監測系統進行監測的過程。
[第八B圖]是一流程圖,說明實施由該第二實施例建立之異常肺囉音診斷監測系統進行輔助診斷的過程。
綜合上述技術特徵,本發明異常肺囉音診斷監測系統及建立異常肺囉音診斷監測系統的方法的主要功效將可於下述實施例清楚呈現。
參閱第一圖及第二圖,本發明異常肺囉音診斷監測系統的一第一實施例,該異常肺囉音診斷監測系統適用於一待測者,擷取該待測者之肺音且
判斷肺音是否正常或異常,以輔助診斷該待測者是否有肺炎、肺水腫、急性肺損傷等疾病。該異常肺囉音診斷監測系統包含一肺音擷取裝置1、一輸出裝置2、一處理器3,及一肺音判斷資料庫4。
該肺音擷取裝置1以一取樣頻率擷取該待測者人體之肺音,且據以轉換為一肺音訊號。該肺音擷取裝置1主要的架構例如為使用聽診器、麥克風擷取肺音,再經由音效卡處理轉換為該肺音訊號。該肺音擷取裝置1例如為一電子聽診器。在本例中,該取樣頻率為8kHz,係根據奈奎斯特取樣定理而來。該肺音訊號的肺音檔案為聲波檔案格式(Waveform Audio File Format,WAVE),該肺音檔案的位元深度為16位元(bit)。
該輸出裝置2用以輸出一診斷結果,該輸出裝置2例如為一螢幕或一語音播放器,經由該螢幕顯示該診斷結果或該語音播放器播放該診斷結果,並無限制。
該處理器3訊號連接該肺音擷取裝置1及該輸出裝置2。該處理器3包括一濾波單元31。由於病徵引起肺音發生異常的頻譜範圍大多在50Hz至1000Hz之間。因此設定的該濾波單元31能保留50Hz至1000Hz頻譜範圍內的訊號,將50Hz以下的訊號及1000Hz以上的訊號濾掉。該處理器3儲存至少一判斷函數。
該肺音判斷資料庫4訊號連接該處理器3。該肺音判斷資料庫4包括監測用的一參考正常範圍、一參考異常範圍及一切分點範圍。該切分點範圍在該參考正常範圍及該參考異常範圍之間。該參考正常範圍、該參考異常範圍及該切分點範圍為對應該至少一判斷函數的輸出結果,其中,該參考正常範圍為正常肺音,該參考異常範圍為異常肺囉音。上述該參考正常範圍、該參考異
常範圍,及該切分點範圍之邊界是由接受者操作特徵曲線及約登指數分析獲得。
該肺音判斷資料庫4更包括輔助診斷用的一預測模型之一正常範圍及一異常範圍。該正常範圍及該異常範圍為對應該至少一判斷函數的輸出結果,其中,該正常範圍為正常肺音,該異常範圍為異常肺囉音。上述該預測模型的該正常範圍及該異常範圍是由一監督式機器學習演算法獲得。
接著,先說明該建立異常肺囉音診斷監測系統的方法,藉由該建立異常肺囉音診斷監測系統的方法設定該肺音判斷資料庫4儲存監測用的該參考正常範圍、該參考異常範圍及該切分點範圍,以及輔助診斷用的該正常範圍及該異常範圍。該建立異常肺囉音診斷監測系統的方法包含一設定判斷參數步驟S1、一建立監測用之肺音判斷資料庫步驟S2,及一建立輔助診斷用之肺音判斷資料庫步驟S3。
該設定判斷參數步驟S1包括一頻域轉換子步驟S11、一計算功率子步驟S12,及一計算參數子步驟S13。
該頻域轉換子步驟S11為該濾波單元31將多個參考肺音訊號以一頻率區段進行通帶過濾,該處理器3將過濾後的該等參考肺音訊號分別進行頻域轉換,擷取在該頻率區段的多個參考功率譜密度曲線。其中,該等參考肺音訊號的肺音檔案也為聲波檔案格式(Waveform Audio File Format,WAVE),且該等肺音檔案的位元深度為16位元(bit)。該等參考肺音訊號可事先經由該肺音擷取裝置1擷取多個人體之肺音轉換出,當擷取越多人體之參考肺音訊號,建立的該異常肺囉音診斷監測系統會越準確。該頻率區段為最易由病徵所引起肺音異常之頻帶,為50Hz至1000Hz之間。
配合參閱第三圖及第四圖,該計算功率子步驟S12為該處理器3從該頻率區段中選取一特殊頻帶,並計算每一參考功率譜密度曲線在該特殊頻帶及該頻率區段所分別界定的一參考特殊頻帶功率及一參考全頻帶功率。以下為方便說明,將該頻率區段區分成三個頻帶,分別為一第一頻帶為50Hz至100Hz、一第二頻帶為100Hz至150Hz,及一第三頻帶為150Hz至1000Hz。該第一頻帶所對應的頻帶功率為一第一頻帶功率P1,該第一頻帶功率P1對應該參考全頻帶功率的百分比為一第一頻帶功率百分比R1,該第二頻帶所對應的頻帶功率為一第二頻帶功率P2,該第二頻帶功率P2對應該參考全頻帶功率的百分比為一第二頻帶功率百分比R2,該第三頻帶所對應的頻帶功率為一第三頻帶功率P3,該第三頻帶功率P3對應該參考全頻帶功率的百分比為一第三頻帶功率百分比R3。本例每一參考功率譜密度曲線的該特殊頻帶為該第二頻帶,且對應的該參考特殊頻帶功率為該第二頻帶功率P2;該參考全頻帶功率,表示為(P1+P2+P3)。
