吞咽声学数据库构建技术与方法探索

doi:10.12114/j.issn.1007-9572.2025.0238

摘要/Abstract

摘要： 吞咽障碍在老年群体中发病率高，若未能及时识别与干预，易引发误吸、营养不良及肺部感染等严重并发症。近年来，基于声学特征的吞咽功能评估因其非侵入性、可操作性强及适用于远程监测等优势，受到广泛关注。然而，现有研究普遍存在样本量小、音频类型单一、采集与处理标准不统一等问题，制约了声学技术在吞咽障碍识别中的深入应用。本研究在北京市和石家庄市13家养老机构中招募650名受试者，纳入635名合格受试者，共采集7 922条涵盖吞咽音、咳嗽音与语音的有效音频。每条音频提取23个声学特征，涵盖时域、频域、能量及非线性4个维度，共提取182 206个声学特征。基于波形图、时频图与频谱图分析，初步验证了不同音频事件在多维度声学特征上的显著差异。最终，本研究开发了一套标准化的吞咽声学数据采集与处理流程，构建了覆盖多类型音频事件与多维度声学特征的吞咽声学数据库，为后续声学标志物识别、智能识别模型构建、远程吞咽功能评估系统开发等提供了数据支撑，具有重要科研价值与广阔应用前景。

关键词: 吞咽障碍, 吞咽困难, 老年人, 吞咽音, 咳嗽音, 语音, 声学特征, 数据库

Abstract:

Dysphagia is common among elderly people and may lead to aspiration, malnutrition, and pulmonary infections if not properly managed. Acoustic-based assessment offers a non-invasive, practical, and remotely applicable approach, yet current research is limited by small sample sizes and a lack of standardized data protocols. This study recruited 650 older adults from 13 care institutions in Beijing and Shijiazhuang, with 635 completing valid audio tasks. A total of 7 922 high-quality recordings were collected, including swallowing, coughing, and speech sounds. From each audio clip, 23 acoustic features across time, frequency, energy, and nonlinear domains were extracted, yielding 182 206 feature data points. Waveform, spectrogram, and time-frequency analyses confirmed significant differences across sound types, highlighting the discriminative value of acoustic features. A standardized workflow for audio collection, processing, and feature extraction was developed, resulting in a comprehensive swallowing acoustic database. This database provides essential support for recognizing acoustic biomarkers, building AI-driven identification models and advancing remote dysphagia assessment. It has significant scientific research value and broad application prospects.

Key words: Deglutition disorders, Dysphagia, Aged, Swallowing sounds, Coughing sounds, Speech sounds, Acoustic features, Database

李丹,刘涛,罗维,等. 吞咽声学数据库构建技术与方法探索[J]. 中国全科医学, 2025, 28(29): 3638-3644. DOI: 10.12114/j.issn.1007-9572.2025.0238.
LI Dan,LIU Tao,LUO Wei, et al. Exploration of Technologies and Methods for Constructing a Swallowing Acoustic Database[J]. Chinese General Practice, 2025, 28(29): 3638-3644. DOI: 10.12114/j.issn.1007-9572.2025.0238.

