裴曉娟，俞夢孫，成奇明，楊 軍

0 引言

咳嗽是人體最重要的呼吸防御反射之一，能夠有效清除氣道內(nèi)的異物及過多的分泌物[1]。非自主的咳嗽由完整的反射弧構成：感覺神經(jīng)末梢的咳嗽感受器受到刺激后產(chǎn)生的神經(jīng)沖動經(jīng)迷走神經(jīng)、舌咽神經(jīng)和三叉神經(jīng)等傳到腦干咳嗽中樞，信號整合后經(jīng)喉下神經(jīng)、膈神經(jīng)和脊神經(jīng)分別傳到咽肌、聲門、膈肌、胸腹肌群，引起咳嗽動作[2-3]。少量咳嗽是人體的一種保護性反射動作，頻繁的、刺激性的咳嗽則會影響人們正常的活動與休息。當咳嗽癥狀持續(xù)出現(xiàn)時，其頻率與強度等特征在一定程度上反映了呼吸系統(tǒng)疾病的類型與嚴重程度，這在呼吸疾病的臨床診斷中具有重要價值。

鑒于咳嗽的重要診斷價值，對咳嗽進行自動監(jiān)測和統(tǒng)計是非常必要的。近年來，對咳嗽的研究成果主要有2個方面：（1）計算機自動分析算法的研究，集中于在含有背景噪聲的聲音信號中自動檢測咳嗽事件和咳嗽事件的自動分類[4-5]；（2）對咳嗽監(jiān)測儀的研究，目前的咳嗽監(jiān)測儀大多是記錄咳嗽聲音或同時記錄咳嗽聲音與肌電，采樣率高、數(shù)據(jù)量龐大，為長時間監(jiān)測增加了難度。腰帶式多參數(shù)生理信號監(jiān)測系統(tǒng)（簡稱“腰帶”）通過檢測受試者腹部的呼吸運動，能夠同時得到加速度、呼吸波和心電信號，采樣率低、數(shù)據(jù)量小，便于分析處理。本文提出一種利用改進的腰帶式多參數(shù)生理信號監(jiān)測系統(tǒng)，通過實時記錄加速度、呼吸波、振動和聲音信號來檢測咳嗽的方法，并針對后期信號回放處理設計了自動識別咳嗽事件的算法。

1 方法

1.1 實驗平臺

改進的腰帶式多參數(shù)生理信號監(jiān)測系統(tǒng)由2個部分構成：一部分是綁縛在腹部的腰帶；一部分是固定在腰帶外側(cè)，采集、處理、存儲和發(fā)送數(shù)據(jù)的機盒。腰帶的內(nèi)側(cè)由1個加速度傳感器、1個麥克風、2個壓力傳感器、3個心電電極和相關電路構成，加速度傳感器采用MMA7260Q三軸向電容式微型加速度傳感器，具有體積小、低功耗、高敏感度等特點，用來檢測人體腹部3個軸向的傾角和加速度；2個敏感度不同的壓力傳感器，一個用來檢測腹部呼吸運動，另一個用來檢測咳嗽、說話等事件引起的腹部振動，采樣率均為100 Hz；三電極雙導聯(lián)提取心電信號；麥克風實時記錄語音信號[6]。各種生理信號通過藍牙傳輸?shù)接嬎銠C，進行實時顯示和記錄，同時也記錄于內(nèi)置SD卡上，用于事后分析處理。

1.2 研究對象

研究對象為20～69歲存在持續(xù)咳嗽癥狀的呼吸系統(tǒng)疾病患者27人，均已知情同意，其中，男性11人，女性16人。

1.3 實驗步驟

實驗之前，受試者在腹部佩戴好腰帶，機盒對準腹部正中肚臍上緣，并依照個人體形調(diào)整松緊帶的長度。數(shù)據(jù)采集時，可在監(jiān)視界面上實時觀測加速度、腹呼吸、振動、心電波形和聲音包絡的變化情況。每位受試者采集30 min的有效數(shù)據(jù)。實驗開始前2 min受試者適應設備和平靜呼吸，得到的實驗數(shù)據(jù)應予以摒棄，不列入有效數(shù)據(jù)。采集到的數(shù)據(jù)用MATLAB（The MathWorks Inc.，Natick，MA，USA）在計算機上進行分析。