該計算參數子步驟S13為該處理器3將每一參考功率譜密度曲線的該參考特殊頻帶功率對應該參考全頻帶功率的一參考特殊頻帶功率百分比,及該參考全頻帶功率代入對數關係之至少一判斷函數獲得每一參考功率譜密度曲線的至少一參考判斷參數。在本例中,所述判斷函數的數量為二個。其中一判斷函數為以10為底數,對該參考特殊頻帶功率百分比取對數,以算式表示為logR2,其中R2=P2/(P1+P2+P3)。另一判斷函數為以10為底數,對該參考全頻帶功率取對數,以算式表示為log(P1+P2+P3)。因此,從每一參考功率譜密度曲線可獲得二參考判斷參數。
該建立監測用之肺音判斷資料庫步驟S2包括一找出範圍子步驟S21及一調整範圍子步驟S22。
該找出範圍子步驟S21為該處理器3將所有參考功率譜密度曲線的二參考判斷參數與對應之該等人體實際肺部的診斷結果,經由接受者操作特徵曲線(receiver-operating-characteristic curve,ROC curve)及約登指數(Youden index)分析獲得該參考正常範圍、該參考異常範圍、該切分點範圍之邊界以及最佳切分點。在本例中,各該參考正常範圍為該其中一判斷函數的輸出值小於-1.51、該另一判斷函數的輸出值小於12.3,即logR2<-1.51、log(P1+P2+P3)<12.3,各該參考異常範圍為該其中一判斷函數的輸出值大於-1.31、該另一判斷函數的輸出值大於12.6,即logR2>-1.31、log(P1+P2+P3)>12.6,各該切分點範圍為該其中一判斷函數的輸出值在大於等於-1.51至小於等於-1.31之間、該另一判斷函數的輸出值在大於等於12.3至小於等於12.6之間。最佳切分點在該切分點範圍的中點。
該調整範圍步驟S22為該處理器3受控制在該參考正常範圍、該參考異常範圍及該切分點範圍內設定至少一切分點,且根據設定的至少一切分點、該參考正常範圍、該參考異常範圍設立監測用的該正常範圍及該異常範圍。使用者可藉由該調整範圍步驟S22將監測肺音朝向診斷正確率提高、診斷特異度提高、或診斷敏感度提高等目的調整。以下說明兩種調整方式。
第一種調整方式為使用者可在該切分點範圍內選擇二切分點,將趨近於該參考正常範圍的該切分點至該參考正常範圍之間的範圍及該參考正常範圍設為該正常範圍,並將趨近於該參考異常範圍的該切分點至該參考異常範圍之間的範圍及該參考異常範圍設為該異常範圍,藉由調整該等切分點實質
縮小該切分點範圍,進而增加診斷正確率。或是,使用者可將其中一切分點調整在該參考正常範圍內,另一切分點調整在該參考異常範圍內,由該其中一切分點縮小的該參考正常範圍設為該正常範圍,由該另一切分點縮小的該參考異常範圍設為該異常範圍,藉由調整該等切分點實質放大該切分點範圍。
第二種調整方式為,例如,使用者可選擇由該找出範圍子步驟S21找出的最佳切分點做為切分點,即在該切分點範圍的中點,將該切分點至該參考正常範圍之間的範圍及該參考正常範圍設為該正常範圍,該切分點至該參考異常範圍之間的範圍及該參考異常範圍設為該異常範圍,則經由該正常範圍、該異常範圍判斷可以得到判別的最佳準確度70%以上。
或是使用者可調整該切分點範圍內的該切分點趨近於該參考正常範圍,一樣將該切分點至該參考正常範圍之間的範圍及該參考正常範圍設為該正常範圍,該切分點至該參考異常範圍之間的範圍及該參考異常範圍設為該異常範圍,藉由調整切分點趨近於參考正常範圍可以增加診斷敏感度,若使診斷敏感度越高,也就是提高罹患囉音且系統診斷為異常的機率,即較可能會把正常者判為異常的比例提高,而不要錯過任何異常者。
亦或使用者可調整該切分點範圍內的該切分點趨近於該參考異常範圍,一樣將該切分點至該參考正常範圍之間的範圍及該參考正常範圍設為該正常範圍,該切分點至該參考異常範圍之間的範圍及該參考異常範圍設為該異常範圍,藉由調整切分點趨近於參考異常範圍可以增加診斷特異度,若使診斷特異度越高,即無罹患囉音且系統診斷為正常的機率提高,即較可能不會把正常者判為異常的比例提高,但也容易錯過了異常者而沒有偵測到。
