姚小靜，王 洪，李 燕，崔建國

(重慶理工大學(xué) a.化學(xué)化工學(xué)院;b.藥學(xué)與生物工程學(xué)院，重慶 400054)

近年來，大氣污染日益加劇，哮喘、慢性阻塞性肺病、肺炎等肺部疾病的發(fā)病率也日益增加。現(xiàn)階段的肺音診斷僅僅依靠醫(yī)務(wù)工作者的臨床經(jīng)驗(yàn)和聽力水平，因此存在主觀性較強(qiáng)等問題。目前，肺炎等疾病仍然依靠胸透、肺功能檢查和肺動(dòng)脈血?dú)庀嗟葯z查手段進(jìn)行診斷，給病人帶來的輻射危害，許多專家正努力尋找新的診斷方法。肺功能檢查操作繁瑣，病人配合難度高;而肺音聽診費(fèi)用低廉且對人體無害，能發(fā)現(xiàn)早期肺炎和其他疾病的信號(hào)。肺音信號(hào)分析、識(shí)別技術(shù)就是借助計(jì)算機(jī)與數(shù)字信號(hào)處理技術(shù)綜合患者的肺音醫(yī)學(xué)信息，研究肺音與肺部疾病的內(nèi)在聯(lián)系，通過肺音信號(hào)的異常來檢測病人肺器官的器質(zhì)性和功能性病變。

1 肺音信號(hào)及其研究意義

肺音是呼吸系統(tǒng)與大氣進(jìn)行氣體交換時(shí)所產(chǎn)生的蘊(yùn)含豐富的呼吸系統(tǒng)生理信息的聲音信號(hào)，它的變化可直接反映肺部生理、病理的變化。肺音的基礎(chǔ)研究包括其發(fā)生機(jī)理、傳導(dǎo)途徑以及典型種類。Forgacs的理論表明:氣流在支氣管和小氣管內(nèi)的渦流震蕩以及氣流與氣管壁的摩擦作用、氣流與肺泡進(jìn)行的氣體交換會(huì)產(chǎn)生不同類型的肺音。人體異常肺音如附加音是一類連續(xù)或不連續(xù)的非穩(wěn)定性呼吸異常音。Paris.A等發(fā)現(xiàn)支氣管樹底部狹窄所造成的氣流湍流是產(chǎn)生附加音的原因，其中常見的肺羅音與氣道的分泌物有關(guān)［1］。

1976年成立的國際肺音協(xié)會(huì)對肺音術(shù)語進(jìn)行了標(biāo)準(zhǔn)化。1977年美國胸部協(xié)會(huì)對異常肺音進(jìn)行了分類，即粗爆裂音、細(xì)爆裂音、喘鳴音和干羅音［2］。目前國際上仍通用1977年美國胸部協(xié)會(huì)的肺音分類，把典型的肺音分為正常肺音、支氣管音、連續(xù)或不連續(xù)附加音等，將粗爆裂音、細(xì)爆裂音、喘鳴音和干羅音歸為連續(xù)或不連續(xù)的附加音中。

肺音成分復(fù)雜，這是因?yàn)榉我舭l(fā)生機(jī)理復(fù)雜。肺音信號(hào)所含的豐富信息具有很大的應(yīng)用價(jià)值，主要體現(xiàn)在:呼吸監(jiān)控，監(jiān)視哮喘患者的發(fā)作;檢測肺間質(zhì)纖維化，檢測羅音作為發(fā)現(xiàn)肺癌和異物的線索標(biāo)志［2］。肺聽診更能診斷出急性病如充血性心力衰竭，且檢查費(fèi)用相對低廉。我國對肺音的研究起步較晚，需要加快這方面的研究。

2 肺音獲取技術(shù)

