利用腰带式多参数生理信号监测系统进行咳嗽检测与辨识

裴晓娟，俞梦孙，成奇明，杨 军

0 引言

咳嗽是人体最重要的呼吸防御反射之一，能够有效清除气道内的异物及过多的分泌物[1]。非自主的咳嗽由完整的反射弧构成：感觉神经末梢的咳嗽感受器受到刺激后产生的神经冲动经迷走神经、舌咽神经和三叉神经等传到脑干咳嗽中枢，信号整合后经喉下神经、膈神经和脊神经分别传到咽肌、声门、膈肌、胸腹肌群，引起咳嗽动作[2-3]。少量咳嗽是人体的一种保护性反射动作，频繁的、刺激性的咳嗽则会影响人们正常的活动与休息。当咳嗽症状持续出现时，其频率与强度等特征在一定程度上反映了呼吸系统疾病的类型与严重程度，这在呼吸疾病的临床诊断中具有重要价值。

鉴于咳嗽的重要诊断价值，对咳嗽进行自动监测和统计是非常必要的。近年来，对咳嗽的研究成果主要有2个方面：（1）计算机自动分析算法的研究，集中于在含有背景噪声的声音信号中自动检测咳嗽事件和咳嗽事件的自动分类[4-5]；（2）对咳嗽监测仪的研究，目前的咳嗽监测仪大多是记录咳嗽声音或同时记录咳嗽声音与肌电，采样率高、数据量庞大，为长时间监测增加了难度。腰带式多参数生理信号监测系统（简称“腰带”）通过检测受试者腹部的呼吸运动，能够同时得到加速度、呼吸波和心电信号，采样率低、数据量小，便于分析处理。本文提出一种利用改进的腰带式多参数生理信号监测系统，通过实时记录加速度、呼吸波、振动和声音信号来检测咳嗽的方法，并针对后期信号回放处理设计了自动识别咳嗽事件的算法。

1 方法

1.1 实验平台

改进的腰带式多参数生理信号监测系统由2个部分构成：一部分是绑缚在腹部的腰带；一部分是固定在腰带外侧，采集、处理、存储和发送数据的机盒。腰带的内侧由1个加速度传感器、1个麦克风、2个压力传感器、3个心电电极和相关电路构成，加速度传感器采用MMA7260Q三轴向电容式微型加速度传感器，具有体积小、低功耗、高敏感度等特点，用来检测人体腹部3个轴向的倾角和加速度；2个敏感度不同的压力传感器，一个用来检测腹部呼吸运动，另一个用来检测咳嗽、说话等事件引起的腹部振动，采样率均为100 Hz；三电极双导联提取心电信号；麦克风实时记录语音信号[6]。各种生理信号通过蓝牙传输到计算机，进行实时显示和记录，同时也记录于内置SD卡上，用于事后分析处理。

1.2 研究对象

研究对象为20～69岁存在持续咳嗽症状的呼吸系统疾病患者27人，均已知情同意，其中，男性11人，女性16人。

1.3 实验步骤

实验之前，受试者在腹部佩戴好腰带，机盒对准腹部正中肚脐上缘，并依照个人体形调整松紧带的长度。数据采集时，可在监视界面上实时观测加速度、腹呼吸、振动、心电波形和声音包络的变化情况。每位受试者采集30 min的有效数据。实验开始前2 min受试者适应设备和平静呼吸，得到的实验数据应予以摒弃，不列入有效数据。采集到的数据用MATLAB（The MathWorks Inc.，Natick，MA，USA）在计算机上进行分析。

1.4 算法设计

由文献可知，咳嗽由初始的吸气相、中间的加压相和最后的呼气相组成。吸气相的存在使咳嗽呼吸波幅度显著大于普通呼吸波，而且咳嗽的呼气相要大于吸气相[7]。所以咳嗽不仅会引起腹部的振动位移，还会给呼吸波带来明显变化。本文检测咳嗽事件主要使用加速度、腹呼吸和声音3路信号。