該建立輔助診斷用之肺音判斷資料庫步驟S3。需特別說明的是,該建立監測用之肺音判斷資料庫步驟S2與該建立輔助診斷用之肺音判斷資料庫步驟S3並無先後順序。
該建立輔助診斷用之肺音判斷資料庫步驟S3為該處理器3根據胸腔醫學專家鑑定的標準肺音訊號,且以上述該等判斷函數,即logR2、log(P1+P2+P3)設為特徵向量,經由一監督式機器學習演算法來進行分類獲得輔助診斷用的一預測模型之該正常範圍及該異常範圍。該監督式機器學習演算法係使用隨機森林演算法(Random Forest)、支持向量機(Support Vector Machines,SVM)、K-近鄰演算法(K Nearest Neighbor,KNN)之一。該正常範圍為正常肺音,該異常範圍為異常肺囉音。
若該等參考肺音訊號落入該正常範圍,則對應之該預測模型為正常肺音,若該等參考肺音訊號落入異常範圍,則對應之該預測模型為異常肺囉音。
分析該監督式機器學習演算法所建立之該肺音判斷資料庫4的正確度平均高達80%以上,最高可達90%以上。
參閱第一圖及第五A圖,醫護人員在使用該異常肺囉音診斷監測系統監測該待測者的肺音是否正常或異常的過程為以下步驟。
醫護人員藉由該肺音擷取裝置1以該取樣頻率8kHz擷取該待測者之肺音,且將肺音轉換為該肺音訊號。
該處理器3接收該肺音訊號,經由該濾波單元31以該頻率區段進行通帶過濾,該處理器3再進行頻域轉換,擷取在該頻率區段之一功率譜密度
曲線,即在50Hz至1000Hz頻帶之該功率譜密度曲線,該功率譜密度曲線類似於一所述參考功率譜密度曲線,如第三圖所示。
該處理器3從該頻率區段中選取該特殊頻帶100Hz至150Hz,並計算該功率譜密度曲線在該特殊頻帶及該頻率區段所分別界定的該特殊頻帶功率及該全頻帶功率。該特殊頻帶功率即為上述之該第二頻帶功率P2,該全頻帶功率,即為上述之該第一頻帶功率P1、該第二頻帶功率P2、該第三頻帶功率P3之總和。
該處理器3根據該特殊頻帶功率所對應的該特殊頻帶功率百分比,及該全頻代功率分別代入對數關係之該二判斷函數而獲得二判斷參數。其中,該特殊頻帶功率百分比為該第二頻帶功率百分比R2,該二判斷函數即為上述之logR2、log(P1+P2+P3)。
之後醫護人員可以在該切分點範圍內進行該切分點的選擇,該切分點往該參考正常範圍趨近時,可提高該處理器3判斷該人體為異常肺囉音的敏感性。該切分點往該參考異常範圍趨近時,可提高該處理器3判斷該人體為異常肺囉音的特異性。選定好該切分點,該處理器3即設定好監測用之該正常範圍及該異常範圍。
在該二判斷參數落入監測用之該正常範圍時,該處理器3判斷該待測者為正常肺音。在該二判斷參數落入監測用之該異常範圍時,該處理器3判斷該人體為異常肺囉音。該處理器3判斷出該待測者之肺音狀態,即控制該輸出裝置2輸出判斷結果。
參閱第一圖及第五B圖,醫護人員在使用該異常肺囉音診斷監測系統輔助診斷該待測者的肺音是否正常或異常的過程,與上述監測該待測者的
肺音是否正常或異常的過程類似,在該二判斷參數落入輔助診斷用之該正常範圍時,該處理器3判斷該待測者為正常肺音;在該二判斷參數落入輔助診斷用之該異常範圍時,該處理器判斷該待測者為異常肺囉音。該處理器3判斷出該待測者之肺音狀態,即控制該輸出裝置2輸出判斷結果。
參閱第一圖、第三圖、第六圖及第七圖,本發明異常肺囉音診斷監測系統的一第二實施例,該第二實施例與該第一實施例類似,不同處在於該處理器3儲存的該至少一判斷函數,及該肺音判斷資料庫4儲存之監測用的該參考正常範圍、該參考異常範圍及該切分點範圍,以及輔助診斷用的該正常範圍及該異常範圍。在該第二實施例中,該處理器3該從該頻率區段中選取的該特殊頻帶一樣為該第二頻帶,所述判斷函數的數量為二個,其中一所述判斷函數為以10為底數對該特殊頻帶功率百分比取對數之結果的4倍,表示為4*logR2,另一判斷函數為以10為底數對該全頻帶功率取對數之結果的2倍,表示為2*log(P1+P2+P3)。因此,本例之該建立異常肺囉音診斷監測系統的方法會由於判斷函數的不同,在該找出範圍子步驟S21、該建立輔助診斷用之肺音判斷資料庫步驟S3中與該第一實施例相異。