1.4 算法設計

由文獻可知，咳嗽由初始的吸氣相、中間的加壓相和最后的呼氣相組成。吸氣相的存在使咳嗽呼吸波幅度顯著大于普通呼吸波，而且咳嗽的呼氣相要大于吸氣相[7]。所以咳嗽不僅會引起腹部的振動位移，還會給呼吸波帶來明顯變化。本文檢測咳嗽事件主要使用加速度、腹呼吸和聲音3路信號。

除咳嗽外，體動、清喉和說話都會引起加速度不同程度的波動，咳嗽識別算法流程如圖1所示。

根據(jù)加速度信號的幅度和斜率，可以排除說話的干擾；再利用呼吸波信號的幅度，篩除掉清喉事件；最后由聲音包絡的變化識別出咳嗽事件。具體算法如下：

圖1 咳嗽識別算法流程

（1）將加速度信號進行分幀，幀長為20 s，相鄰幀重疊10 s。

（2）初始化咳嗽事件標志序列cough，長度與加速度信號相同，初始值為0。

（3）對每幀加速度信號取差分絕對值，得到差分序列。

（4）計算差分序列的均值和標準差，設定閾值th1。

（5）保留幅度大于th1的差分序列，則其對應的加速度信號也隨之片段化，尋找加速度片段內(nèi)的峰值點，計算左右斜率，設定閾值th2，保留斜率大于th2的加速度片段。

（6）根據(jù)呼吸波幅度設定閾值th3，如果加速度片段對應的呼吸波最大值大于th3，該片段予以保留。

（7）保留下來的加速度片段，判斷其同時間段內(nèi)的聲音包絡是否有明顯起伏，如果有，將該片段對應區(qū)域的cough序列記為1，初步識別出咳嗽事件。

（8）最后調(diào)整咳嗽事件的起止點。尋找每個初步判定的咳嗽片段內(nèi)呼吸波的第一個波峰peak，該點為咳嗽時經(jīng)吸氣、加壓相達到的呼吸波峰值點，從peak繼續(xù)向前尋找最鄰近的谷點valley1，valley1即為咳嗽事件的起點；尋找最鄰近咳嗽呼吸波片段終點的谷點valley2，valley2即為咳嗽事件的終點；根據(jù)最終得到的咳嗽事件長度相應調(diào)整cough序列的值，咳嗽事件判別完畢。

2 結(jié)果

利用前面提到的算法對信號進行分析處理，得到咳嗽事件標志序列，如圖2～5所示。由結(jié)果可見，本方法能夠排除大部分干擾，辨識出咳嗽事件，是可行的。

圖2 單次咳嗽事件（劃線處）識別結(jié)果

圖3 咳嗽（前）和清喉（后）的區(qū)分識別結(jié)果

圖4 咳嗽（前）和說話（后）的區(qū)分識別結(jié)果

圖5 咳嗽（前）與體動（后）的區(qū)分識別結(jié)果

表1 事件統(tǒng)計結(jié)果

27名受試者的腰帶數(shù)據(jù)統(tǒng)計結(jié)果見表1。對同步記錄的音頻文件進行人工計數(shù)，共有523次咳嗽事件，算法自動識別出471次，咳嗽事件識別的敏感度為90.1%；共有1 452次非咳嗽事件，算法正確識別出1 438次，特異性達到99%，能夠有效區(qū)分咳嗽與其他干擾（如清喉、說話、體動）。

3 討論與結(jié)論

本文采用腰帶式多參數(shù)生理信號監(jiān)測系統(tǒng)對咳嗽進行自動檢測與辨識，該系統(tǒng)能夠同時采集多種信號，實時監(jiān)測其變化情況，并選取加速度、呼吸波和聲音3路信號作為參數(shù)設計自動識別咳嗽的算法。

該系統(tǒng)與目前已有的咳嗽監(jiān)測系統(tǒng)相比有其獨特的優(yōu)勢，已有的監(jiān)測系統(tǒng)大致可分為3類：（1）以HACC（hull automatic cough counter）、LCM（leicester cough monitor）和Lifeshirt為代表的動態(tài)記錄咳嗽聲音，分析其時域頻域特征檢測咳嗽事件[8-10]；（2）以LR102和Brompton咳嗽記錄系統(tǒng)為代表的通過同時記錄肋間肌電信號和聲音信號來區(qū)分咳嗽與背景噪聲[11]；（3）Ian M Paul等人研發(fā)的通過記錄胸骨上切跡的加速度信號來動態(tài)監(jiān)測咳嗽的儀器，包括一個加速度傳感器和一個存儲盒。前2類咳嗽監(jiān)測儀的敏感度為78%～91%，特異性為96%～99%，雖然擁有良好的技術參數(shù)，但其采樣率高、數(shù)據(jù)量龐大，為長時間監(jiān)測增加了難度；最后一類采樣率小，但目前還沒有相應的區(qū)分算法，只能人工進行咳嗽計數(shù)分析[12]。