肺音信號(hào)微弱，所以采集肺音的聲音傳感器需要具備高靈敏度、高放大倍數(shù)和強(qiáng)抗環(huán)境噪聲的能力?，F(xiàn)在多采用加速度傳感器、電容式傳感器和壓電式聲音傳感器等采集肺音信號(hào)［3］，其中應(yīng)用最廣的是反應(yīng)比較靈敏的加速度聲音傳聲器，其抗環(huán)境噪聲的能力很強(qiáng)。壓電式傳感器又稱接觸式聲音傳感器，它不同于電容傳聲器，是直接將肺音信號(hào)通過敏感元件轉(zhuǎn)換為電信號(hào)用以檢測肺音。電容傳聲器依靠空氣的擾動(dòng)來實(shí)現(xiàn)肺音的檢測，這會(huì)不可避免地混入其他聲波的干擾，所以壓電式傳感器優(yōu)于電容式傳感器。無線藍(lán)牙技術(shù)的出現(xiàn)給聽診器帶來了革命性的變化。王琦等設(shè)計(jì)了一種藍(lán)牙無線電子聽診器，該系統(tǒng)可將肺音和心音進(jìn)行分離［3］。已有符合醫(yī)用標(biāo)準(zhǔn)的電子聽診器問世，如美國3MTM Littmann公司生產(chǎn)的3200型電子聽診器。該聽診器利用藍(lán)牙技術(shù)無線采集肺音，不僅實(shí)現(xiàn)肺音的實(shí)時(shí)顯示和能量譜分析，還可將病人資料和肺音信號(hào)實(shí)時(shí)傳輸至電腦并存儲(chǔ)成為便于軟件處理的.WAV格式文件，為進(jìn)一步研究肺音提供了非常好的研究條件。

AtulC.Mehta 等［4］將40 個(gè)傳感器陣列固定于受試者背部的不同位置，將采集的肺音信號(hào)轉(zhuǎn)化成表現(xiàn)肺音能量分布的量化灰度圖像，能反映肺音強(qiáng)度的空間分布。圖1為一個(gè)嚴(yán)重哮喘成年男性病人的最大吸氣時(shí)量化肺音能量灰度圖，灰度值由黑到白表示信號(hào)的能量由高到低，顯示了肺音信號(hào)在肺組織中的不對稱分布。該研究的算法較完善，靈敏度較高，病理狀態(tài)的細(xì)微變化都會(huì)實(shí)時(shí)準(zhǔn)確地反映到灰度圖像上。缺點(diǎn)是因人體的肺間質(zhì)不均勻，導(dǎo)致環(huán)境對灰度圖像的影響也較大，所以該方法在臨床應(yīng)用方面還需進(jìn)一步探索研究。

肺音獲取技術(shù)目前取得了相當(dāng)?shù)倪M(jìn)展。采集肺音的聲音傳感器有加速度傳感器、電容式傳感器和壓電式聲音傳感器。通過高放大倍數(shù)、強(qiáng)抗環(huán)境噪聲能力的放大器可進(jìn)行肺音信號(hào)的放大。壓電式傳感器體積比一般傳感器小，代表聲音傳感器輕便化的一種趨勢［5－6］。采用傳感器陣列同時(shí)獲取多個(gè)位置的肺音地圖能更直觀地表現(xiàn)肺部的異常變化，是很有開發(fā)價(jià)值的肺音診斷方法。

圖1 一個(gè)患有嚴(yán)重哮喘的成年男性病人的最大吸氣時(shí)量化肺音能量灰度圖

3 肺音信號(hào)處理方法

肺音信號(hào)處理的目的是研究肺音的去噪方法以及肺音在時(shí)域、頻域及時(shí)頻域的信號(hào)特征與肺部疾病的關(guān)系。

3.1 肺音去噪

肺音去噪就是消除肌肉摩擦音、心音、腸胃蠕動(dòng)音、傳感器自身缺陷以及不同的采集環(huán)境和操作方法等對肺音造成的干擾［7］。傳統(tǒng)肺音去噪技術(shù)包括高通濾波(截止頻率為100 Hz)和低通濾波(截止頻率為2000 Hz)，但除噪效果不理想。肺音頻帶(100～2000 Hz)與心音頻帶(5～600 Hz)高度重合，所以傳統(tǒng)的高、低通濾波技術(shù)無法有效濾除肺音中的心音。筆者研究表明:3M公司電子聽診器消除心音的效果并不好，采集到的肺音中存在高強(qiáng)度的心音。

因此，需要改進(jìn)以往算法，從小波分解重噪和自適應(yīng)濾波等數(shù)字信號(hào)處理技術(shù)方面著手研究出更優(yōu)良的去除心音和其他干擾的方法。