在該找出範圍子步驟S21中,該處理器3將所有參考功率譜密度曲線各自的二參考判斷參數相加,即4*logR2+2*log(P1+P2+P3),並與對應之該等人體實際肺部的診斷結果,經由接受者操作特徵曲線及約登指數分析獲得該參考正常範圍、該參考異常範圍、該切分點範圍之邊界以及最佳切分點。在本例中,該參考正常範圍為該等判斷函數的輸出值相加小於16.5,即4*logR2+2*log(P1+P2+P3)<16.5,該參考異常範圍為該等判斷函數的輸出值相
加大於17.3,即4*logR2+2*log(P1+P2+P3)>17.3,該切分點範圍為該等判斷函數的輸出值相加在大於等於16.5至小於等於17.3之間。
在該建立輔助診斷用之肺音判斷資料庫步驟S3,該處理器3根據胸腔醫學專家鑑定的標準肺音訊號,且以4*logR2、2*log(P1+P2+P3)二判斷函數設為特徵向量,經由該監督式機器學習演算法來進行分類獲得輔助診斷用的該正常範圍及該異常範圍。
經由該監督式機器學習演算法獲得該預測模型的該正常範圍及該異常範圍,因此,若該等參考肺音訊號落入該正常範圍,則對應之該預測模型為正常肺音,若該等參考肺音訊號落入該異常範圍,則對應之該預測模型為異常肺囉音。
參閱第一圖及第八A圖,在本例中,醫護人員在使用該異常肺囉音診斷監測系統監測該待測者的肺音是否正常或異常的過程與該第一實施例類似,首先也是由醫護人員藉由該肺音擷取裝置1以該取樣頻率8kHz擷取該待測者之肺音,且將肺音轉換為該肺音訊號。該處理器3接收該肺音訊號,先經由該濾波單元31以該頻率區段進行通帶過濾,該處理器3再將過濾後之該肺音訊號進行頻域轉換,且擷取在該頻率區段之該功率譜密度曲線。該處理器3從該頻率區段中選取該特殊頻帶,並計算該功率譜密度曲線在該特殊頻帶及該頻率區段所分別界定的該特殊頻帶功率,即為上述之該第二頻帶功率P2及該全頻帶功率。該處理器3根據該特殊頻帶功率之特殊頻帶功率百分比及該全頻帶功率分別代入對數關係之該等判斷函數而獲得二判斷參數。
與該第一實施例的使用方式類似,醫護人員可以在該切分點範圍內進行該切分點的選擇設定該正常範圍及該異常範圍,之後該處理器3根據該
二判斷參數落入監測用之該正常範圍或該異常範圍監控該待測者之肺音狀態。經由重複抽樣驗證,藉由本例的該異常肺囉音診斷監測系統判斷出該待測者之肺音狀態,所建立之該肺音判斷資料庫4的正確度達80%以上。
參閱第一圖及第八B圖,醫護人員在使用該異常肺囉音診斷監測系統輔助診斷該待測者的肺音是否正常或異常的過程,與上述監測該待測者的肺音是否正常或異常的過程類似,在該二判斷參數落入輔助診斷用之該正常範圍時,該處理器3判斷該待測者為正常肺音;在該二判斷參數落入輔助診斷用之該異常範圍時,該處理器3判斷該待測者為異常肺囉音。經由交叉驗證,藉由此方式判斷出該待測者之肺音狀態,正確度高達90%以上。
綜合上述實施例之說明,當可充分瞭解本發明之操作、使用及本發明產生之功效,惟以上所述實施例僅係為本發明之較佳實施例,當不能以此限定本發明實施之範圍,即依本發明申請專利範圍及發明說明內容所作簡單的等效變化與修飾,皆屬本發明涵蓋之範圍內。
1:肺音擷取裝置
2:輸出裝置
3:處理器
31:濾波單元
4:肺音判斷資料庫
Claims (6)
- 一種異常肺囉音診斷監測系統,包含:一肺音擷取裝置,以一取樣頻率擷取一人體之肺音,且據以轉換為一肺音訊號;及一處理器,包括一濾波單元,該處理器訊號連接該肺音擷取裝置,該處理器接收該肺音訊號後,透過該濾波單元將該肺音訊號以介於50Hz至1000Hz之間的一頻率區段進行通帶過濾,並將過濾後的該肺音訊號進行頻域轉換,且擷取出在該頻率區段之一功率譜密度曲線;該處理器從該頻率區段中選取介於100Hz至150Hz之間的一特殊頻帶,並計算該功率譜密度曲線在該特殊頻帶及該頻率區段所分別界定的一特殊頻帶功率及一全頻帶功率;一肺音判斷資料庫,訊號連接該處理器,該肺音判斷資料庫包括一參考正常範圍、一參考異常範圍及一切分點範圍,該切分點範圍在該參考正常範圍及該參考異常範圍之間,且該參考正常範圍、該參考異常範圍,及該切分點範圍之邊界是由接受者操作特徵曲線及約登指數分析獲得;該處理器受控制在該切分點範圍內設定一切分點,且將該切分點至該參考正常範圍之間的範圍及該參考正常範圍設為一正常範圍,並將該切分點至該參考異常範圍之間的範圍及該參考異常範圍設為一異常範圍;或者,該處理器受控制在該切分點範圍內設定二切分點,且將趨近於該參考正常範圍的該切分點至該參考正常範圍之間的範圍及該參考正常範圍設為該正常範圍,並將趨近於該參考異常範圍的該切分點至該參考異常範圍之間的範圍及該參考異常範圍設為該異常範圍; 