具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附 图对本申请实施例中的技术方案进行清楚、完整地描述。

如图1至图13之一所示，本发明公开了基于智能穿戴系统的肺音实时监测方法，其包括 以下步骤：

步骤1，通过肺音传感器收集肺音数据进行放大处理得到肺音信号，并对肺音信号进行 EMD分解和希尔伯特变换得到Hilbert谱以获得频域特征；

步骤2，通过改变信号的采样频率将传感器所获取的肺音信号缩减成一个呼吸周期的肺 音信号，再用最小二乘法消除趋势项去除设备导致的趋势误差，以完成去噪预处理；

步骤3，将去噪预处后的肺音信号采用以db6为小波基的小波变换分解为的五层细节层，

步骤4，应用自适应阈值方法用中值阈值函数及非线性中值阈值函数对小波系数过滤， 最后通过高通滤波和低通滤波过滤噪声信号；

步骤5，将去噪后的肺音信号进行阈值化处理后通过合成滤波器进行肺音信号的重构；

步骤6，计算重构的肺音信号的信噪比和拟合系数判断当次肺音去噪的效果好坏；当去 噪后的肺音信号不符合要求时，则更换阈值并执行步骤4重新去噪处理；当去噪后的肺音信 号符合要求时，执行步骤7；

步骤7，对正常肺音、哮鸣音和啰音进行特征提取得到该肺音信号的特征向量F。

下面就本发明的具体工作原理做详细的说明：

如图1所示，本发明采用一基于北斗系统可监测生命体征的背心进行肺音采集，背心包 括背心本体，背心本体上固定配置有微处理器以及与该微处理器相连的心率传感器、血氧传 感器、温度传感器、肺部啰音传感器、北斗芯片和无线通信单元，心率传感器设在背心本体 的前胸对应心脏位置实时监测用户的心率，血氧传感器设在背心本体的前胸对应心脏位置实 时监测用户的血氧，温度传感器设在背心本体背部上端对应肩颈位置以实时监测用户的体温， 肺部啰音传感器设在背心本体对应肺部区域以监测肺部啰音；北斗芯片上集成北斗定位系统 和北斗短报文系统，微处理器通过北斗定位系统和北斗短报文系统通信连接至救护中心，微 处理器通过无线通信单元与移动终端通信连接，北斗定位系统用于接收用户所在位置信息， 位置信息通过北斗短报文系统发送至救护中心或手机上的定位模块。

该智能穿的背心以STM32开发板为核心，结合手机APP组成检测通知系统。系统电路方 面主要有STM32、A/D转换器、放大电路和WIFI模块。

本发明的肺音实时监测可以分为如下几个部分：肺音信号收集、肺音去噪模块、肺音特 征提取以及肺音特征比对。

肺音采集步骤：HHT主要由EMD分解与希尔伯特变换(HT)组成。HHT变换对肺音信号谱 分析的大概的过程为:对肺音进行EMD分解后，能够获得有限个基本模式分量(IMF),再对其进 行HT,获得信号的Hilbert谱并提取出频域方面的特征。

对于信号x(t)，可得到其Hilbert变换为：

构造解析函数为：z(t)＝x(t)+iy(t)＝a(t)e^iφ(t) (2)

幅值函数为：

相位函数为：

瞬时频率为：或

然而有时得到的频率是负值，能够得到有效的瞬时频率的这种信号叫做IMF。肺音按照 以下的过程展开EMD分解：(1)令原始肺音信号为x(t)，找出所有的极值点连接起来，得到 x(t)上下包络线，m(t)为均值。(2)令x(t)减去均值m(t),h₁(t)＝x(t)-m(t)。(3)判别h₁(t) 有没有符合IMF的两个停止条件，若不满足则使h₁(t)继续上面的操作，当h₁(t)成为符合要求 的IMF分量时，记作c₁(t)＝h₁(t)。(4)从x(t)中分解出第一个IMF即c₁(t)后，x(t)和c₁(t)的 差值就是残留项r₁(t)有：r₁(t)＝x(t)-c₁(t)。

(5)令r1(t)继续上述流程，能够得到n个IMF分量，即c₁(t)、c₂(t)、c₃(t)……c_n(t)当 符合停止的条件后停止。停止条件有两种情况：一是当c_n(t)或r_n(t)小于本发明期望中的值； 二是r_n(t)具有了单调性，筛选不出IMF了。x(t)分解为有限个IMF分量与一个余项r_n(t)，x(t) 表示为：

