摘 要：為了突破傳統(tǒng)咳嗽診斷方法的限制，得到更具有說(shuō)服力和參考價(jià)值的客觀監(jiān)測(cè)手段，以咳嗽作為呼吸道疾病監(jiān)測(cè)的關(guān)鍵指標(biāo)，設(shè)計(jì)并實(shí)現(xiàn)了一款基于壓電和麥克風(fēng)雙傳感器數(shù)據(jù)融合的咳嗽監(jiān)測(cè)儀。監(jiān)測(cè)儀通過(guò)壓電和麥克風(fēng)傳感器采集信號(hào)，經(jīng)信號(hào)調(diào)理電路處理后由WiFi模塊傳輸至上位機(jī)進(jìn)行預(yù)處理，之后提取MFCC+ΔMFCC+En的特征組合，使用DBO-BiLSTM對(duì)咳嗽音、清嗓子、強(qiáng)呼吸以及說(shuō)話進(jìn)行識(shí)別。由于雙傳感器融合了咳嗽音信號(hào)的振動(dòng)和音頻信息，且振動(dòng)信號(hào)和音頻信號(hào)可互補(bǔ)，因此雙傳感器對(duì)咳嗽音的識(shí)別率較單麥克風(fēng)和單壓電傳感器分別提高了14.1個(gè)百分點(diǎn)和3.04個(gè)百分點(diǎn)，驗(yàn)證了雙傳感器系統(tǒng)在咳嗽監(jiān)測(cè)方面的有效性和可行性，為慢性咳嗽管理系統(tǒng)的發(fā)展提供了參考。

關(guān)鍵詞：咳嗽監(jiān)測(cè)；壓電傳感器；麥克風(fēng)傳感器；信號(hào)調(diào)理電路；雙傳感器數(shù)據(jù)融合；特征提取

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2025）04-00-06

0 引 言

咳嗽是多種呼吸道疾病的常見(jiàn)癥狀。據(jù)國(guó)內(nèi)?？漆t(yī)院調(diào)查，我國(guó)慢性咳嗽患病率為2.0%～28.3%，且多發(fā)于30～40歲年齡段人群[1]。國(guó)際上將一些與胸部影像學(xué)異常相關(guān)的疾病咳嗽也納入慢性咳嗽研究的范疇，包括慢性阻塞性肺病、典型支氣管哮喘、肺癌，以及間質(zhì)性肺炎等[1-4]。目前，傳統(tǒng)的咳嗽疾病診斷主要依賴于臨床醫(yī)生的面診或者患者的主觀描述，但這些方法存在局限性。

為了突破傳統(tǒng)診斷方法的限制，需要更具有說(shuō)服力和參考價(jià)值的客觀監(jiān)測(cè)手段[5]。文獻(xiàn)[6]通過(guò)研究咳嗽的發(fā)聲機(jī)理，設(shè)計(jì)并開(kāi)發(fā)了一款基于TMS320VC5509A DSP芯片的便攜式大容量咳嗽記錄儀。然而，由于在嘈雜環(huán)境中錄音，該系統(tǒng)存在被噪聲干擾的問(wèn)題，會(huì)影響咳嗽音的準(zhǔn)確識(shí)別，因此需要在抗噪性能方面進(jìn)行改進(jìn)。文獻(xiàn)[7]采用床墊式和腰帶式生理信號(hào)檢測(cè)系統(tǒng)，對(duì)腹部呼吸運(yùn)動(dòng)信號(hào)和體動(dòng)進(jìn)行了多方位的分析，以實(shí)現(xiàn)對(duì)咳嗽信號(hào)的準(zhǔn)確識(shí)別。但是，該系統(tǒng)僅適用于臥床患者，對(duì)患者活動(dòng)范圍有一定限制，需要在便攜性方面進(jìn)行改進(jìn)。

本文設(shè)計(jì)了一款基于壓電傳感器和麥克風(fēng)傳感器的雙傳感器數(shù)據(jù)融合咳嗽監(jiān)測(cè)儀，旨在通過(guò)開(kāi)發(fā)一種便攜、適用于嘈雜環(huán)境的電子設(shè)備，長(zhǎng)時(shí)間準(zhǔn)確記錄患者的咳嗽信號(hào)。該咳嗽監(jiān)測(cè)儀適用于患有呼吸道疾病的患者。通過(guò)該系統(tǒng)，患者可以在家中進(jìn)行自我監(jiān)測(cè)。同時(shí)，該咳嗽監(jiān)測(cè)儀也有助于醫(yī)生通過(guò)遠(yuǎn)程方式更全面地了解患者的身體狀況，從而更精準(zhǔn)地制定治療方案。

