慢性阻塞性肺病(COPD)是一种常见的以持续气流受限为特征的慢性呼吸道疾病,具有很高的发病率和死亡率.目前临床上对COPD的诊断方式十分复杂,不仅耗时且有创或有辐射伤害,不适用于日常筛查.本研究设计了一种基于深度学习的COPD诊断模型.首先,将RespiratoryDatabase@TR多媒体呼吸数据库中42位COPD患者的肺音数据和来自天津大学胸科医院的24位COPD患者以及37位健康受试者的临床采集肺音数据相结合,分别运用高通滤波器和基于集合经验模态分解(EEMD)及小波熵的去噪算法进行去噪处理,然后通过归一化、交叠剪切、数据扩增完成预处理过程;然后利用二阶谱分析技术提取肺音特征;最后,将特征输入到改进的19层卷积神经网络模型中,实现健康受试者与COPD患者的二分类.实验结果表明,所提出的模型能够有效诊断COPD,其准确度、敏感度、特异性、F1分数和Kappa系数分别达到了 98.93％、98.47％、99.41％、98.95％和97.86％,且由于采用了双中心数据并进行了去噪处理,模型可靠性更高,具有重要的临床意义.

慢性阻塞性肺病;肺音;二阶谱;卷积神经网络

天津大学精密仪器与光电子工程学院,天津 300072;天津大学国际工程师学院,天津 300072;天津大学胸科医院,天津 300051

[1]余辉;赵婧;仇兆禹;刘冬怡;陈振;垢程翔;孙敬来;赵晓赟-.基于深度学习的慢性阻塞性肺病的诊断模型研究)[J].中国生物医学工程学报,2022(05):558-566

RespiratoryDatabase,二阶谱分析

慢性阻塞性肺病,诊断模型,COPD,气流受限,慢性呼吸道疾病,发病率和死亡率,诊断方式,十分复杂,或有,射伤,TR,多媒体,肺音,天津大学,胸科,健康受试者,高通滤波器,集合经验模态分解,EEMD,小波熵,去噪算法,去噪处理,交叠,数据扩增,谱分析技术,卷积神经网络模型,二分类,Kappa,心数

0.280165