該處理器將該特殊頻帶功率對應該全頻帶功率的一特殊頻帶功率百分比,及該全頻帶功率分別代入對數關係之二判斷函數,其中一判斷函數為以10為底數,對該特殊頻帶功率百分比取對數,另一判斷函數為以10為底數,對該全頻帶功率取對數,從而獲得二判斷參數;該參考正常範圍為該其中一判斷函數的輸出值小於-1.51及該另一判斷函數的輸出值小於12.3,該參考異常範圍為該其中一判斷函數的輸出值大於-1.31及該另一判斷函數的輸出值大於12.6,該切分點範圍為該其中一判斷函數的輸出值在大於等於-1.51至小於等於-1.31之間及該另一判斷函數的輸出值在大於等於12.3至小於等於12.6之間;在該至少一判斷參數落入該正常範圍時,該處理器判斷該人體為正常肺音;在該至少一判斷參數落入該異常範圍時,該處理器判斷該人體為異常肺囉音。
- 如請求項1所述之異常肺囉音診斷監測系統,其中,該頻率區段為50Hz至1000Hz,該特殊頻帶為100Hz至150Hz,所述判斷函數的數量為二個,其中一判斷函數為以10為底數對該特殊頻帶功率百分比取對數之結果的4倍,另一判斷函數為以10為底數對該全頻帶功率取對數之結果的2倍,該參考正常範圍為該等判斷函數的輸出值相加小於16.5,該參考異常範圍為該等判斷函數的輸出值相加大於17.3,該切分點範圍為該等判斷函數的輸出值相加在大於等於16.5至小於等於17.3之間。
- 如請求項1所述之異常肺囉音診斷監測系統,該正常範圍及該異常範圍是根據胸腔醫學專家鑑定的標準肺音訊號,以至少一判斷函數設為特徵向量,經由一監督式機器學習演算法來進行分類。
- 一種建立異常肺囉音診斷監測系統的方法,包含一設定判斷參數步驟,該設定判斷參數步驟包括:一處理器包含有一濾波單元,該濾波單元將多個參考肺音訊號進行頻域轉換,且該處理器透過該濾波單元將每一參考肺音訊號擷取出介於50Hz至1000Hz之間的一頻率區段之一參考功率譜密度曲線;該處理器從該頻率區段中選取介於100Hz至150Hz之間的一特殊頻帶,並計算每一參考功率譜密度曲線在該特殊頻帶及該頻率區段所分別界定的一參考特殊頻帶功率及一參考全頻帶功率;及該處理器將每一參考功率譜密度曲線的該參考特殊頻帶功率對應該參考全頻帶功率的一參考特殊頻帶功率百分比,及該參考全頻帶功率分別代入對數關係之二判斷函數,其中一判斷函數為以10為底數,對該特殊頻帶功率百分比取對數,另一判斷函數為以10為底數,對該全頻帶功率取對數,從而獲得每一參考功率譜密度曲線的二參考判斷參數。
- 如請求項4所述之建立異常肺囉音診斷監測系統的方法,還包含一建立監測用之肺音判斷資料庫步驟,該建立監測用之肺音判斷資料庫步驟為:該處理器將所有參考功率譜密度曲線的該至少一參考判斷參數與該等人體實際肺音的診斷結果,經由接受者操作特徵曲線及約登指數分析獲得一參考正常範圍、一參考異常範圍及一切分點範圍之邊界;其中,該參考正常範圍為該其中一判斷函數的輸出值小於-1.51及該另一判斷函數的輸出值小於12.3,即定義為正常肺音;該參考異常範圍為該其中一判斷函數的輸出值大於-1.31及該另一判斷函數的輸出值大於12.6,即定義為異常肺囉音;該切分點範圍為該其中一判斷函數的輸出值在大於等於-1.51至小於等於-1.31之間及該另一判斷函數的輸出值在 大於等於12.3至小於等於12.6之間,因此該切分點範圍位在該參考正常範圍及該參考異常範圍之間;及該處理器受控制在該參考正常範圍、該參考異常範圍及該切分點範圍中設定至少一切分點,且根據設定的該至少一切分點、該參考正常範圍、該參考異常範圍設立一正常範圍及一異常範圍。
- 如請求項4所述之建立異常肺囉音診斷監測系統的方法,還包含一建立輔助診斷用之肺音判斷資料庫步驟,該建立輔助診斷用之肺音判斷資料庫步驟為:該處理器根據胸腔醫學專家鑑定的標準肺音訊號,以至少一判斷函數設為特徵向量,經由一監督式機器學習演算法來進行分類獲得一預測模型之一正常範圍及一異常範圍,其中,該正常範圍為正常肺音,該異常範圍為異常肺囉音。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111114700A TWI809825B (zh) | 2022-04-18 | 2022-04-18 | 異常肺囉音診斷監測系統及其建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111114700A TWI809825B (zh) | 2022-04-18 | 2022-04-18 | 異常肺囉音診斷監測系統及其建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI809825B true TWI809825B (zh) | 2023-07-21 |
