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

中国全科医学 ›› 2025, Vol. 28 ›› Issue (29): 3638-3644.DOI: 10.12114/j.issn.1007-9572.2025.0238

吞咽声学数据库构建技术与方法探索

李丹, 刘涛, 罗维, 宋红丹, 尚少梅^*()

100191　北京市，北京大学护理学院

收稿日期:2025-07-10 修回日期:2025-08-01 出版日期:2025-10-15 发布日期:2025-08-26
通讯作者: 尚少梅
作者贡献：
李丹提出主要研究目标，负责研究的构思与设计，研究的实施，撰写论文。刘涛负责现场招募、数据采集与整理，协助音频信号处理、特征提取与标注，修改论文。罗维、宋红丹负责现场招募、数据采集与整理。尚少梅负责文章的质量控制与审查，对文章整体负责，监督管理。
基金资助:
北京大学医学部"医学+X"项目(BMU2024YXXLHGG005); 国家重点研发计划(2020YFC2008800，2020YFC2008801)

Exploration of Technologies and Methods for Constructing a Swallowing Acoustic Database

LI Dan, LIU Tao, LUO Wei, SONG Hongdan, SHANG Shaomei^*()

School of Nursing, Peking University, Beijing 100191, China

Received:2025-07-10 Revised:2025-08-01 Published:2025-10-15 Online:2025-08-26
Contact: SHANG Shaomei

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

吞咽声学数据库构建技术与方法探索

Exploration of Technologies and Methods for Constructing a Swallowing Acoustic Database

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 23

相关文章 15

编辑推荐

Metrics

留言

声学特征	单位	定义	计算方法
总能量	dB	总能量是指音频信号在给定时间范围内的能量总和，用于表示信号的强度。较高的总能量通常意味着信号的强度较大	总能量是信号在一段时间内所有频率成分的能量的和。具体计算公式如下：E_total=，其中，E_total是总能量，单位是dB；x_i是信号在第i个时刻的幅度；N是信号的总时长或总样本数
平均功率	dB	平均功率是指音频信号在一段时间内的平均能量，其通常用来描述信号的平均强度，并用于衡量信号的持续能力。与总能量不同，平均功率是对总能量的时间归一化处理，表示信号的平均能量密度	平均功率是信号每个采样点的能量的平均值，计算公式如下：，其中，P_avg是平均功率，单位是dB；x_i是信号在第i个时刻的幅度；N是信号的总时长或总样本数
峰值功率	dB	峰值功率是指音频信号在一段时间内的最大瞬时功率，其表示信号的瞬时强度的最大值，通常用于检测信号的极端强度	峰值功率是信号中的最大幅度值的平方，计算公式如下：P_peak=10×log₁₀[max（\|x_i\|²）]，其中，P_peak是峰值功率，单位是dB；x_i是信号在第i个时刻的幅度

声学特征	单位	定义	计算方法
振幅微扰	%	振幅微扰是描述信号振幅变化程度的指标，反映了信号在时间轴上的振幅不稳定性或波动性	振幅微扰是计算信号中每段周期或每帧信号的振幅变化，并衡量这些变化的程度。其计算公式如下：振幅微扰=，其中，A_i是信号在第i个周期或帧的振幅；N是信号周期数或帧数；该计算公式表示信号振幅变化的平均百分比
基频微扰	%	基频微扰是描述信号基频（或音高）变化的指标，反映了信号的基频不稳定性	基频微扰计算信号中每个周期（或帧）之间基频变化的程度。常见的计算方法包括计算相邻周期之间基频的变化，并衡量其变化幅度，常用公式如下：基频微扰=，其中，f_i是信号在第i个周期或帧的基频；N是信号的周期数或帧数；该公式表示相邻周期之间基频变化的平均百分比
波形分形维数		波形分形维数是用来描述信号复杂性的一个指标，反映了信号自相似性的程度以及其粗糙度或不规则性。较高的分形维数表示信号在多尺度上具有较强的复杂性和不规则性，而较低的分形维数则表示信号较为规则或平滑	本研究使用盒计数法计算波形分形维数，计算公式如下：，其中，N（∈）是盒子数量；∈是盒子的边长；D_f是分形维数
聚合熵		聚合熵是一种度量信号不确定性或复杂性的方法，衡量信号中不同时间尺度下的信息量。聚合熵通过分析信号中各个时间尺度上的信息聚集情况来评估其整体的复杂度，其用于描述信号的规律性和非周期性	聚合熵通过将信号分割成多个时间段（不同时间尺度），然后计算每个段的熵，最后将这些熵值合并。其计算公式如下：聚合熵=，其中，H_i是第i段信号的熵值；N是信号分段的数量
平均熵		平均熵是信号熵的平均值，表示信号中信息的不确定性或复杂性，其衡量的是信号的随机性，值越高表示信号越复杂、不规则，越低则表示信号越有规律	平均熵是将信号在多个时间窗口中计算的熵值求平均，计算公式如下：平均熵=，其中，H_i是第i个窗口的熵值；N是窗口数量