HHT主要是获取肺音的Hilbert谱从而对其研究，对上述第五步公式中得到的每一个IMF 进行HT可得到：

其中Re表示取实部，由于余项r_n(t)是单调函数，因此在变换中通常省略此部分。

在做Hilbert时频变换r_n(t)较大的能量会对有用分量产生干扰，且有用的信号主要属于 高频范围，因此Hilbert变换时将不是IMF的成分除去。Hilbert时频谱是关于时间与频率 的函数，记作H(w,t),公式为：

HHT变换的幅值和瞬时频率是可变化的，这样一来瞬时频率就是有效的。HHT变换对于频 率和时间的关系能够进行变量分析，有利于对时变信号进行确切的阐述。

肺音信号的去噪：采用降采样和消除趋势项的方法对已采集到的肺音信号进行预处理， 降低采集到的肺音信号的数据量和肺音信号的形状变化。本发明在消除趋势项采用最小二乘 法，其拟合的原理如下：设肺音信号采样数据为{x_k}(k＝1,2,3...,n)，n为采样点总数，令采样 点时间差为Δt＝1，代表的是肺音中的趋势项：

其中，k＝1,2,...,n；的待定系数是a_j(j＝0,1,…,m),将E取最小，即：

满足E有限值的条件是：

其中，i＝0，1，2，...,m，求出线性方程组为：

求出a_j(j＝0,1,…,m)，m是设置好的梯次，当m＝0时有：

m＝0的时候，是一个常量，消除的方法为：

其中，k＝1,2,...,n；

m＝1的时候为线性趋势项，有：

解方程组得：

线性趋势项消除公式为：

m≥2的时候为曲线趋势项，在实际的操作中一般令m(m∈[1,3])对信号进行多项式趋 势项消除。

本专利采用小波阈值原理进行去噪。

L2(R)是函数的空间，小波则表示L2(R)上的一个函数，设函数ψ(t)∈L2(R)，则其频谱 需满足条件：

假设ψ(t)是基础小波，对其做伸缩和平移得：

对于f(t)∈L2(R)，连续小波变换为:

其中a和b各自代表了尺度与平移因子，而ψ^*是ψ(t)的复共轭。其中a和b的值一直在 变化且是连续的，这主要在理论研究中应用。但使用计算机处理的时候，所用到的数据具有 离散性。因此需要将a和b离散化，而t不做变化，a和b取为幂级数形式。

令a＝2^-j,b＝k*2^-j,其中j，k∈Z，则有离散小波为:

通常用ψ_j,k(t)表示因此离散小波变换为:

在连续小波变换中，令参数a＝2^-j，j∈Z，参数b取连续值，则二进小波变换为:

同理二进小波变换有:

运用Mallat算法使得小波分析变得更加方便与快速。Mallet算法的信号重构与分解互 为逆过程，如图2所示，Mallat算法的信号分解结构图。在图2中，h₁、h₀分别是高通、低通滤波器，原始信号经过滤波器后进行二次抽取后得到的近似部分就是X_K，这部分一直做分 解，而不变化的则是细节部分d。信号重构的过程如图3所示，其中，g₁和g₀是合成滤波器组，将分解后得到的系数先进行二次插值再通过各自的滤波器进行反滤波，经过累加后得到 了原始的信号。

使用小波去噪的方法来处理不平稳的肺音进而实现抑制噪声的目的，实现高频和低频上 较高的精度。肺音的小波阈值去噪的实现流程为:

(1)信号分解。选取恰当的小波母函数以及要分解的层次j，对混入了噪声的肺音进行 小波分解，然后获得每一层的小波系数。

(2)处理系数。选取适当的阈值和阈值函数，对各个层的高频部分的系数作阈值化处理。

(3)信号重构。对处理后的所有频率较高部分的系数，以及第j层的频率较低部分的系 数一起进行重新构建，从而得到除掉了噪音的肺音信号。

本专利选取计算起来简单的离散小波变换(DWT)，要想得到满意的去噪效果，需要确定 小波阈值去噪算法所使用到的所有重要参数。对此，本发明选用自适应非线性阈值函数算法 提取。