TW202343435A TW202343435A (zh) | 2023-11-01 |
Family
ID=88149637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111114700A TWI809825B (zh) | 2022-04-18 | 2022-04-18 | 異常肺囉音診斷監測系統及其建立方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI809825B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201034625A (en) * | 2008-12-15 | 2010-10-01 | Proteus Biomedical Inc | Body-associated receiver and method |
US20130304392A1 (en) * | 2013-01-25 | 2013-11-14 | Sequenom, Inc. | Methods and processes for non-invasive assessment of genetic variations |
CN107438398A (zh) * | 2015-01-06 | 2017-12-05 | 大卫·伯顿 | 移动式可穿戴的监控*** |
CN113795289A (zh) * | 2019-05-02 | 2021-12-14 | 瑞思迈私人有限公司 | 用于呼吸治疗***的声学部件识别 |
-
2022
- 2022-04-18 TW TW111114700A patent/TWI809825B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201034625A (en) * | 2008-12-15 | 2010-10-01 | Proteus Biomedical Inc | Body-associated receiver and method |
US20130304392A1 (en) * | 2013-01-25 | 2013-11-14 | Sequenom, Inc. | Methods and processes for non-invasive assessment of genetic variations |
CN107438398A (zh) * | 2015-01-06 | 2017-12-05 | 大卫·伯顿 | 移动式可穿戴的监控*** |
CN113795289A (zh) * | 2019-05-02 | 2021-12-14 | 瑞思迈私人有限公司 | 用于呼吸治疗***的声学部件识别 |
Also Published As
Publication number | Publication date |
---|---|
TW202343435A (zh) | 2023-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240023886A1 (en) | Noninvasive method and system for sleep apnea detection | |
CN108388912B (zh) | 基于多传感器特征优化算法的睡眠分期方法 | |
JP5093537B2 (ja) | 音情報判定支援方法、音情報判定方法、音情報判定支援装置、音情報判定装置、音情報判定支援システム及びプログラム | |
Karunajeewa et al. | Multi-feature snore sound analysis in obstructive sleep apnea–hypopnea syndrome | |
