论文部分内容阅读
目的：本课题旨在应用现代声诊技术，通过采集和分析肺系三种常见疾病：支气管哮喘、慢性支气管炎、原发性支气管癌患者的语音信号，寻找肺系不同病证患者间的语音特征差异，为肺系疾病的临床辨病、辨证提供一定的声诊客观数据和依据。并以肺系疾病为切入点，研究中医声诊的客观采集和分析方法，辅助中医临床诊断和基础教学。
方法：运用前期研究已建立的语音采集系统和方法，临床采集肺系三种常见并具有代表性的疾病：支气管哮喘、慢性支气管炎、原发性支气管癌患者的元音/a:/信号共342例。样本进行分组，按照疾病分为支气管哮喘、慢性支气管炎、原发性支气管癌三组，按照证型分为肺气虚证、肾气虚证、肺气阴两虚证和实证四组，均以正常人作为对照组。运用小波包分析技术进行信号的分析处理，提取各组样本信号的小波包能量和Shannon熵值特征，通过独立变量非参数检验方法对各组样本的小波包特征参数进行检验，并运用这两种特征进行肺系病证的分类识别研究。
结果：利用小波包分解提取各组样本的小波包能量和Shannon熵值特征，经统计分析得到：(1)肺系不同病证患者语音的小波包能量特征分析，组间多类比较和两两比较，均有较多频段有统计学差异(P＜0.05)，且各疾病组之间与各证型组之间的差异频段不完全相同，差异频段处小波包能量的分布也各有特点。(2)肺系不同病证患者语音的小波包Shannon熵值特征分析，组间多类比较和两两比较，均有较多频段具有统计学差异(P＜0.05)。总熵值比较，正常组的总熵值均低于患病各组。(3)运用本研究得到的小波包能量和Shannon熵值两种特征，分别采用支持向量机和BP神经网络两种方法，对肺系不同病证样本进行分类识别，支持向量机对疾病组和证型组的分类识别准确率分别为76.29％和83.67%，BP神经网络对疾病组和证型组的分类识别准确率分别为61.17%和71.95%。
结论：本课题采用的声诊采集和分析方法在肺系病证中的应用研究，证明该方法切实可行，适用于中医声诊的研究；肺系不同病证患者的语音信号特征存在差异，小波包能量和Shannon熵值特征能初步区分肺系常见病证的语音特征，辅助肺系常见病证的临床诊断和辨证；运用支持向量机和小波包能量、Shannon熵值特征进行肺系病证的分类识别，有较好的效果，为中医声诊的分类识别提供新的思路。