除咳嗽外，体动、清喉和说话都会引起加速度不同程度的波动，咳嗽识别算法流程如图1所示。

根据加速度信号的幅度和斜率，可以排除说话的干扰；再利用呼吸波信号的幅度，筛除掉清喉事件；最后由声音包络的变化识别出咳嗽事件。具体算法如下：

图1 咳嗽识别算法流程

（1）将加速度信号进行分帧，帧长为20 s，相邻帧重叠10 s。

（2）初始化咳嗽事件标志序列cough，长度与加速度信号相同，初始值为0。

（3）对每帧加速度信号取差分绝对值，得到差分序列。

（4）计算差分序列的均值和标准差，设定阈值th1。

（5）保留幅度大于th1的差分序列，则其对应的加速度信号也随之片段化，寻找加速度片段内的峰值点，计算左右斜率，设定阈值th2，保留斜率大于th2的加速度片段。

（6）根据呼吸波幅度设定阈值th3，如果加速度片段对应的呼吸波最大值大于th3，该片段予以保留。

（7）保留下来的加速度片段，判断其同时间段内的声音包络是否有明显起伏，如果有，将该片段对应区域的cough序列记为1，初步识别出咳嗽事件。

（8）最后调整咳嗽事件的起止点。寻找每个初步判定的咳嗽片段内呼吸波的第一个波峰peak，该点为咳嗽时经吸气、加压相达到的呼吸波峰值点，从peak继续向前寻找最邻近的谷点valley1，valley1即为咳嗽事件的起点；寻找最邻近咳嗽呼吸波片段终点的谷点valley2，valley2即为咳嗽事件的终点；根据最终得到的咳嗽事件长度相应调整cough序列的值，咳嗽事件判别完毕。

2 结果

利用前面提到的算法对信号进行分析处理，得到咳嗽事件标志序列，如图2～5所示。由结果可见，本方法能够排除大部分干扰，辨识出咳嗽事件，是可行的。

图2 单次咳嗽事件（划线处）识别结果

图3 咳嗽（前）和清喉（后）的区分识别结果

图4 咳嗽（前）和说话（后）的区分识别结果

图5 咳嗽（前）与体动（后）的区分识别结果

表1 事件统计结果

27名受试者的腰带数据统计结果见表1。对同步记录的音频文件进行人工计数，共有523次咳嗽事件，算法自动识别出471次，咳嗽事件识别的敏感度为90.1%；共有1 452次非咳嗽事件，算法正确识别出1 438次，特异性达到99%，能够有效区分咳嗽与其他干扰（如清喉、说话、体动）。

3 讨论与结论

本文采用腰带式多参数生理信号监测系统对咳嗽进行自动检测与辨识，该系统能够同时采集多种信号，实时监测其变化情况，并选取加速度、呼吸波和声音3路信号作为参数设计自动识别咳嗽的算法。

该系统与目前已有的咳嗽监测系统相比有其独特的优势，已有的监测系统大致可分为3类：（1）以HACC（hull automatic cough counter）、LCM（leicester cough monitor）和Lifeshirt为代表的动态记录咳嗽声音，分析其时域频域特征检测咳嗽事件[8-10]；（2）以LR102和Brompton咳嗽记录系统为代表的通过同时记录肋间肌电信号和声音信号来区分咳嗽与背景噪声[11]；（3）Ian M Paul等人研发的通过记录胸骨上切迹的加速度信号来动态监测咳嗽的仪器，包括一个加速度传感器和一个存储盒。前2类咳嗽监测仪的敏感度为78%～91%，特异性为96%～99%，虽然拥有良好的技术参数，但其采样率高、数据量庞大，为长时间监测增加了难度；最后一类采样率小，但目前还没有相应的区分算法，只能人工进行咳嗽计数分析[12]。

腰带式多参数生理信号监测系统的优势在于：（1）该系统并不直接采用声音信号，而是提取其包络线，采样率低、数据量小，便于分析处理。（2）大多数监测系统只能监测和分析单一信号（如声音信号），抗干扰能力差；腰带式多参数生理信号监测系统可以同时监测加速度、呼吸波、腹部振动、心电和声音5路信号，从多个方面分析咳嗽特征，抗干扰能力较好。目前，大部分咳嗽识别算法是针对咳嗽音的时域和频域特征来设计的，本文另辟蹊径，通过研究，发现咳嗽时加速度和呼吸波的波形具有明显区别于其他事件的特点，所以设计算法时以这2路信号特征为主，将采集到的原始信号依次经加速度特征辨识、呼吸波特征辨识模块，使咳嗽事件与大部分干扰（如清喉、说话、较小幅度的体动）区分开；再通过判定声音包络的起伏变化，排除大幅度体动的干扰，最终识别出完整的咳嗽事件。该算法与其他算法相比，原理简单易实现，且准确度较高。经人工判别，实验结果能够满足实际分析的需求，敏感度和特异性分别达到90.1%和99%。

本文现阶段只实现了咳嗽事件的辨识，还可以对呼吸波和腰带采集的其他生理信号的特征进行深入分析研究，实现不同种类咳嗽的自动分类识别，让腰带式多参数生理信号监测系统得到更广泛的应用。

[1] 赖克方，钟南山.慢性咳嗽[M].北京：人民卫生出版社，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] 张政波，俞梦孙，赵显亮，等.穿戴式、多参数协同监测系统设计[J].航天医学与医学工程，2008，21（1）：66-69.

[7] 吉宁飞，殷凯生.咳嗽的解剖、生理及病理生理学基础[J].实用老年医学，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，Fleming 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.