Aziz et al. | An automated system towards diagnosis of pneumonia using pulmonary auscultations | |
US9168018B2 (en) | System and method for classifying a heart sound | |
WO2014094415A1 (zh) | 基于生物电阻抗的睡眠呼吸模式识别方法及装置 | |
WO2012042453A1 (en) | Apparatus and method for diagnosing obstructive sleep apnea | |
Arteaga-Falconi et al. | R-peak detection algorithm based on differentiation | |
Zhang et al. | Development of a novel wireless multi-channel stethograph system for diagnosing pulmonary and cardiovascular diseases | |
Roy et al. | A novel melspectrogram snippet representation learning framework for severity detection of chronic obstructive pulmonary diseases | |
CN110772279A (zh) | 一种肺音信号采集装置与分析方法 | |
TWI809825B (zh) | 異常肺囉音診斷監測系統及其建立方法 | |
Jin et al. | Automatic wheeze detection using histograms of sample entropy | |
JP2022063926A (ja) | 睡眠状態推定システム | |
Zhang et al. | Digital signal processing and analysis of cardiopulmonary audio using a multi-channel stethograph system | |
CN110897621B (zh) | 一种生理信号提取方法及其*** | |
Wang et al. | Corona virus disease 2019 respiratory cycle detection based on convolutional neural network | |
KR102345884B1 (ko) | 수치 데이터를 이용한 수면무호흡증 예측 모델의 생성 방법 및 이 모델을 이용한 수면무호흡증 예측 방법 | |
CN114464200A (zh) | 基于耳机的肺功能检测方法、***、设备及可读存储介质 | |
Shivaanivarsha et al. | Respiratory sound analysis for lung disease diagnosis | |
CN113509169A (zh) | 一种基于多参数非接触睡眠呼吸暂停检测***及方法 | |
Milicevic et al. | Classification accuracy comparison of asthmatic wheezing sounds recorded under ideal and real-world conditions | |
Rocha et al. | Detection of squawks in respiratory sounds of mechanically ventilated COVID-19 patients | |
US20240188921A1 (en) | Method for determining respiratory phases in an acoustic signal, computer program product, storage medium and corresponding device |