而后选取合适的小波基函数并分成五层，在小波基的正则特点很好的时候，其越是拥有 很高的分辨性，相应的去噪效果也越好。小波要分解多少层，这与肺音的频率是有很大关系 的，若层数比较多则部分原始信号会被过滤掉；而分解层数过小时噪音滤除不完全。

小波基的选取中需注意小波基通常需要使用大于0的小波系数成分去近似一些特别的函 数，而这些系数越少越好。对此本发明采用db6函数计算方法。该小波族总共包含了四十五 个，具有离散性。db1则是上面所提到的Haar小波。阶数越大时，小波族中的小波越复杂， 且其中许多是没有对称性的。当小波分解5或者6层的时候，去除噪音比较干净，因此此时 的去噪效果是很令人满意的。但从方法的效率上考虑，5层的分解更高效，因此最后还是选 取5层。

肺音信号分量的DWT收敛系数较大，而噪声分量在所有频带中以小系数进行散射。因此， 通过较小幅度的系数与阈值之间的比较来抑制较小系数从而执行去噪。假设x(n)为原始肺音 信号，s(n)是带噪的肺音信号，e(n)表示噪音信号，σ表示噪音级别，有s(n)＝x(n)+σe(n)。 小波去噪的结果是最大可能将原始肺音信号从含噪肺音信号中分离出来。其实现的流程如下：

使用上文提及的小波变换快速算法—Mallat算法对含噪肺音信号s(n)进行小波分解， 分解得到的小波系数可以使用两个分析滤波器得到。低通滤波器(H)输出来的是频率偏低的 系数，而高通滤波器(G)输出来的是频率偏高的系数。分解的表达式为:

其中k为离散的时间序列，k＝1,2,…,n；j是分解的层数，j＝1,2,…,J。A_j,k为肺音在 第j层的近似系数，D_j,k为肺音在第j层的细节系数。对于分解后的第一层，即j＝1时，近似系数4将是信号x(n)本身。之后，通过在下采样的近似系数上应用这两个滤波器，能够得到下一级的系数。每次都是低频系数在做分解，而高频系数则不做改变。

通过db6确定为了小波基，层数上选取5层，肺音进行小波分解，之后得到一个低频频 带以及五个高频频带，采样频率定为4000赫兹。对一含噪正常心音信号经5层小波分解后 各分层明细图如图4所示，从分解层d1至a5，频率依次降低，从图中可以看出噪音大多分布在频率较高的系数层。

系统化阈值处理：为了估计阈值，引进参数m，m表示各系数矢量绝对值的平均值。其中 m＝AVG(DD)，D,是第j层的细节系数，m值将反映出噪音水平。阈值公式如下:

其中v＝MSE(|D_j|)﹐参数v是各系数矢量绝对值的均方差。由上式可知在当m小于v时，信号噪声水平较低，相应地阈值也较小，阈值被设置为m，随着噪声水平的增加而增加。当m大于或等于v时，此时信号噪声水平较高，m高于v，且两者之间的差异随着噪声水平的增加而增加，阈值为m与2*(m-v)之和。因此，能按照信号中的噪声程度自适应地估量阈值。

肺音的特征提取：本专利对正常肺音、哮鸣音和啰音进行特征提取，采用Viola积分多 尺度特征波形对肺音信号进行周期分割，得到一个呼吸周期的肺音数据，每类肺音信号语音 信号与短时能量的波形如图5至图7所示，图5给出了肺泡音语音波形及短时能量，图6给 出了细啰音语音波形及短时能量，图7给出了哮鸣音语音波形及短时能量。

使用希尔伯特-黄变换对于获得的一个呼吸周期的肺音信号进行处理，可以得到每类肺音 信号一个呼吸周期的边界谱，图8至图13中分别显示的是正常肺泡音、细啰音、哮鸣音三类 肺音信号进行希尔伯特-黄变换后得到的边界谱与时域图，可以明显看到三类肺音的边界谱有 明显差异。所以通过对希尔伯特边界谱进行分析并从中提取有效特征值，构建特征向量。

首先使用统计学中的均值，标准差，偏度和峰度对三类肺音的希尔伯特边界谱进行分析 并将其作为特征值。

偏度是描述了某变量取值分布偏斜程度和方向，用于度量变量分布的对称性，对于变量 X，其偏度在数学上定义是该变量的三阶标准化矩，表达式如下:

