И. В. Вовк, В. Ю. Семенов

Источник

Построение систем автоматического обнаруже-ния и распознавания различных типов дыха-тельных шумов является актуальной научно-технической задачей, имеющей важное значениедля медицины [1, 2]. Трудности создания такихсистем обусловлены отсутствием достаточно чет-ких критериев количественной оценки дыхатель-ных шумов, так как их медицинское описание досих пор основывается, главным образом, на тра-диционных вербальных (т. е. словесных) моделях,в которых изначально заложена значительная до-ля субъективизма (см. статью [3] и библиографиюв ней). Проблема усложняется и тем, что харак-тер спектра дыхательных шумов может менятьсяне только на протяжении одного дыхательного ци-кла, но и на значительно меньших временных ин-тервалах

Одной из важнейших задач, которую должнарешать любая система аускультационной диагно-стики, является автоматическое обнаружение испектральный анализ различных типов дыхательных шумов, в частности сухих хрипов. Кроме то-го, необходимо, чтобы такие системы могли распо-знавать типы сухих хрипов, т. е. устанавливать со-ответствие между их спектральными характери-стиками и традиционными вербальными моделя-ми, принятыми в медицине.Известно, что сухие хрипы в основном пред-ставляют собой периодические сигналы с ярковыраженным музыкальным тембром. Они могутиметь как квазигармонический характер, так и со-стоять из более сложных повторяющихся струк-тур [1 –4, 7]. Таким образом, в частотной областисухие хрипы характеризуются пиками в спектремощности дыхательного шума (рис. 1). Несмот-ря на столь простое определение, на сегодняшнийдень не существует единых надежных алгоритмових автоматического обнаружения, которые былибы эффективными в контексте многообразия ха-рактеристик регистрируемых сигналов, регистри-рующего оборудования, фоновых помех и биошу-мов

Существующие методы анализа хрипов частонасыщены эмпирическими константами [4], чтоуказывает, прежде всего, на частный характер ихприменимости. Так, в работе [6] приводится алго-ритм обнаружения спектральных пиков, в кото-ром фигурируют пять эмпирически подобранныхвеличин. Очевидно, что эмпирические константы,тщательно подобранные для конкретных условий,могут оказаться непригодными, например, при пе-реходе на новую частоту дискретизации сигналаили при использовании других длин интерваловспектрального анализа. Кроме того, не все суще-ствующие эмпирические правила приспособленык обнаружению множественных гармоник, прису-щих некоторым видам сухих хрипов [7].

Анализ существующих алгоритмов выявленияпериодических структур в сигнале (дыхательныхшумах) показывает, что практически все они осно-ваны на анализе спектра мощности. В то же вре-мя, из теории цифровой обработки речевых сиг-налов [8] известно, что весьма надежным сред-ством анализа периодичности временного сигна-ла (фонограммы) s(t) является его автокорреля-ционная функция, представляющая собой обра-тное преобразование Фурье от спектра мощности|S(f)|2:R(t) =?F{|S(f)|2} =?F{|F{s(t)}|2},(1)где F и?F – символы прямого и обратного преобра-зований Фурье соответственно. .

На рис. 1 представлены графики временной зависимости (фоно-граммы) трахейного хрипа, его автокорреляцион-ной функции R(t) и спектра мощности |S(f)|2. Каквидно из рисунка, автокорреляционная функциясодержит пик в точке t0=0.00375 с, соответствую-щий присутствующей в сигнале гармонике с часто-той f0= 1/t0= 267 Гц. Наличие пика на графике автокорреляционной функции дискретного сигна-ла s(n) очевидным образом следует из ее альтер-нативного определения:R(t) =T?t?1?k=0s(k)s(k + t),(2)где T – длина интервала, на котором анализируе-тся дискретный сигнал. Здесь и далее используе-тся традиционное обозначение s(n) вместо s(n/fs),где fs– частота дискретизации сигнала.Учитывая сказанное, целью данной работы яв-ляется построение эффективного метода автома-тического выявления и распознавания сухих хри-пов в дыхательных шумах на основе анализа ихавтокорреляционных функций.