1 系統(tǒng)方案

咳嗽監(jiān)測(cè)系統(tǒng)的佩戴方式如圖1（a）所示；運(yùn)作流程如圖1（b）所示；設(shè)計(jì)框架如圖1（c）所示，其由4個(gè)部分組成：電源模塊、信號(hào)調(diào)理模塊、單片機(jī)控制模塊以及MATLAB上位機(jī)信號(hào)處理模塊。在實(shí)驗(yàn)中，被監(jiān)測(cè)對(duì)象需將儀器佩戴于頸部，并將壓電傳感器貼附于下顎，在正常說(shuō)話過(guò)程中，可能會(huì)觸發(fā)咳嗽事件以及其他生理信號(hào)事件（例如強(qiáng)呼吸或清嗓子等）。被測(cè)對(duì)象發(fā)出的聲音信號(hào)由雙傳感器采集，然后經(jīng)信號(hào)調(diào)理電路進(jìn)行放大、濾波以及模數(shù)轉(zhuǎn)換。轉(zhuǎn)換后的信號(hào)由單片機(jī)通過(guò)WiFi模塊發(fā)送給MATLAB上位機(jī)。上位機(jī)接收信號(hào)后進(jìn)行預(yù)處理、特征提取，并對(duì)咳嗽信號(hào)進(jìn)行識(shí)別。

2 系統(tǒng)硬件設(shè)計(jì)

信號(hào)調(diào)理電路模塊如圖2所示。該模塊主要分為2個(gè)部分：語(yǔ)音信號(hào)調(diào)理電路（處理麥克風(fēng)采集的信號(hào)）和振動(dòng)信號(hào)調(diào)理電路（處理壓電傳感器采集的信號(hào)）。語(yǔ)音信號(hào)調(diào)理電路通過(guò)電壓放大電路、帶通濾波電路和A/D采樣電路進(jìn)行音頻信號(hào)的調(diào)理，以提取出清晰且準(zhǔn)確的音頻信息。振動(dòng)信號(hào)調(diào)理電路則包括電荷放大電路、高通濾波電路、電壓放大電路、低通濾波電路以及A/D采樣電路，用于處理由壓電傳感器轉(zhuǎn)換得到的微弱電信號(hào)。

具體來(lái)說(shuō)，電壓放大電路將采集的語(yǔ)音信號(hào)電壓幅值放大了90倍，以確保信號(hào)強(qiáng)度滿足后續(xù)處理的要求。帶通濾波電路則專門保留了音頻信號(hào)中300～4 000 Hz頻段內(nèi)的信息，而將其他頻段內(nèi)的信號(hào)幅度縮小，從而去除不必要的噪聲干擾。高通濾波電路濾除了發(fā)聲過(guò)程中由于口型變化動(dòng)作產(chǎn)生的低頻干擾信號(hào)，進(jìn)一步提高了信號(hào)的質(zhì)量。

經(jīng)過(guò)兩級(jí)處理后，信號(hào)被發(fā)送至單片機(jī)控制模塊，并通過(guò)WiFi將采樣后的信號(hào)發(fā)送至上位機(jī)，以進(jìn)行下一步處理。這一設(shè)計(jì)旨在確保對(duì)語(yǔ)音和振動(dòng)信號(hào)進(jìn)行有效調(diào)理，為后續(xù)處理提供清晰而準(zhǔn)確的數(shù)據(jù)支持。

3 系統(tǒng)軟件設(shè)計(jì)

3.1 信號(hào)預(yù)處理

圖3展示了咳嗽的發(fā)聲機(jī)制?？人愿惺芷鞣植加诤粑鞴兖つぃ艽碳ず螽a(chǎn)生信號(hào)并將信號(hào)轉(zhuǎn)為神經(jīng)沖動(dòng)。這些沖動(dòng)通過(guò)傳入神經(jīng)傳遞至中樞神經(jīng)系統(tǒng)，經(jīng)分析后發(fā)出指令，通過(guò)傳出神經(jīng)刺激呼吸肌群引發(fā)咳嗽。這一過(guò)程是呼吸系統(tǒng)對(duì)外界刺激的生理性反應(yīng)[8]。典型的咳嗽可分為吸氣、加壓和沖出3個(gè)階段[9]。圖4展示了2組咳嗽音采集信號(hào)：