图/表 9

参考文献 23

[1]	BAIJENS L W, CLAVÉ P, CRAS P，et al. European society for swallowing disorders-European union geriatric medicine society white paper：oropharyngeal dysphagia as a geriatric syndrome[J]. Clin Interv Aging，2016,11:1403-1428. DOI：10.2147/CIA.S107750.
[2]	FERRARI DE CASTRO M A, DEDIVITIS R A, LUONGO DE MATOS L，et al. Endoscopic and videofluoroscopic evaluations of swallowing for dysphagia：a systematic review[J]. Braz J Otorhinolaryngol，2025,91(Suppl 1):101598.
[3]	郑晓娜，陈秋华，邵庭芳，等. 9种吞咽障碍筛查量表准确性的网状Meta分析[J]. 中华护理杂志，2019,54(10):1561-1566. DOI：10.3761/j.issn.0254-1769.2019.10.023.
[4]	LI D, WU J H, JIN X Y，et al. A review on intelligent aid diagnosis for dysphagia using swallowing sounds[J]. Interdiscip Nurs Res，2023,2(4):250-256. DOI：10.1097/nr9.0000000000000040.
[5]	SANTAMATO A, PANZA F, SOLFRIZZI V，et al. Acoustic analysis of swallowing sounds：a new technique for assessing dysphagia[J]. J Rehabil Med，2009,41(8):639-645.
[6]	张庆苏. 吞咽音的颈部听诊法[J]. 中国康复理论与实践，2012,18(1):53-55.
[7]	环境保护部. 声环境质量标准：GB 3096—2008[S]. 北京：中国环境科学出版社，2008.
[8]	贵州省市场监督管理局. 案件语音采集技术规范：DB52/T 1364—2018[S]. 贵阳：[出版者不详]，2018.
[9]	福建省市场监督管理局. 智慧家庭人工智能语音服务通用技术规范：DB35/T 1979—2021[S]. 福州：[出版者不详]，2021.
[10]	TAKAHASHI K, GROHER M E, MICHI K. Methodology for detecting swallowing sounds[J]. Dysphagia，1994,9(1):54-62. DOI：10.1007/BF00262760.
[11]	CICHERO J A Y, MURDOCH B E. Detection of swallowing sounds：methodology revisited[J]. Dysphagia，2002,17(1):40-49. DOI：10.1007/s00455-001-0100-x.
[12]	张润洪. 康复医学[M]. 3版. 北京：北京大学医学出版社，2022.
[13]	窦祖林. 吞咽障碍评估与治疗[M]. 2版. 北京：人民卫生出版社，2017.
[14]	吉林省市场监督管理厅. 老年人安全进食测试技术规范：DB22/T 3538—2023[S]. 吉林：[出版者不详]，2023.
[15]	国家质量监督检验检疫总局，中国国家标准化管理委员会. 医院消毒卫生标准：GB 15982—2012[S]. 北京：中国标准出版社，2012.
[16]	国家市场监督管理总局，国家标准化管理委员会. 信息安全技术　健康医疗数据安全指南：GB/T 39725—2020[S]. 北京：中国标准出版社，2020.
[17]	文化部. 音频数据加工规范：WH/T 49—2012[S]. 北京：国家图书馆出版社，2015.
[18]	周明月，龚晨，李正华，等. 数据标注方法比较研究：以依存句法树标注为例[J]. 清华大学学报（自然科学版），2022,62(5):908-916. DOI：10.16511/j.cnki.qhdxxb.2022.22.010.
[19]	CICHERO J A, MURDOCH B E. The physiologic cause of swallowing sounds：answers from heart sounds and vocal tract acoustics[J]. Dysphagia，1998,13(1):39-52. RUBESIN S E. Oral and pharyngeal dysphagia[J]. Gastroenterol Clin North Am,1995,24(2):331-352.
[20]	RUBESIN S E. Oral and pharyngeal dysphagia[J]. Gastroenterol Clin North Am，1995,24(2):331-352.
[21]	张耀文，陈华玉，唐志明，等. 数字化音频分析在吞咽障碍患者误吸风险评估中的应用[J]. 中华物理医学与康复杂志，2021,43(12):1065-1068. DOI：10.3760/cma.j.issn.0254-1424.2021.12.003.
[22]	魏昕，赵力. 语音信号处理[M]. 4版. 北京：机械工业出版社，2024.
[23]	徐科军，黄云志，林逸榕，等. 信号分析与处理[M]. 3版. 北京：清华大学出版社，2022.