腰帶式多參數(shù)生理信號監(jiān)測系統(tǒng)的優(yōu)勢在于：（1）該系統(tǒng)并不直接采用聲音信號，而是提取其包絡線，采樣率低、數(shù)據(jù)量小，便于分析處理。（2）大多數(shù)監(jiān)測系統(tǒng)只能監(jiān)測和分析單一信號（如聲音信號），抗干擾能力差；腰帶式多參數(shù)生理信號監(jiān)測系統(tǒng)可以同時監(jiān)測加速度、呼吸波、腹部振動、心電和聲音5路信號，從多個方面分析咳嗽特征，抗干擾能力較好。目前，大部分咳嗽識別算法是針對咳嗽音的時域和頻域特征來設計的，本文另辟蹊徑，通過研究，發(fā)現(xiàn)咳嗽時加速度和呼吸波的波形具有明顯區(qū)別于其他事件的特點，所以設計算法時以這2路信號特征為主，將采集到的原始信號依次經(jīng)加速度特征辨識、呼吸波特征辨識模塊，使咳嗽事件與大部分干擾（如清喉、說話、較小幅度的體動）區(qū)分開；再通過判定聲音包絡的起伏變化，排除大幅度體動的干擾，最終識別出完整的咳嗽事件。該算法與其他算法相比，原理簡單易實現(xiàn)，且準確度較高。經(jīng)人工判別，實驗結(jié)果能夠滿足實際分析的需求，敏感度和特異性分別達到90.1%和99%。

本文現(xiàn)階段只實現(xiàn)了咳嗽事件的辨識，還可以對呼吸波和腰帶采集的其他生理信號的特征進行深入分析研究，實現(xiàn)不同種類咳嗽的自動分類識別，讓腰帶式多參數(shù)生理信號監(jiān)測系統(tǒng)得到更廣泛的應用。

[1] 賴克方，鐘南山.慢性咳嗽[M].北京：人民衛(wèi)生出版社，2010：9-17.

[2] Chang A B.The physiology of cough[J].Paediatric Respiratory Reviews，2006，7：2-8.

[3] Lee M G，Undem B J.Basic mechanisms of cough： Current understanding and remaining questions[J].Lung，2008，186（1）：10-16.

[4] Hirtum A V，Berckmans D.Automated recognition of spontaneous versus voluntary cough[J].Medical Engineering&Physics，2002，24：541-545.

[5] Tracey B H，Comina G，Larson S，et al.Cough detection algorithm for monitoringpatientrecoveryfrompulmonarytuberculosis[J].ConfProc IEEE Eng Med Biol Soc，2011，2011：6 017-6 020.

[6] 張政波，俞夢孫，趙顯亮，等.穿戴式、多參數(shù)協(xié)同監(jiān)測系統(tǒng)設計[J].航天醫(yī)學與醫(yī)學工程，2008，21（1）：66-69.

[7] 吉寧飛，殷凱生.咳嗽的解剖、生理及病理生理學基礎[J].實用老年醫(yī)學，2011，25（3）：180-183.

[8] Samantha J Barry，Adrie D Dane，Alyn H Morice，et al.The automatic recognition and counting of cough[J].Cough，2006，2：8-16.

[9] Birring S，F(xiàn)leming T，Matos S，et al.The Leicester Cough Monitor：preliminary validation of an automated cough detection system in chronic cough[J].Eur Respir，2008，31：1 013-1 018.

[10]Coyle M A，Keenan B，Henderson Linda，et al.Evaluation of an ambulatory system for the quantification of cough frequency in patients with chronic obstructive pulmonary disease[J].Cough，2005，1：3-9.[11]Leconte S，Liistro G，Lebecque P，et al.The objective assessment of cough frequency：Accuracy of the LR102 device[J].Cough，2011，7：11-18.

[12]Paul I，Wai K，Jewell S，et al.Evaluation of a new self-contained，ambulatory，objective cough monitor[J].Cough，2006，2：7-13.