3.2 肺音的時(shí)域、頻域和其他分析方法

肺音的時(shí)頻研究分析肺音的時(shí)、頻域特征，從肺音信號(hào)的本身特點(diǎn)出發(fā)探索肺音蘊(yùn)含的病理特征。常用的時(shí)域分析法有波形的峰值、周期、呼氣相和吸氣相的持續(xù)時(shí)間分析、肺音時(shí)域能量分析以及非線性分析［8］。臨床上干羅音的持續(xù)時(shí)間占肺音呼、吸氣相的時(shí)間比例可作為判斷病人哮喘嚴(yán)重程度的依據(jù)。非線性動(dòng)力學(xué)作為研究非平穩(wěn)信號(hào)的工具，同樣可以研究肺音和心音的病理特征。Elio Conte等用非線性動(dòng)力學(xué)的遞歸定量分析法(RQA)分析病人左右肺尖的肺音，發(fā)現(xiàn)肺部異常會(huì)導(dǎo)致呼吸控制動(dòng)力的改變，通過RQA分析肺音得到的Lyapunov指數(shù)的變化能反映該呼吸控制動(dòng)力的變化［9］。但是，非線性動(dòng)力學(xué)分析法不夠直觀，不能充分利用多參數(shù)進(jìn)行分析。

譜分析也是研究肺音的常用方法。受試者即使呼吸均勻，每個(gè)呼吸周期內(nèi)肺容積和氣體流動(dòng)速率也呈動(dòng)態(tài)變化，采集的肺音也是非平穩(wěn)信號(hào)［2］。傳統(tǒng)的傅里葉變換能夠得到整個(gè)肺音時(shí)間段的頻率分布特征，適用于平穩(wěn)的連續(xù)信號(hào)，而不適合進(jìn)行斷續(xù)性肺音的分析［10］。功率譜密度、自回歸模型、雙譜和以高階譜為代表的現(xiàn)代譜估計(jì)等在肺音研究方面起到了很大作用。譜分析研究顯示:長期吸煙的人肺音主頻率較不吸煙者的主頻率分散，而且肺音的頻譜能反映肺結(jié)構(gòu)的變化。趙守國等用AR模型、高階累積量以及高階譜分析等方法估計(jì)肺傳聲系統(tǒng)，抑制了非高斯白噪聲，得到了肺胸系統(tǒng)聲傳遞特征［11］。

時(shí)域分析中，單一參數(shù)已不能充分反映肺音信號(hào)的特點(diǎn)，氣流速率、肺容量、患者體位等多種參數(shù)綜合檢測是肺音研究的新趨勢。經(jīng)典譜分析在斷續(xù)性異常肺音的分析中存在不足，不能作為動(dòng)態(tài)肺音研究的工具，因此需要一種能在時(shí)、頻域中動(dòng)態(tài)分析肺音的方法，如短時(shí)加窗法和小波法等。

3.3 短時(shí)加窗傅里葉變換

短時(shí)加窗傅里葉變換簡稱STFT，是早期肺音分析的有力工具［12］。它將信號(hào)近似看成是短時(shí)平穩(wěn)的，用可移動(dòng)的窗口實(shí)現(xiàn)加窗分幀。常用的窗口函數(shù)有矩型窗、三角窗和海明窗等。信號(hào)x(t)的STFT變換為

式(1)中w(n)為窗函數(shù)。

短時(shí)加窗傅里葉變換(STFT)把肺音信號(hào)的時(shí)域與頻域聯(lián)系起來，克服了傅里葉變換需要全部時(shí)域信號(hào)的缺點(diǎn)，對信號(hào)的平穩(wěn)性要求也有所降低，所以STFT比較適合肺音信號(hào)的時(shí)頻域研究。韋爾奇譜估計(jì)就是在STFT基礎(chǔ)上將肺音信號(hào)用窗函數(shù)分割為一幀一幀的數(shù)據(jù)，然后計(jì)算一周期肺音信號(hào)的功率譜密度(PSD)，再將平均后的PSD值作為模式識(shí)別的神經(jīng)網(wǎng)絡(luò)的輸入，最終得到較好的肺音疾病分類結(jié)果［13］。STFT的頻率分辨率和時(shí)間分辨率是通過調(diào)整窗口長度實(shí)現(xiàn)的，不可能同時(shí)實(shí)現(xiàn)兩者的最大化。時(shí)域窗口的加寬會(huì)引起頻率分辨率提高，導(dǎo)致時(shí)間分辨率降低，失去高頻信號(hào)的時(shí)間定位準(zhǔn)確性;反之，時(shí)域窗口變窄，頻域窗口會(huì)變寬，高頻的時(shí)間分辨率提高，但低頻的頻率成分就無法分清。如果需要確定肺音在哪一時(shí)間點(diǎn)上發(fā)生異常、突變的成分，并確定某一頻率成分發(fā)生的時(shí)間點(diǎn)，STFT就不完全符合肺音分析的要求。