类型	非吞咽障碍音频	吞咽障碍音频	总音频
吞咽音	1 834	803	2 637
咳嗽音	1 015	277	1 292
语音	2 976	1 017	3 993
总计	5 825	2 097	7 922

[1]	柴智浩, 张维森, 罗娇玲, 朱峰, 朱彤, 靳雅丽, 潘静, 卢映君, 江朝强. 中老年人社会经济状况在少儿期父母文化与认知功能间的中介效应：基于广州生物库队列研究[J]. 中国全科医学, 2026, 29(21): 2959-2966.
[2]	李文萍, 陈建华, 许家培, 金雪, 潘子涵, 迟春花. 数智化健康管理平台赋能社区老年人健康服务的范围综述[J]. 中国全科医学, 2026, 29(21): 2938-2949.
[3]	程玉, 韩士尧, 孙平, 向娟, 杨辉, 李东泽, 郑莉, 廖晓阳. 慢性病管理中的社会经济与人口学挑战分析[J]. 中国全科医学, 2026, 29(20): 2800-2807.
[4]	刘影, 刘世炜, 张驰, 沈姞, 张玉珊, 张洁, 桑莹宸, 王友娇, 王蕾, 周厚广, 施红. 中国老年脑卒中患者主观认知功能下降流行特征及影响因素研究[J]. 中国全科医学, 2026, 29(20): 2829-2835.
[5]	李凤, 胡昌好, 罗旭. 老年慢性病共病患者心理健康的影响因素及干预策略研究进展[J]. 中国全科医学, 2026, 29(20): 2816-2828.
[6]	鲍若林, 鲁潮, 冯昕, 叶春梅, 来芬华, 倪作为, 杨东波, 郑永韬. 基于巢式病例对照研究老年人流感疫苗突破病例的风险预测模型[J]. 中国全科医学, 2026, 29(19): 2671-2677.
[7]	庞姝, 孙颖, 姜春燕. Fried衰弱表型量表与FRAIL量表在社区体检老年人衰弱前期评估中的效能比较[J]. 中国全科医学, 2026, 29(19): 2664-2670.
[8]	李思旻, 张婷婷, 王鲲博, 杨建洲, 平卫伟. 运动剂量对老年肌肉减少性肥胖患者的影响：一项Meta分析[J]. 中国全科医学, 2026, 29(17): 2400-2409.
[9]	陈燕, 沈德权, 盛仁磊, 常玉洁, 杨佳琦, 丁洁, 孙志芳, 王大辉. 老年人基层中医预防保健服务利用的影响因素及重要性排序[J]. 中国全科医学, 2026, 29(16): 2182-2189.
[10]	杨婷婷, 郑利, 梁大强, 吴凡, 袁娴娴, 魏来, 胡瑾, 汪俊华, 王子云. 40~65岁人群睡眠碎片化与动脉硬化的关联性研究[J]. 中国全科医学, 2026, 29(16): 2190-2197.
[11]	于珊, 车雅洁, 苏比伊努尔·麦麦提, 郭楷扬, 冯星星, 颜萍. 新疆地区城乡老年人主观认知下降现状及影响因素的对比研究[J]. 中国全科医学, 2026, 29(16): 2227-2233.
[12]	李嘉丽, 刘璠, 柯立鑫, 李慧娟, 王海博, 赵晓晓, 赵信科, 卢存存. 1990—2021年全球与中国60岁及以上人群肥胖的疾病负担：趋势分析与模型预测[J]. 中国全科医学, 2026, 29(15): 2067-2076.
[13]	焦姝婷, 赵亚利. 社区老年慢性瘙痒服务现状的质性研究[J]. 中国全科医学, 2026, 29(13): 1682-1687.
[14]	李静, 季燕, 孙柳, 王菡婷, 巫继东, 刘均娥. 初级卫生保健机构关于老年人听力损失管理的最佳证据总结[J]. 中国全科医学, 2026, 29(13): 1713-1719.
[15]	邹健, 李婉萍, 葛翰达, 金哲, 茹菲娜·吐尔逊, 李娟, 魏安华, 冯达. 湖北省社区老年患者潜在不适当用药现状研究[J]. 中国全科医学, 2026, 29(13): 1759-1765.