TWI848197B

TWI848197B - 呼吸功能檢測方法及裝置

Info

Publication number: TWI848197B
Application number: TW109146891A
Authority: TW
Inventors: 陳之碩; 林蕙鈴; 陳昶瑞; 張榮興; 卡梅; 李耕岳
Original assignee: 國立清華大學
Priority date: 2020-12-30
Filing date: 2020-12-30
Publication date: 2024-07-11
Also published as: US20220202389A1; TW202224628A

Abstract

呼吸功能檢測方法及裝置。所述方法包括：訓練多個分類模型，透過收音裝置來對呼吸聲音進行收音，以產生呼吸訊號，並且經由已訓練的各分類模型來對呼吸訊號進行分類，以獲得對應於各分類模型的分類結果。

Description

呼吸功能檢測方法及裝置

本發明是有關於一種生理狀態檢測方法及裝置，且特別是有關於一種呼吸功能檢測方法及裝置。

由於工業和氣候變化的迅速發展導致嚴重的空氣污染，呼吸功能障礙目前已成為緊急的公共衛生問題。

而為了識別呼吸功能障礙，開發了各種臨床測定法。然，現有作法皆需要訓練有素的專家和複雜的設備，因而限制了對公眾的普及性。

本發明提供一種呼吸功能檢測方法及裝置，可即時來檢測呼吸功能。

本發明的呼吸功能檢測方法，包括：訓練多個分類模型；透過收音裝置來對呼吸聲音進行收音，以產生呼吸訊號；以及經由已訓練的所述分類模型分別來對呼吸訊號進行分類，以獲得對應於各分類模型的分類結果。

在本發明的一實施例中，所述訓練分類模型的步驟包括：基於反應於多個肺部生理狀況的參數，控制氣流產生器產生用以模擬呼吸的多種氣流；透過收音裝置對這些氣流進行收音而產生多個訓練訊號；以及利用所述訓練訊號來訓練所述分類模型。

在本發明的一實施例中，所述訓練分類模型的步驟包括：基於多個病人呼吸圖譜來產生所述訓練訊號；以及利用所述訓練訊號來訓練所述分類模型。

在本發明的一實施例中，所述分類模型包括支持向量機(Support Vector Machine，SVM)模型、卷積神經網路模型(Convolutional Neural Network，CNN)以及應用長短期記憶的複合卷積神經網路(compounded CNN with Long Short Term Memory，ConvLSTM)模型。

在本發明的一實施例中，所述收音裝置以非接觸方式進行收音。

在本發明的一實施例中，所述收音裝置為麥克風。

本發明的呼吸功能檢測裝置，包括：收音裝置以及運算裝置。運算裝置，耦接至收音裝置，並配置以：訓練多個分類模型；透過收音裝置來對呼吸聲音進行收音，以產生呼吸訊號；以及經由已訓練的所述分類模型分別來對呼吸訊號進行分類，以獲得對應於各分類模型的分類結果。

基於上述，使用機器學習算法來建立多個分類模型，通過直接對使呼吸聲音進行收音來幫助識別呼吸功能是否異常。據此作為需要持續保持警惕的患者的監測設備。

100:呼吸功能檢測裝置

110:運算裝置

130:收音裝置

S210~S230:呼吸功能檢測方法的各步驟

310:訓練訊號

320:SVM模型

330:CNN模型

340:ConvLSTM模型

350:分類結果

圖1是依照本發明一實施例的呼吸功能檢測裝置的方塊圖。

圖2是依照本發明一實施例的呼吸功能檢測方法的流程圖。

圖3是依照本發明一實施例的訓練分類模型的示意圖。

圖4是依照本發明一實施例的分類模組準確率的比較圖。

圖1是依照本發明一實施例的呼吸功能檢測裝置的方塊圖。請參照圖1，呼吸功能檢測裝置100包括運算裝置110以及收音裝置130。運算裝置110可透過有線方式或無線方式耦接至收音裝置130。而收音裝置130可內建於運算裝置110，也可外接至運算裝置110。運算裝置110為具有運算功能的電子裝置。例如，運算裝置110為筆記型電腦、平板電腦、智慧型手機等。

收音裝置130例如為手持式的麥克風，其可以非接觸方式進行收音。在一實施例中，可將收音裝置130與運算裝置110整合為至穿戴式裝置或可攜式電子裝置上。例如，在智慧型手錶或智慧型手機上設置收音裝置130以便於使用者來收集呼吸聲音。