3.4 小波分析

小波變換在生物醫(yī)學(xué)信息處理中發(fā)揮了重要作用。小波變換的時(shí)間－頻率窗靈活可變，具有“數(shù)學(xué)顯微鏡”的特性，它兼具STFT不能同時(shí)具有的高時(shí)間分辨率和高頻率分辨率。小波是由母小波ψa，b(t)經(jīng)過尺度變換和位移變換產(chǎn)生的一系列函數(shù)簇。小波變換是將信號(hào)投影到一系列經(jīng)尺度變換和位移變換后的小波構(gòu)成的子空間中，一維連續(xù)函數(shù)f(t)的連續(xù)小波變換為

利用小波的尺度變換和位移變換可在不同的頻率區(qū)間、不同的時(shí)間位置對信號(hào)進(jìn)行分析。小波變換具有帶通濾波器的性質(zhì)。ψa，b(t)從另一個(gè)角度可看作時(shí)間窗和頻率窗均可調(diào)的窗函數(shù)。分析頻率較低的信號(hào)段時(shí)采用寬窗，較高頻率信號(hào)段時(shí)采用窄窗，從而實(shí)現(xiàn)較高的頻率分辨率和時(shí)間分辨率。多分辨率小波分析(MRA)建立在函數(shù)空間概念的理論上，也就是在正交小波基礎(chǔ)上構(gòu)造一組正交帶通濾波器對信號(hào)進(jìn)行濾波處理，使其頻率分辨率更高。

小波分析法濾除肺音中心音干擾的效果優(yōu)于傳統(tǒng)濾波方法。A.K等［14］將混有心音的肺音信號(hào)做小波變換，然后把小波系數(shù)進(jìn)行非線性收縮，收縮后的小波系數(shù)經(jīng)小波反變換重構(gòu)肺音信號(hào)。結(jié)果顯示:重構(gòu)得到的肺音信號(hào)平滑且沒有心音干擾，濾除心音干擾的效果顯著。Leontios J［15］等運(yùn)用小波變換自適應(yīng)濾波技術(shù)，采用WTST-NST濾波器(基于穩(wěn)態(tài)—非穩(wěn)態(tài)的小波變換濾波器)，將小波系數(shù)利用閾值(二值)法分為2種:一種小波系數(shù)用于重構(gòu)得到純凈的肺音信號(hào);另一種小波系數(shù)用于重構(gòu)心音信號(hào)。重構(gòu)得到的肺音濾除了心音的干擾，既保留了肺音信號(hào)的高頻信息又保留了有價(jià)值的低頻信息(75 Hz以下的大部分能量)。此法不需要參考信號(hào)，而且不需要定位第一、第二心音的位置，心音濾除效果較好，濾除率為70%。

本文采用小波閾值除噪技術(shù)將混合心肺音信號(hào)用coif2小波進(jìn)行6層小波分解，然后將各層系數(shù)經(jīng)過每層不同的閾值消噪，得到比較純凈的心音，利用混合心肺音信號(hào)減去閾值消噪后得到的心音信號(hào)，最后得到相對純凈的肺音。實(shí)驗(yàn)結(jié)果如圖2所示:去噪后肺音信號(hào)與原始肺音信號(hào)相比心音得到了有效濾除，而且該心音去噪算法較以往算法簡單。白培瑞和郭皓等運(yùn)用盲分離算法成功地對肺音信號(hào)中心音干擾信號(hào)進(jìn)行了有效分離［16－17］。盲分離算法在嘈雜環(huán)境中提取目標(biāo)聲音信號(hào)的效果顯著，但相對于小波消噪法，盲分離法消除肺音中心音干擾時(shí)需同步采集心音信號(hào)，因此會(huì)導(dǎo)致設(shè)備昂貴，且算法也比較復(fù)雜。

