Study on Automatic Recognition of Multiple Lung Sounds

本研究提出一種可辨識多種肺音的演算法，可自動辨識包括正常與異常肺音種類達到15種。本系統的取樣頻率為11025 Hz，並整合了小波轉換與自我迴歸模型為特徵值擷取方法。其中在小波轉換方面，分析了三種不同系列共12種的小波基底，包括了Coiflet-2、Coiflet-3、Coiflet-4、Coiflet-5、Symlet-5、Symlet-6、Symlet-7、Symlet-8、Daubechies-5、Daubechies-6、Daubechies-7及Daubechies-8。分析的結果為Daubechies-8有最好的辨識正確率。本系統亦加入了自我迴歸模型(Autoregressive model, AR model)做為特徵值選取的工具，並以Akaike模型選取資訊準則(Akaike information criterion, AIC)為模型階數評估標準。整合了小波轉換與自我迴歸模型為特徵值擷取方法改善了傳統上只使用小波轉換為特徵值選取的工具，在辨識效果上有顯著的提升。 在分類器方面，本研究除了使用傳統的倒傳遞網路做為型態辨識分類器外，並且調整隱藏層神經元數目予以最佳化，使得辨識正確率達到85.3%。同時亦比較了另外兩種不同架構的圖形分類器：學習向量量化網路及徑向基網路，其正確率分別可達到90.4%及93.3%。最後將這三種不同架構的分類氣整合成一大系統，達到類似投票系統的功能，提高系統的可靠度，其辨識正確率達到94.4%。未來可望朝居家看護儀器發展或進行肺音資料庫之建立。An algorithm of automatic recognition 15 kinds of lung sounds, including normal and adventitious lung sounds, is presented in this thesis. The proposed system utilizes 11025 Hz sampling rate, and integrates wavelet transform and autoregressive model (AR model) for extracting features of lung sounds. As the aspect of wavelet transform, 12 kinds of wavelet basis, including Coiflet-2, Coiflet-3, Coiflet-4, Coiflet-5, Symlet-5, Symlet-6, Symlet-7, Symlet-8, Daubechies-5, Daubechies-6, Daubechies-7 and Daubechies-8, are comprehensively compared in this study. Among 12 wavelet basis, Daubechies-8 has been confirmed to yields best recognition result through comprehensive comparisons. The system also combines autoregressive model as another feature extraction method, and Akaike information criterion is utilized as principle of order determination. The experimental result clearly shows that by combining AR model and wavelet transform, the proposed method performs better than traditional approaches that only used wavelet transform as primary feature extraction method in recognizing lung sounds. As the aspect of classification, back propagation neural network is been utilized to perform the task of recognizing pattern in lung sounds. It also has been confirmed that the number of neurons in the hidden layer is optimized. The experimental result shows that average recognition rate yielded by the proposed algorithm reaches as high as 85.3%. In addition, other two neural networks, learning vector quantization network and radio basis function network, are compared along with the previous one, which the recognition accuracy yielded by those methods are 90.4 and 93.3%, respectively. Finally, the three neural networks are integrated together as a vote system that can increase the reliability of the proposed system, and the recognition accuracy yielded by the integrated system further improved to 94.4%. Thus, the system can be developed for home care equipment, or an assist for establishing lung sound databases.