圖4（a）為麥克風(fēng)采集的咳嗽音音頻信號(hào)，含有明顯的吸氣、加壓和沖出3個(gè)階段，劃分如圖4（a）中虛線所示；圖4（b）為壓電傳感器采集的咳嗽音振動(dòng)信號(hào)，也包含3個(gè)階段，劃分如圖4（b）中虛線所示。

圖5展示了信號(hào)預(yù)處理流程，其中振動(dòng)信號(hào)和音頻信號(hào)的預(yù)處理流程相同，包括分幀、加窗、端點(diǎn)檢測(cè)。由于咳嗽音由聲門激勵(lì)脈沖通過(guò)聲道形成，且聲道和口腔肌肉運(yùn)動(dòng)較為緩慢，因此在10～30 ms范圍內(nèi)，咳嗽音信號(hào)可被認(rèn)為是“準(zhǔn)穩(wěn)態(tài)”信號(hào)。

設(shè)輸入的文件數(shù)據(jù)為y，采樣頻率為fs，每幀長(zhǎng)為wlen。為了實(shí)現(xiàn)分幀后聲音信號(hào)的平滑過(guò)渡，在相鄰2幀之間需要插入1幀或幾幀信號(hào)，以確保相鄰2幀之間存在重疊部分，即inc，避免出現(xiàn)跳變。對(duì)于長(zhǎng)度為N的聲音信號(hào)，按式（1）進(jìn)行分幀：

（1）

將數(shù)據(jù)分為fn幀。為了使信號(hào)更加平滑，選用漢明窗對(duì)分幀后的信號(hào)進(jìn)行平滑處理，繼而對(duì)信號(hào)進(jìn)行端點(diǎn)檢測(cè)。

端點(diǎn)檢測(cè)用于確定咳嗽音信號(hào)的有效起始點(diǎn)和結(jié)束點(diǎn)。本系統(tǒng)采用能零比進(jìn)行端點(diǎn)檢測(cè)，以短時(shí)能量和過(guò)零率作為判斷和檢測(cè)的參數(shù)。

圖6所示為能零比端點(diǎn)檢測(cè)的基本流程：首先，設(shè)置初始狀態(tài)，默認(rèn)第一幀信號(hào)標(biāo)識(shí)為靜音段。之后對(duì)于每一幀輸入信號(hào)計(jì)算其能零比。

由式（2）計(jì)算得到每一幀能量：

（2）

能量計(jì)算完成之后需要計(jì)算信號(hào)的過(guò)零率，如式（3）所示：

（3）

由能量和過(guò)零率的比值計(jì)算得到能零比，如式（4）所示：

（4）

如果當(dāng)前幀的能零比小于最小閾值，則判定為靜音段；若介于最小閾值和最大閾值之間，則判定為靜音段到有效聲音段的過(guò)渡段；若大于最大閾值，則判定為有效聲音段，并標(biāo)記為起始位置。對(duì)于處于過(guò)渡段的信號(hào)，其對(duì)下一幀信號(hào)的判別流程與處于靜音段信號(hào)的判別流程相同。對(duì)于處于有效聲音段的信號(hào)，其對(duì)下一幀信號(hào)的判別相對(duì)復(fù)雜一些。若能零比小于最小閾值并且有效聲音長(zhǎng)度小于最小聲音長(zhǎng)度要求（通常為7幀），則被認(rèn)定為噪聲，劃分到靜音段；若能零比大于最小閾值但小于最大閾值，或者當(dāng)前幀能零比小于最小閾值但靜音段持續(xù)時(shí)間不夠長(zhǎng)（最大靜音段通常為4幀），則當(dāng)前聲音尚未結(jié)束，仍處于有效聲音段中；若當(dāng)前幀能零比小于最小閾值且靜音段幀數(shù)足夠長(zhǎng)（大于最大靜音段幀數(shù)），則一段聲音信號(hào)結(jié)束，并標(biāo)記終點(diǎn)。

端點(diǎn)檢測(cè)結(jié)果如圖7所示。圖7（a）表示只有咳嗽數(shù)據(jù)的端點(diǎn)檢測(cè)結(jié)果，其中矩形圈出的數(shù)據(jù)為有效數(shù)據(jù)。圖7（a）正確標(biāo)識(shí)了2段有效數(shù)據(jù)；圖7（b）初步將部分語(yǔ)音信號(hào)和咳嗽信號(hào)做出區(qū)分，但存在一些偏差，后續(xù)通過(guò)識(shí)別算法更精確地定位咳嗽音信號(hào)。