在一實施例中，可在訓練分類模型的過程中，利用氣流產生器產生用以模擬呼吸的多種氣流。具體而言，透過運算裝置110控制氣流產生器基於反應於多個肺部生理狀況的參數來產生氣流。例如，根據肺的順應性(Lung Compliance)和抵抗力來模擬病理狀況，藉此重建多種呼吸模式，以基於各呼吸模式來產生對應的氣流(模擬呼吸的氣流)。呼吸氣流依賴於肺的彈性後坐力和氣道阻力之間的平衡。肺順應性表明經肺壓的肺活量變化，而氣道阻力規定呼吸壓力下的流速。順應性和抵抗力都是量化呼吸系統功能的重要指標。

在訓練模型階段，將收音裝置130移動至氣流產生器的輸出口附近，以對氣流產生器所產生的氣流進行收音來產生訓練訊號。之後，將訓練訊號傳送給運算裝置110來訓練多個分類模型。

另外，在另一實施例中，利用呼吸描記器(Pneumograph)來對多個病人進行測量，以此獲得多個病人呼吸圖譜。呼吸描記器用以記錄呼吸中胸部運動的速度和力量。而運算裝置110基於這些病人呼吸圖譜來產生多個訓練訊號，並利用這些訓練訊號來訓練分類模型。

又，亦可直接針對多個病人進行呼吸聲音的收音，據此來建立訓練用的聲音資料庫。

圖2是依照本發明一實施例的呼吸功能檢測方法的流程圖。請同時參照圖1及圖2，首先，在步驟S210中，訓練多個分類模型。在此，可藉由氣流產生器來產生用以模擬呼吸的多種氣流。例如，運算裝置110基於反應於多個肺部生理狀況的參數，控制氣流產生器產生氣流。接著，透過收音裝置130對所述氣流進行收音而產生多個訓練訊號。另外，在其他實施例中，運算裝置110也可基於多個病人呼吸圖譜來產生多個訓練訊號。之後，運算裝置110便可利用所述訓練訊號來訓練分類模型。

在本實施例中，所述分類模型包括支持向量機(Support Vector Machine，SVM)模型、卷積神經網路(Convolutional Neural Network，CNN)模型以及應用長短期記憶的複合卷積神經網路(compounded CNN with Long Short Term Memory，ConvLSTM)模型。然，在此僅為舉例說明，並不以此為限。

在此，SVM模型是使用Python程式語言的自由軟體機器學習庫(例如Scikit-learn庫)來實現。而具有TensorFlow後端的Keras庫則用於神經網路結構。

在本實施例中，採用9成分的主成分分析(Principal Component Analysis，PCA)來提取特徵，以搭配SVM模型使用。

而CNN模型包括2個卷積層(Convolutional layer)。第一層卷積層包含5個濾波器。每一個濾波器的卷積核尺寸(kernel size)為5×1，步長(stride)為5，且具有整流線性(Rectified Linear Units layer，ReLU)激活函數以及L2正規化(L2 regularization)。接著，使用大小為2和0.5的釋放層(dropout layer)的最大池化(max pooling)。第二層卷積層包含20個濾波器，其使用參數與第一層相同。在全連接層(Fully Connected layer)中，使用30個隱藏神經元和ReLU激活函數。在最終密集層(final dense layer)中，使用softmax激活函數，以生成逐級分類機率。

另外，在ConvLSTM模型中，在密集層(dense layer)之前引入了具有ReLU激活函數和L2正規化功能的附加64單元的LSTM層。並且，使用Adam等最佳化器(optimizer)來進行權重優化，以最小化兩個神經網路模型(neural network(NN)model)中的分類交叉熵(cross entropy)的損失。

圖3是依照本發明一實施例的訓練分類模型的示意圖。圖4是依照本發明一實施例的分類模組準確率的比較圖。請參照圖3及圖4，將多個訓練訊號310分別作為SVM模型320、CNN模型330以及ConvLSTM模型340的輸入來獲得分類結果350。

在本實施例中，氣流產生器針對特定生理條件進行參數設置，以建立多種呼吸模式，再透過收音裝置130來獲得訊練訊號310。例如，使用了兩個極端COPD水平(底下稱為輕微COPD、嚴重COPD)來從嚴重病例中識別出輕度病例。每種疾病重建了75種不同的呼吸模式。

在此，聲音波形直接用於訓練SVM模型320、CNN模型330以及ConvLSTM模型340，以便區分輕微COPD、嚴重COPD、ILD以及正常狀態。如圖4所示，SVM模型320、CNN模型330以及ConvLSTM模型340的準確率皆保持在90%以上。