圖2 原始肺音信號(hào)和去噪后肺音信號(hào)圖

STFT在分析肺音的時(shí)、頻域成份方面發(fā)揮了重要的作用，短時(shí)能量和短時(shí)過零率在音頻信號(hào)的端點(diǎn)檢測和特征抽取研究中被廣泛采用。STFT在肺音的研究中存在局限性，其定位異常肺音的時(shí)間點(diǎn)和頻率點(diǎn)的準(zhǔn)確性不如小波變換。小波時(shí)頻分析用于較單純的時(shí)、頻域分析更能有效地觀察異常肺音的特征點(diǎn);能將肺音分成不同頻率段進(jìn)行研究，使得時(shí)間分辨率和頻率分辨率都達(dá)到最優(yōu)。小波系數(shù)是小波變換法研究肺音特征參數(shù)的關(guān)鍵，其不足之處在于小波系數(shù)維度較高，因此還需要深入研究如何降低小波系數(shù)的維度。

4 肺音信號(hào)特征抽取和分類識(shí)別

肺音的模式識(shí)別是借助分類器從病人的肺音樣本數(shù)據(jù)中選取肺音特征值(如信號(hào)的幅值、包絡(luò)、短時(shí)能量或功率譜密度(PSD)等)，以實(shí)現(xiàn)肺音種類乃至病人疾病種類的分類識(shí)別。支持向量機(jī)、Fisher判別法、AR模型和人工神經(jīng)網(wǎng)絡(luò)(ANN)都是經(jīng)典的分類器［18］。圖3是以ANN為例的肺音識(shí)別流程。經(jīng)過肺音的特征抽取形成了用于訓(xùn)練和測試神經(jīng)網(wǎng)絡(luò)的樣本模型訓(xùn)練庫和測試庫，再經(jīng)過分類器進(jìn)行肺音的識(shí)別，最后顯示出待檢測肺音的疾病種類或肺音的類別。

圖3 肺音識(shí)別流程

Lu Liu等提出基于希爾伯特變換(HHT)的麻醉呼吸音改進(jìn)包絡(luò)提取法，獲得了有效的麻醉肺音包絡(luò)。利用肺音包絡(luò)估算病人的潮氣量，能使醫(yī)生更準(zhǔn)確地檢測到麻醉狀態(tài)病人的呼吸狀況［19］。有研究利用協(xié)方差矩陣的特征值和單參數(shù)自回歸模型(UAR)及多參數(shù)自回歸模型(MAR)構(gòu)造肺音信號(hào)的特征向量［20］，得到了不錯(cuò)的識(shí)別效果。小波變換雖能得到肺音信號(hào)特定時(shí)間和特定頻帶上的病理特征，但是小波系數(shù)維數(shù)大，不能直接作為識(shí)別的特征。利用肺音的自回歸系數(shù)和Mel倒譜系數(shù)(MFCC)識(shí)別哮鳴音和爆裂音的效果較好，若將Mel倒譜系數(shù)與小波變換2種算法結(jié)合表征肺音信號(hào)，則既能消除小波系數(shù)的冗余，又能得到低維的肺音信號(hào)特征。

小波和ANN結(jié)合的肺音識(shí)別技術(shù)一直是近年來國內(nèi)外專家研究的熱點(diǎn)。A.K等運(yùn)用一種新型小波變換法將肺音信號(hào)經(jīng)過7層小波分解，分解后的不同頻率波段的小波系數(shù)的統(tǒng)計(jì)特征值表示肺音信號(hào)的能量分布。以小波系數(shù)統(tǒng)計(jì)特征值作為神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行肺音識(shí)別，成功地識(shí)別出6類肺音:正常肺音、喘鳴音、爆裂音、Squwks音、鳴音和干羅音。研究發(fā)現(xiàn)4種不同小波(db12、db8、sym10、coif4)的肺音識(shí)別效率也不同，db12、db8小波的識(shí)別效率高于sym10和coif4小波，db8的小波識(shí)別效率(為93%左右)最高［12］。類似地，A.Marshalla等采用Meyer小波將肺纖維化病人的肺音信號(hào)進(jìn)行小波分解，選取第2層小波分解的細(xì)節(jié)信息(d2)作為識(shí)別的特征參數(shù)，成功分辨出慢性阻塞性肺病、肺間質(zhì)纖維化病人的肺音［8］。