3.2 特征提取

咳嗽音信號(hào)的特征向量主要分為2大類：時(shí)域特征和頻域特征。由于咳嗽的突發(fā)性和爆破性，其短時(shí)間內(nèi)的幅值普遍較高[10]，因此可以利用短時(shí)能量來(lái)有效區(qū)分咳嗽信號(hào)和非咳嗽信號(hào)。在頻域上，咳嗽音遍布整個(gè)頻帶，包含更豐富的有用信息。因此在頻域上提取梅爾頻率倒譜系數(shù)（Mel Frequency Cepstral Coefficient， MFCC）特征向量作為咳嗽音在頻域的特征。

MFCC的分析基于人耳的聽(tīng)覺(jué)機(jī)理[11]。每幀信號(hào)的MFCC為：

（5）

咳嗽音的MFCC可描繪其靜態(tài)特征，然而為了更好地反映其動(dòng)態(tài)特性，需要添加MFCC的一階差分系數(shù)作為特征。計(jì)算見(jiàn)式（6）：

（6）

式中：Δci為第i幀的差分系數(shù)。實(shí)驗(yàn)表明：在原特征的基礎(chǔ)上加入一階差分MFCC能夠顯著提高咳嗽音的識(shí)別率。

3.3 DBO-BiLSTM算法模型的建立

3.3.1 BiLSTM模型的建立

咳嗽音識(shí)別是一項(xiàng)處理時(shí)間序列數(shù)據(jù)的任務(wù)，其中序列中的上下文信息對(duì)于準(zhǔn)確辨識(shí)咳嗽音至關(guān)重要。雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（Bidirectional Long Short-Term Memory， BiLSTM）通過(guò)其雙向結(jié)構(gòu)，能夠同時(shí)兼顧信號(hào)的上下文信息。由于咳嗽音輸入長(zhǎng)度呈動(dòng)態(tài)變化，而B(niǎo)iLSTM對(duì)動(dòng)態(tài)輸入長(zhǎng)度的適應(yīng)性更為靈活，使得模型能夠適應(yīng)不同長(zhǎng)度的咳嗽音片段。其次，BiLSTM在處理時(shí)間序列數(shù)據(jù)時(shí)能夠有效地建立時(shí)間依賴關(guān)系，有助于捕捉咳嗽音信號(hào)中的動(dòng)態(tài)變化，從而提高對(duì)咳嗽音特征的建模效果。這些特性使BiLSTM成為咳嗽音識(shí)別任務(wù)中一種有效且有前景的模型。BiLSTM由前向LSTM和后向LSTM組成，相比只能編碼前向或后向的單向LSTM[12-13]，能更好地捕捉前后信息。其輸出表達(dá)式為：

（7）

3.3.2 蜣螂優(yōu)化算法模型的建立

蜣螂優(yōu)化算法（Dung Beetle Optimization， DBO）是根據(jù)蜣螂的滾球、跳舞、繁殖、覓食和偷竊行為建立的數(shù)學(xué)模

型[14-15]，其建模流程如圖8所示。光照強(qiáng)度對(duì)蜣螂滾球的運(yùn)動(dòng)方向會(huì)產(chǎn)生影響。當(dāng)蜣螂在行進(jìn)途中遭遇障礙物時(shí)，其通過(guò)跳舞的方式確定新的方向，繼而尋找最適合產(chǎn)卵的地點(diǎn)，為繁殖做好準(zhǔn)備。此外，成年蜣螂會(huì)精心選擇最理想的覓食區(qū)域，但在覓食途中會(huì)面臨小偷蜣螂的潛在威脅。為防止其糞球被搶奪，蜣螂需要選擇最佳的競(jìng)爭(zhēng)位置，以確保安全覓食。

DBO算法通過(guò)模擬蜣螂的一系列行為，不斷地更新蜣螂全局和局部最優(yōu)位置以實(shí)現(xiàn)對(duì)BiLSTM隱藏層個(gè)數(shù)、學(xué)習(xí)率以及正則化參數(shù)的優(yōu)化。

4 實(shí) 驗(yàn)