步骤	类型	任务	重复次数（次）	持续时间	间隔时间（s）
1	语音	发/i/音	3	2 s	10
2	咳嗽音	模拟咳嗽	3	自然时长	10
3	吞咽音	10 mL水吞咽	3	自然时长	10
4	语音	发/i/音	3	2 s	10

步骤	类型	任务	重复次数（次）	持续时间	间隔时间（s）
1	语音	发/i/音	3	2 s	10
2	咳嗽音	模拟咳嗽	3	自然时长	10
3	吞咽音	10 mL水吞咽	3	自然时长	10
4	语音	发/i/音	3	2 s	10

声学特征	定义	计算方法
音频持续时间	音频持续时间是指音频信号从开始到结束的时间长度，通常以毫秒（ms）为单位表示，其反映了声音信号的时间跨度，能够描述声音的持续时间	通过音频文件的起始点和结束点的时间差来计算
振幅均值	振幅均值是指音频信号在一定时间范围内信号振幅的平均值，其反映了信号强度的平均水平。通常计算的是信号的绝对值，以确保振幅无论是正还是负均能被计算在内	振幅均值通常通过以下公式计算：振幅均值=，其中，N是信号的采样点数；x_i是信号在第i个时间点的振幅值；\|x_i\|是信号振幅的绝对值
振幅标准差	振幅标准差是指音频信号的振幅变化程度，描述了信号振幅的离散程度或波动性，衡量了信号强度的变化幅度或波动性。较高的标准差意味着信号的振幅波动较大，较低的标准差则表明信号振幅较为稳定	振幅标准差通过以下公式计算：振幅标准差=，其中，N是信号的采样点数；\|x_i\|是信号振幅的绝对值；μ是振幅均值
偏度	偏度是衡量数据分布对称性的一种统计量，其反映了数据分布的对称性，显示数据是右偏还是左偏	偏度通过以下公式计算：偏度=，其中，N是样本的总数量；x_i是第i个数据点；μ是数据的均值；σ是数据的标准差
峰度	峰度是衡量数据分布形态的锋锐度或平坦度的统计量，其反映了数据分布的形态，显示数据是否有较重的尾部或者较高的峰。高峰度值意味着数据有较重的尾部，低峰度值则意味着数据分布较平缓	度通过以下公式计算：峰度=，其中，N是样本的总数量；x_i是第i个数据点；μ是数据的均值；σ是数据的标准差

声学特征	定义	计算方法
音频持续时间	音频持续时间是指音频信号从开始到结束的时间长度，通常以毫秒（ms）为单位表示，其反映了声音信号的时间跨度，能够描述声音的持续时间	通过音频文件的起始点和结束点的时间差来计算
振幅均值	振幅均值是指音频信号在一定时间范围内信号振幅的平均值，其反映了信号强度的平均水平。通常计算的是信号的绝对值，以确保振幅无论是正还是负均能被计算在内	振幅均值通常通过以下公式计算：振幅均值=，其中，N是信号的采样点数；x_i是信号在第i个时间点的振幅值；\|x_i\|是信号振幅的绝对值
振幅标准差	振幅标准差是指音频信号的振幅变化程度，描述了信号振幅的离散程度或波动性，衡量了信号强度的变化幅度或波动性。较高的标准差意味着信号的振幅波动较大，较低的标准差则表明信号振幅较为稳定	振幅标准差通过以下公式计算：振幅标准差=，其中，N是信号的采样点数；\|x_i\|是信号振幅的绝对值；μ是振幅均值
偏度	偏度是衡量数据分布对称性的一种统计量，其反映了数据分布的对称性，显示数据是右偏还是左偏	偏度通过以下公式计算：偏度=，其中，N是样本的总数量；x_i是第i个数据点；μ是数据的均值；σ是数据的标准差
峰度	峰度是衡量数据分布形态的锋锐度或平坦度的统计量，其反映了数据分布的形态，显示数据是否有较重的尾部或者较高的峰。高峰度值意味着数据有较重的尾部，低峰度值则意味着数据分布较平缓	度通过以下公式计算：峰度=，其中，N是样本的总数量；x_i是第i个数据点；μ是数据的均值；σ是数据的标准差