峰度是描述了某变量所有取值分布形态的陡缓程度,用于度量峰部的尖锐程度，对于变量x﹐其在数学上的定义是该变量的四阶中心矩与方差平方的比值，表达式如下:

表2.1三种不同类型的肺音信号的特征参数表

根据表2.1中的三种不同类型肺音信号的均值，标准差，偏度和峰度四个统计量的比较， 正常的肺音信号，其均值和方差整体比啰音信号和哮鸣音信号大，啰音信号的峰度和偏度明 显比其他两种肺音信号的峰度大，而哮鸣音信号的均值和方差比其他两种肺音信号都小,因此 把这四个统计量作为有效的特征值。

根据图8至图13中边界谱与时域图图形变化，可以发现每类肺音信号的边界谱的最大峰 值和第二大峰值大小差异显著，并且所对应的频率值有很明显的区别，因此，可以将边界谱 的最大峰值和第二大峰值及两大峰值所对应的频率值作为三类肺音有效识别的特征值。

边界谱表示的是每个频率在能量上的贡献程度，观察图8至图13中，肺音在整个频率范 围内其幅值有很明显的变化,并且三类肺音在频率相同的情况下所对应的幅值大小有显著的 差异，当频率较高时，每类肺音的幅值接近于零，含有很少的能量，因此，本发明将频率超 过500Hz的幅值舍弃，并把频率小于500Hz的幅值进行累加作为肺音信号在一个呼吸周期 内对能量的主要贡献程度。

其计算公式如下：

本发明基于希尔伯特-黄变换的肺音信号特征提取算法的实现过程如下:

L、使用Viola积分特征波形的方法对肺音进行周期分割，截取肺音信号一个周期的数据， 对其进行希尔伯特-黄变换，求出边界谱。

2、求出希尔伯特边界谱的均值(mean)，标准差(std)，偏度(skewness)和峰度(kurtosis)， 同时计算其最大峰值及其对应的频率值(a₁，f₁)，第二大峰值及其对应的频率值(a₂，f₂)，最 后根据公式求出频率在l～500Hz范围内对能量的主要贡献程度E。

3、将所求结果组合起来作为该信号的特征向量: F＝[mean,std,skewness,kurtosis,a₁,f₁,a₂,E] (32)

本发明采用以上技术方案，对采集到的肺音信号进行降采样和去除趋势项的预处理，而 后运用AI算法选取小波阈值按照小波阈值原理进行去噪。而后运用db6函数对采集到的肺音 信号进行分解，选取适当的小波母数对混入噪声的肺音信号进行小波分解，获得每一层的小 波系数。然后选取适当的阈值和阈值函数，对各个层的高频部分的系数作阈值化处理。最后 对处理后的所有频率较高部分的系数，以及第j层的频率较低部分的系数一起进行重新构建， 从而得到除掉了噪音的肺音信号。在肺音信号的特征提取中通过一定的变换方法将肺音波形 信号转化为一系列可用于信号处理分析的参数。选取适当的变换方法，使不同肺音信号在时 域和频域内的特征被量化地表示出来。而后运用db6函数对采集到的肺音信号进行分解，选 取适当的小波母数对混入噪声的肺音信号进行小波分解，获得每一层的小波系数。然后选取 适当的阈值和阈值函数，对各个层的高频部分的系数作阈值化处理。最后对处理后的所有频 率较高部分的系数，以及第j层的频率较低部分的系数一起进行重新构建，从而得到除掉了 噪音的肺音信号。将去噪后的肺音信号，通过改成WIFI连接经由手机发送到云平台上，与云 平台上的数据库内的肺音信号频率曲线进行特征提取和数据比对，获悉使用者是否患有呼吸 性疾病，若患病还可得知所患疾病的具体名称，了解具体病症的应对，提醒使用者及时就医。 还有对肺音信号数据的统计，给使用者提供健康图示，以及健康建议。

显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。在不冲突的情况 下，本申请中的实施例及实施例中的特征可以相互组合。通常在此处附图中描述和示出的本 申请实施例的组件可以以各种不同的配置来布置和设计。因此，本申请的实施例的详细描述 并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中 的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都 属于本申请保护的范围。