4.1 實(shí)驗(yàn)樣本

本實(shí)驗(yàn)的樣本信號(hào)主要分為2類：咳嗽音信號(hào)和非咳嗽音信號(hào)。其可以進(jìn)一步劃分為清嗓子、強(qiáng)呼吸和說(shuō)話3類。實(shí)驗(yàn)對(duì)象涵蓋了3名女生和4名男生，其中每位實(shí)驗(yàn)對(duì)象的數(shù)據(jù)包括60條咳嗽數(shù)據(jù)、60條清嗓子數(shù)據(jù)、60條強(qiáng)呼吸數(shù)據(jù)以及100條說(shuō)話數(shù)據(jù)，共計(jì)1 960條數(shù)據(jù)，見(jiàn)表1。實(shí)驗(yàn)在安靜的環(huán)境中進(jìn)行。

表1中，由于每條數(shù)據(jù)并非單音節(jié)數(shù)據(jù)，經(jīng)過(guò)端點(diǎn)檢測(cè)后，能夠成功分割為4 293條數(shù)據(jù)，包含1 541條咳嗽數(shù)據(jù)、940條清嗓子數(shù)據(jù)、771條強(qiáng)呼吸數(shù)據(jù)和1 041條說(shuō)話數(shù)據(jù)。

4.2 實(shí)驗(yàn)結(jié)果

本實(shí)驗(yàn)將數(shù)據(jù)集按照7∶3的比例劃分為訓(xùn)練集和測(cè)試集，對(duì)比提取4類音頻數(shù)據(jù)的MFCC+ΔMFCC+En的特征組合和MFCC+En的特征組合，以觀察咳嗽音的動(dòng)態(tài)特征和靜態(tài)特征對(duì)識(shí)別結(jié)果的影響。在識(shí)別算法方面，使用LSTM、BiLSTM、DBO-BiLSTM對(duì)數(shù)據(jù)集的不同特征組合進(jìn)行訓(xùn)練和識(shí)別，通過(guò)比較不同算法下的識(shí)別結(jié)果，選擇最優(yōu)的識(shí)別算法。

不同特征組合的算法識(shí)別率比較如圖9所示。由于加入了咳嗽音的動(dòng)態(tài)特征，其識(shí)別率與采用特征組合為MFCC+En的識(shí)別率相比提高了約6個(gè)百分點(diǎn)。考慮到咳嗽音識(shí)別為一種處理時(shí)間序列數(shù)據(jù)的任務(wù)，所以BiLSTM的識(shí)別率與單向LSTM的識(shí)別率相比提高了8.87個(gè)百分點(diǎn)。由于DBO對(duì)BiLSTM參數(shù)的動(dòng)態(tài)優(yōu)化，DBO-BiLSTM的識(shí)別率與BiLSTM的識(shí)別率相比提高了10.87個(gè)百分點(diǎn)。本系統(tǒng)采用的DBO-BiLSTM算法對(duì)特征組合為MFCC+ΔMFCC+En的識(shí)別率高達(dá)94.44%。

圖10展示了不同類型的傳感器對(duì)不同類別信號(hào)的識(shí)別結(jié)果。對(duì)于雙傳感器和壓電傳感器而言，咳嗽音信號(hào)的識(shí)別率優(yōu)于非咳嗽音信號(hào)。此外，由于雙傳感器融合了振動(dòng)和音頻信息，其對(duì)咳嗽音信號(hào)的識(shí)別率達(dá)到了97.23%，比麥克風(fēng)傳感器高14.1個(gè)百分點(diǎn)，比壓電傳感器高3.04個(gè)百分點(diǎn)；其對(duì)非咳嗽信號(hào)的識(shí)別率也表現(xiàn)最佳，其對(duì)說(shuō)話信號(hào)的識(shí)別結(jié)果僅次于咳嗽信號(hào)，識(shí)別率為94.40%，而對(duì)強(qiáng)呼吸信號(hào)識(shí)別結(jié)果欠佳，識(shí)別率僅有92.5%。這表明基于雙傳感器的慢性咳嗽監(jiān)測(cè)系統(tǒng)具有更好的識(shí)別效果。

5 結(jié) 語(yǔ)