選擇ANN作為肺音分類器，因?yàn)槠溆?xùn)練算法多，自適應(yīng)能力強(qiáng)。BP神經(jīng)網(wǎng)絡(luò)是典型的分類器，它采用誤差反向傳播學(xué)習(xí)算法來調(diào)節(jié)網(wǎng)絡(luò)權(quán)值，抗畸變能力較強(qiáng)［10］，得到的分類效果較好。但是，ANN在進(jìn)行模式識(shí)別時(shí)存在學(xué)習(xí)速度慢，網(wǎng)絡(luò)不穩(wěn)定，易陷入局部極小值點(diǎn)的問題，這在訓(xùn)練ANN時(shí)尤其要注意避免。遺傳 －神經(jīng)網(wǎng)絡(luò)(GANN)算法是神經(jīng)網(wǎng)絡(luò)算法與遺傳算法的結(jié)合，Inan Guler等利用雜交遺傳算法選擇神經(jīng)網(wǎng)絡(luò)的輸入值、調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)的權(quán)值，運(yùn)用優(yōu)化后的神經(jīng)網(wǎng)絡(luò)取得了比較好的肺音識(shí)別率［11］。Paris Mastorocostas等［1］運(yùn)用動(dòng)態(tài)周期性模糊規(guī)則和神經(jīng)網(wǎng)絡(luò)算法的聯(lián)合技術(shù)—模糊網(wǎng)絡(luò)和平穩(wěn)－非平穩(wěn)的小波變換濾波技術(shù)(WTST-NST)，實(shí)時(shí)地從肺泡音中分離出異常的肺音。

遺傳神經(jīng)網(wǎng)絡(luò)和動(dòng)態(tài)周期模糊神經(jīng)網(wǎng)絡(luò)彌補(bǔ)了ANN的不足，提高了ANN的學(xué)習(xí)能力和網(wǎng)絡(luò)結(jié)構(gòu)穩(wěn)定性，構(gòu)建出更加符合人體思維和分析判斷方式的識(shí)別系統(tǒng)。這種算法實(shí)時(shí)性比ANN好，短時(shí)處理能力更強(qiáng)?，F(xiàn)階段GANN是比較好的分類器，構(gòu)建的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)更穩(wěn)定，應(yīng)用范圍更加廣泛。

5 結(jié)束語

肺音自動(dòng)聽診技術(shù)是在電子聽診、計(jì)算機(jī)技術(shù)以及人工智能技術(shù)基礎(chǔ)上的肺音信號(hào)處理技術(shù)與肺器官疾病的識(shí)別技術(shù)的結(jié)合。目的在于提供智能、快捷、準(zhǔn)確的肺病臨床診斷。目前一般采用譜分析、短時(shí)加窗分析、小波分析、希爾伯特變換以及倒譜分析等方法。單獨(dú)的時(shí)域或頻域研究已經(jīng)發(fā)展成為時(shí)頻域聯(lián)合研究。用于識(shí)別肺音的特征值也由高維的小波系數(shù)、功率譜密度等向較低維的小波系數(shù)的統(tǒng)計(jì)特征值以及其他算法結(jié)合得到的肺音特征的方向變化，如梅爾倒譜系數(shù)與小波變換結(jié)合取得的特征參數(shù)。隨著數(shù)字信號(hào)處理(DSP)技術(shù)的發(fā)展以及DSP和ARM芯片的不斷優(yōu)化和改進(jìn)，神經(jīng)網(wǎng)絡(luò)和遺傳算法結(jié)合的智能肺音自動(dòng)診斷技術(shù)將趨向集成化和輕便化。隨著移動(dòng)醫(yī)療技術(shù)的進(jìn)步，基于智能手機(jī)的肺音自動(dòng)診斷系統(tǒng)將會(huì)普及千家萬戶。肺音自動(dòng)診斷技術(shù)不僅能用于疾病的早期檢查，還可用于檢測病人的康復(fù)程度，提高肺部疾病的診斷效率，具有廣闊的應(yīng)用前景。

［1］Paris Mastorocostas，Dimitris Stavrakoudis，John Theocharis.A pipelined recurrent fuzzy model for real-time analysis of lung sounds［J］.Engineering Application of Artificial Intelligence，2008，21:1301 －1308.

