常 峥，罗 萍，杨 波，张晓晓

（重庆邮电大学自动化学院，重庆 400065）

（*通信作者电子邮箱1213884879@qq.com）

0 引言

呼吸系统是身体与外界进行气体交换的器官总称，肺部是系统中重要的组成部分，负责氧气输送和二氧化碳排出［1］。肺作为身体的重要器官之一，人们从未停止对肺部相关疾病的研究。随着年龄增长和环境恶化，60 岁以上老年人的肺部情况较为恶劣，尤其是慢性阻塞性肺病（Chronic Obstructive Pulmonary Disease，COPD），这种疾病具有发病周期长且难以治疗的特点，是老年人主要医疗经济负担和死亡原因。

声音是信息的主要载体，人们可以通过声音来判断事物的某种状态，通过呼吸声信号诊断COPD 能够解决患者到医院就诊所带来的诊断周期长、时间成本高等问题，因此在国内外出现很多关于COPD 呼吸声信号方面的研究。Jaber 等［2］利用改进的随机森林分类器对肺部声音信号进行肺部疾病有效诊断，其中包括COPD、哮喘等肺部疾病；Azam 等［3］采用CEEMD（Complete Ensemble Empirical Mode Decomposition）并结合支持向量机（Support Vector Machine，SVM）的方法区分COPD、哮喘和支气管炎等疾病；Pramono 等［4］通过计算复杂度较低的线性分类器区分健康、哮喘和COPD 呼吸声；Islam 等［5］通过提取功率谱密度子带中特征向量并输入到人工神经网络（Artificial Neural Network，ANN）分类器实现识别健康人、哮喘和COPD 患者；Altan 等［6］采用集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）和深度信念网络的方法区别COPD 患者和健康人呼吸声，EEMD 解决了EMD 中模态混叠问题；Haider 等［7］提取中值频率和线性预测编码特征并结合SVM，实现结合呼吸声测量数据和呼吸声信号特征来区分COPD 患者呼吸声。这些研究用不同方法通过分析呼吸声信号实现分类识别，但特征信号比较单一，基本采用从频域中提取特征向量作为识别诊断的依据，没有考虑到时域中信号的部分信息，达不到理想的识别效果。……