本研究采用壓電和麥克風(fēng)傳感器雙重設(shè)備對(duì)咳嗽音信號(hào)進(jìn)行采集，通過(guò)WiFi傳送至上位機(jī)進(jìn)行信號(hào)預(yù)處理，之后提取咳嗽音信號(hào)MFCC+ΔMFCC+En的特征組合，使用DBO-BiLSTM算法對(duì)咳嗽音進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果顯示，增加表示咳嗽音動(dòng)態(tài)特征的ΔMFCC后識(shí)別率提高約6個(gè)百分點(diǎn)；使用DBO優(yōu)化算法，通過(guò)動(dòng)態(tài)更新全局和局部最優(yōu)位置來(lái)優(yōu)化BiLSTM的參數(shù)，使得其識(shí)別率較BiLSTM提高了10.87個(gè)百分點(diǎn)；且本系統(tǒng)使用的MFCC+ΔMFCC+En特征組合配合DBO-BiLSTM算法的識(shí)別率最高，為94.44%；另外，雙傳感器融合了咳嗽音的振動(dòng)信號(hào)和音頻信號(hào)，且振動(dòng)信號(hào)與音頻信號(hào)互補(bǔ)，使得雙傳感器對(duì)咳嗽音信號(hào)的識(shí)別率達(dá)到97.23%，比麥克風(fēng)和壓電傳感器分別高14.1個(gè)百分點(diǎn)和3.04個(gè)百分點(diǎn)。這表明雙傳感器在慢性咳嗽監(jiān)測(cè)領(lǐng)域具有更敏銳和更穩(wěn)定的識(shí)別效果。

本研究的實(shí)驗(yàn)結(jié)果將為雙傳感器系統(tǒng)在咳嗽監(jiān)測(cè)中的應(yīng)用提供重要的參考和指導(dǎo)，對(duì)該領(lǐng)域的進(jìn)一步研究和發(fā)展具有借鑒意義。

注：本文通訊作者為陳向東。

參考文獻(xiàn)

[1]中華醫(yī)學(xué)會(huì)呼吸病學(xué)分會(huì)哮喘學(xué)組，賴克方.咳嗽的診斷與治療指南（2021）[J].中華結(jié)核和呼吸雜志，2022（1）：13-46.

[2] PARKER C M， VODUC N， AARON S D， et al. Physiological changes during symptom recovery from moderate exacerbations of COPD [J]. European respiratory journal， 2005， 26（3）： 420-428.

[3] OLIVEIRA A， MARQUES A. Understanding symptoms variability in outpatients with AECOPD [J]. Pulmonology， 2018， 24（6）： 357-360.

[4] CROOKS M G， DEN BRINKER A， HAYMAN Y， et al. Continuous cough monitoring using ambient sound recording during convalescence from a COPD exacerbation [J]. Lung， 2017， 195： 289-294.

[5] DEN BRINKER A C， COMAN M， OUWELTJES O， et al. Performance requirements for cough classifiers in real-world applications [C]// 2020 28th European Signal Processing Conference （EUSIPCO）. Amsterdam， Netherlands： IEEE， 2021： 96-100.

[6]黃健鵬.基于DSP的咳嗽記錄儀的設(shè)計(jì)與實(shí)現(xiàn)[D].廣州：華南理工大學(xué)，2013.

[7]裴曉娟.利用床墊式和腰帶式生理信號(hào)監(jiān)測(cè)系統(tǒng)進(jìn)行咳嗽的監(jiān)測(cè)與識(shí)別[D].濟(jì)南：山東大學(xué)，2014.

[8]章臻.基于咳嗽音的呼吸功能分類算法及軟件開(kāi)發(fā)[D].廣州：華南理工大學(xué)，2021.

[9] KORPá? J， SADLO?OVá J， VRABEC M. Analysis of the cough sound： an overview [J]. Pulmonary pharmacology， 1996， 9（5/6）： 261-268.

[10]俞一奇.基于咳嗽音的兒童肺炎院外診斷識(shí)別研究[D].杭州：中國(guó)計(jì)量大學(xué)，2018.

[11] TIWARI V. MFCC and its applications in speaker recognition [J]. International journal on emerging technologies， 2010， 1（1）： 19-22.

[12] SUNDERMEYER M， SCHLüTER R， NEY H. LSTM neural networks for language modeling [C]// Conference of the International Speech Communication Association. Portland， Oregon， USA： ISCA， 2012.

[13] SIAMI-NAMINI S， TAVAKOLI N， NAMIN A S. The performance of LSTM and BiLSTM in forecasting time series [C]// 2019 IEEE International Conference on Big Data （Big Data）. Los Angeles， CA， USA： IEEE， 2019： 3285-3292.

[14] XUE J， SHEN B. Dung beetle optimizer： A new meta-heuristic algorithm for global optimization [J]. The journal of supercomputing， 2023， 79（7）： 7305-7336.

[15]潘勁成，李少波，周鵬，等.改進(jìn)正弦算法引導(dǎo)的蜣螂優(yōu)化算

法[J].計(jì)算機(jī)工程與應(yīng)用，2023，59（22）：92-110.