在監督學習領域中，SVM模型320是具有高維特徵映射函數的強大分類器，可通過超平面(hyperplane)使得類別分離。但是，這種淺層機器學習技術適用於小型資料集。隨著資料集的資料數量的增加以及更多類別可供選擇，重疊特徵會使支持向量不堪負荷，從而導致性能下降。對於一個具有大量類別重疊的足夠大的資料集，CNN模型330和ConvLSTM模型340則優於SVM模型320。

在分類模型訓練完之後，在步驟S220中，透過收音裝置130來對呼吸聲音進行收音，以產生呼吸訊號。在此，利用手持式的收音裝置以非接觸方式對目標對象的呼吸聲音進行收音。

之後，在步驟S230中，經由已訓練的分類模型(如圖3所示的SVM模型320、CNN模型330以及ConvLSTM模型340)分別來對呼吸訊號進行分類，以獲得對應於各分類模型的分類結果。之後，還可根據所獲得多個分類結果來進行交叉驗證。另外，在其他實施例中，在步驟S230中亦可只採用準確率最高的分類模型來進行分類。

綜上所述，本揭露使用機器學習算法來建立多個分類模型，通過直接對呼吸聲音進行收音來幫助識別呼吸功能是否異常。據此作為需要持續保持警惕的患者的監測設備，並且大幅簡化了輸入數據的取得方式。

與當前常用測定方法需要專業和複雜設備的繁重需求相反，本揭露使用低成本的收音裝置(例如麥克風)即能夠達成呼吸功能監測的效果。這種方法可以為初步診斷提供基礎，並且可以進一步有助於呼吸道健康的即時檢驗。

S210~S230:呼吸功能檢測方法的各步驟

Claims

一種呼吸功能檢測方法，包括：訓練多個分類模型，其中訓練該些分類模型的步驟包括：基於反應於多個肺部生理狀況的參數，控制一氣流產生器產生用以模擬呼吸的多種氣流，透過該收音裝置對該些氣流進行收音而產生多個訓練訊號，或者，利用呼吸描記器(Pneumograph)來對多個病人進行測量，記錄該些病人呼吸中胸部運動的速度和力量，以獲取多個病人呼吸圖譜，基於該些病人呼吸圖譜來產生該些訓練訊號；以及利用該些訓練訊號來訓練該些分類模型；透過一收音裝置來對一呼吸聲音進行收音，以產生一呼吸訊號；以及經由已訓練的該些分類模型分別來對該呼吸訊號進行分類，其中該些分類模型包括支持向量機模型、卷積神經網路模型以及應用長短期記憶的複合卷積神經網路模型，以獲得對應於各該些分類模型的各分類結果；根據所獲得各該分類結果來進行交叉驗證各該些分類模型對該呼吸訊號進行分類的準確率；以及選擇該準確率最高的分類模型來對該呼吸訊號進行分類。
如請求項1所述的呼吸功能檢測方法，其中該收音裝置以非接觸方式進行收音。
如請求項1所述的呼吸功能檢測方法，其中該收音裝置為麥克風。
一種呼吸功能檢測裝置，包括：一收音裝置；以及一運算裝置，耦接至該收音裝置，並配置以：訓練多個分類模型，其中該運算裝置耦接至一氣流產生器，且經配置以控制該氣流產生器基於反應於多個肺部生理狀況的參數來產生多種氣流，該收音裝置對該些氣流進行收音而產生多個訓練訊號，或者，利用呼吸描記器(Pneumograph)來對多個病人進行測量，記錄該些病人呼吸中胸部運動的速度和力量，以獲取多個病人呼吸圖譜，基於該些病人呼吸圖譜來產生該些訓練訊號，該運算裝置自該收音裝置獲得該些訓練訊號，以利用該些訓練訊號來訓練該些分類模型；透過該收音裝置來對一呼吸聲音進行收音，以產生一呼吸訊號；以及經由已訓練的該些分類模型分別來對該呼吸訊號進行分類，其中該些分類模型包括支持向量機模型、卷積神經網路模型以及應用長短期記憶的複合卷積神經網路模型，以獲得對應於各該些分類模型的各分類結果；根據所獲得各該分類結果來進行交叉驗證各該些分類模型對該呼吸訊號進行分類的準確率；以及選擇該準確率最高的分類模型來對該呼吸訊號進行分類。
如請求項4所述的呼吸功能檢測裝置，其中該收音裝置以非接觸方式進行收音。
如請求項4所述的呼吸功能檢測裝置，其中該收音裝置為麥克風。