［2］王文淵，閆平凡.肺音研究綜述［J］.北京生物醫(yī)學(xué)工程，1992，11(2):106 －112.

［3］王琦，姚愛琴.基于藍(lán)牙的心肺音采集系統(tǒng)［J］.電子測試，2010，1(1):1 －4.

［4］Atul C Mehta，Merav Gat，Shlomit Mann，et al.Accuracy of gray-scale coding in lung sound mapping［J］.Computerized Medical Imagine and Graphics journal homepage，2010，34(5):362 －369.

［5］趙興強(qiáng).基于壓電材料的振動(dòng)能量收集器的諧振頻率調(diào)節(jié)［J］.壓電與聲光，2013(2):241－244.

［6］王文炎.橫向場壓電液相傳感器測量方法［J］.壓電與聲光，2009(6):862 －764.

［7］汪晨，曾祥龍，沈麗英.肺音研究的過去、現(xiàn)在和未來［J］.醫(yī)學(xué)與哲學(xué)，1993(9):50 －51.

［8］彭靜，彭承琳.混沌理論和方法在醫(yī)學(xué)信號(hào)處理中的應(yīng)用［J］.國際生物醫(yī)學(xué)工程雜志，2006，29(2):124－127.

［9］Elio Conte，Antonio Vena，Antonio Federici，et al.A brief note on possible detection of physiological singularities in respiratory dynamics by recurrence quantification analysis of lung sounds［J］.Chaos，Solitons and Fractals，2004，21(4):869－877.

［10］Marshalla A，Boussaktab S.Signal analysis of medical acoustic sounds with application to chest medicine［J］.Journal of the Franklin Institute，2007，344(3):230－242.

［11］趙守國，萬明習(xí)，王素品，等.肺音信號(hào)的非線性檢測與肺胸系統(tǒng)聲傳遞特征研究［J］.聲學(xué)學(xué)報(bào)，2002，27(1):38－44.

［12］鄧羲，魯勇軍.肺聲的電子檢測及其醫(yī)學(xué)應(yīng)用［J］.國外醫(yī)學(xué):生物醫(yī)學(xué)工程分冊，2000，23(4):223－228.

［13］Inan Guler，HUseyin Polat，Ucman Ergun.Combining Neural Network and Genetic Algorithm for Prediction of Lung Sounds［J］.Journal of Medical Systems，2005，29(3):217－231.

［14］Kandaswamya A，Sathish Kumarb C，Rm Pl Ramanathan C，et al.Neural classification of lung sounds using wavelet coefficients［J］.Computers in Biology and Medicine，2004，34(6):523 －537.

［15］Leontios J Hadjileontiadis，Stavros M Panas.A waveletbased reduction of heart sound noise from lung sounds［J］.International Journal of Medical Informations，1998，52(1):183－190.

［16］白培瑞，牛海軍，師衛(wèi).基于盲分離技術(shù)的肺音信號(hào)中心音干擾的去除［J］.太原理工大學(xué)學(xué)報(bào)，2002，33(3):329－332.

［17］郭皓，黃華.利用高階統(tǒng)計(jì)量進(jìn)行心肺音信號(hào)的盲分離［J］.生物醫(yī)學(xué)工程雜志，2009，26(2):413－416.

［18］高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例［M］.北京:機(jī)械工業(yè)出版社，2003.

［19］charleston-Villalobos S，Martinez-Hernandez G，Gonzalez-Camarena R，et al.Assessment of multichannel lung sounds parameterization for two-class classification in Biology and Medicine［J］.Comput Biol Med，2011，41(7):473－82.

［20］Lu Liu，Siming Ma，Shaohua Feng，et al.Envelop Extraction of Anaesthesia Breathing Sound Signal on Hilbert Huang Transform［J］.Procedia Engineering，2012，29:2693－2698.