声学特征	单位	定义	计算方法
基频F0	Hz	基频F0是指音频信号的最基本的振动频率，即音频信号的周期性波动的频率，通常被认为是声音的"音高"	对音频信号进行傅里叶变换，得到其频谱。在频谱中找到幅度最大的频率成分，该频率对应的值即为基频F0
共振峰F1	Hz	共振峰是声音信号在发声过程中，由于声道的共振作用产生的频率特征。共振峰F1反映口腔的开口程度，通常和声音的元音特征相关	将信号分帧，并加窗（如汉明窗）处理，以减少频谱泄漏。对每一帧信号进行短时傅里叶变换，得到每帧信号的频谱。在频谱中找到频率峰值。频谱的主峰位置通常对应共振峰（F1、F2、F3）频率。通过识别频谱中的多个主峰，提取前几个共振峰频率
共振峰F2	Hz	共振峰F2与嘴部形状和舌头的位置有关	将信号分帧，并加窗（如汉明窗）处理，以减少频谱泄漏。对每一帧信号进行短时傅里叶变换，得到每帧信号的频谱。在频谱中找到频率峰值。频谱的主峰位置通常对应共振峰（F1、F2、F3）频率。通过识别频谱中的多个主峰，提取前几个共振峰频率
共振峰F3	Hz	共振峰F3更多与口腔腔体的形状和声带共振有关	将信号分帧，并加窗（如汉明窗）处理，以减少频谱泄漏。对每一帧信号进行短时傅里叶变换，得到每帧信号的频谱。在频谱中找到频率峰值。频谱的主峰位置通常对应共振峰（F1、F2、F3）频率。通过识别频谱中的多个主峰，提取前几个共振峰频率
峰值频率	Hz	峰值频率是指信号频谱中最大幅值对应的频率，其代表了信号中能量最强的频率成分	首先对信号进行傅里叶变换，将信号从时域转换到频域。其次获取频谱的振幅与频率的关系。最后在频谱中，找到幅度最大的频率成分，即为峰值频率
中心频率	Hz	中心频率是信号频谱的加权平均频率，表示信号频谱中能量的集中位置，其通常用于描述信号的主频带或带宽中心的频率	首先对信号进行傅里叶变换，得到信号的频谱。而后计算信号频谱的加权平均频率，计算公式如下：f_c=其中，fi是第i个频率点；A（fi）是对应频率点的幅值
频率带宽	Hz	频率带宽是指信号频谱中包含大部分能量的频率范围。带宽越宽，表示信号的频率成分越广泛	对信号进行傅里叶变换，得到频谱。选择一个能量阈值。找到对应能量阈值的频率范围，计算频谱的带宽，计算公式如下：带宽=f_high-f_low，其中，f_high和f_low分别是阈值下降点的上限和下限频率
谐波噪声比（HNR）	dB	HNR是衡量音频信号中谐波成分与噪声成分之间关系的指标。谐波成分是指信号中周期性波形的整数倍频率成分。噪声成分是指信号中不规则、随机或非周期性部分。HNR越高，表示信号的谐波成分越强，噪声成分越弱，信号的清晰度和质量通常越好	HNR计算公式如下：，其中，H是信号的谐波成分能量；N是信号的噪声成分能量
HNR标准差	dB	HNR标准差是指信号中各帧或各段时间内HNR的标准差，其描述了信号的HNR在时间上的波动性。较大的标准差表明信号的质量或稳定性存在较大波动	HNR标准差计算公式如下：HNR标准差=，其中，HNR_i是第i帧的HNR值；μ是所有帧HNR值的均值；N是帧的总数
谱质心（C）	Hz	C是频谱的加权平均频率，通常用于描述信号的频率分布特性，其反映了信号中能量的集中位置，类似于重心的概念。高C通常意味着信号包含更多高频成分，低C则表示信号偏向低频	C的计算方法是基于频谱的加权平均频率，其公式如下：C=，其中，fi是第i个频率点；A（fi）是第i个频率点的幅度；N是频谱的点数