目錄 誌謝 i 中文摘要 ii 英文摘要 iii 目錄 iv 圖目錄 vii 表目錄 xi 第一章 緒論 1 1.1 研究背景 1 1.2 研究動機與目的 2 1.3 論文架構 4 第二章 文獻探討 5 2.1 肺音簡介 5 2.1.1支氣管音 6 2.1.2 肺泡音 7 2.1.3 氣管音 8 2.1.4 哮喘音 9 2.1.5 乾囉音 11 2.1.6 哮鳴音 12 2.1.7 爆裂音 13 2.1.8 嘎嘎聲(Squawk) 14 2.2 肺音辨識的方法 15 2.2.1 單種肺音辨識 17 2.2.2 多種肺音辨識 22 第三章 研究方法 25 3.1 自我迴歸模型 25 3.2 Akaike information criterion 30 3.3 小波轉換 32 3.4 類神經網路 48 3.4.1倒傳遞網路 51 3.4.2 徑向網路 59 3.4.3 學習向量量化網路 60 第四章 研究成果 63 4.1 資料前處理 63 4.2 特徵值擷取 65 4.2.1 自我迴歸模型最佳階數測試結果 66 4.2.2 小波基底測試結果 69 4.3 類神經網路分類 79 4.3.1 倒傳遞網路辨識結果 79 4.3.2 學習向量量化網路辨識結果 87 4.3.3 徑向基網路測試結果 90 4.3.4 投票系統辨識結果 93 第五章 結論與未來的工作 95 5.1 結論 95 5.2 未來的工作 95 參考文獻 97 圖目錄 圖2-1 呼吸道示意圖 6 圖2-2 支氣管音的典型波形 7 圖2-3 肺泡音的典型波形 8 圖2-4 氣管音的典型波形 8 圖2-5 哮喘音的典型波形 9 圖2-6 哮喘音訊號疊加在正常肺音之上的情形 10 圖2-7 乾囉音的典型波形 12 圖2-8 哮鳴音的典型波形 13 圖2-9 細爆裂音的典型波形 14 圖2-10 粗爆裂音的典型波形 14 圖2-11 Squawk的典型波形 15 圖2-12 肺音辨識系統架構圖 15 圖3-1 自我迴歸模型示意圖 25 圖3-2 測試用的弦波雜訊 31 圖3-3 AIC測試結果 32 圖3-4 傅利葉轉換、短時傅利葉轉換及小波轉換的解析度示意圖 33 圖3-5 快速小波轉換兩個等級分解與重建示意圖 37 圖3-6 (a) N階之Daubechies小波函數；(b) N階之Daubechies自格函數 39 圖3-7 (a)離散化之N階之Daubechies小波濾波器；(b)離散化之N階之Daubechies自格濾波器 39 圖3-8 (a)N階Symlet小波函數；(b) N階之Symlet自格函數 40 圖3-9 (a)離散化之N階Symlet小波濾波器；(b)離散化之N階之Symlet自格濾波器 40 圖3-10 Haar小波基底頻帶分布圖 43 圖3-11 Daubechies-2小波基底頻帶分布圖 44 圖3-12 Symlet-8小波基底頻帶分布圖 45 圖3-13 Daubechies-2與Symlet-8各等級之相位函數以及時間位移函數比較 46 圖3-14 小波包轉換分解示意圖 48 圖3-15 神經元示意圖 49 圖3-16 單層前饋網路的架構圖 51 圖3-17 常用的轉移函數 52 圖3-18 多層前饋網路的架構示意圖 52 圖3-19 徑向網路的架構示意圖 59 圖3-20 徑向基神經元的轉移函數為高斯函數 60 圖3-21 學習向量量化網路架構圖 60 圖4-1 原始訊號及加了白高斯雜訊後的波形 65 圖4-2 正常支氣管音各階自我迴歸模型的AIC值 66 圖4-3 哮喘音各階自我迴歸模型的AIC值 66 圖4-4 最佳自我迴歸模型階數的演算流程圖 67 圖4-5 小波基底測試流程圖 70 圖4-6 小波轉換分解肺音訊號後，各頻帶的小波係數結果 72 圖4-7 Coiflet-N的小波基底 73 圖4-8 Coiflet-N辨識效果比較圖 74 圖4-9 Symlet-N的小波基底 75 圖4-10 Symlet-N辨識效果比較圖 75 圖4-11 Daubechies-N的小波基底 76 圖4-12 Daubechies-N辨識效果比較圖 77 圖4-13 各系列小波基底辨識效果比較圖 78 圖4-14 使用小波轉換為特徵值擷取工具的辨識流程圖 80 圖4-15 倒傳遞網路架構示意圖 81 圖4-16 使用自我迴歸模型及小波轉換做為特徵值擷取工具的辨識流程圖 84 圖4-17 學習向量量化網路架構示意圖 87 圖4-18 使用學習向量量化網路為分類器的實驗流程 88 圖4-19 使用機率類神經網路為分類器的實驗流程 91 圖4-20 機率類神經網路架構圖 91 圖4-21 投票系統演算流程圖 93 表目錄 表2-1 爆裂音研究的文獻整理 18 表2-2 哮喘音研究的文獻整理 20 表4-1 各種肺音自我迴歸模型的最適合階數 68 表4-2 各分解信號的主要頻帶分佈 70 表4-3 Coiflet-N辨識效果表 73 表4-4 Symlet-N辨識效果表 74 表4-5 Daubechies-N辨識效果表 77 表4-6 使用小波轉換擷取特徵值的結果 82 表4-7 使用小波轉換為特徵值擷取工具的辨識結果分析表 83 表4-8 加入自我迴歸模型特徵值後的結果 85 表4-9 使用小波轉換及自我迴歸模型為特徵值擷取工具的辨識結果分析表 86 表4-10 LVQ的辨識結果 89 表4-11 使用學習向量量化網路為分類器的辨識結果分析表 90 表4-12 使用機率類神經網路為分類器的辨識結果分析表 92 表4-13 投票系統結果整理表 9