CN105662454B - 一种罗音检测的方法和装置 - Google Patents
一种罗音检测的方法和装置 Download PDFInfo
- Publication number
- CN105662454B CN105662454B CN201610012038.XA CN201610012038A CN105662454B CN 105662454 B CN105662454 B CN 105662454B CN 201610012038 A CN201610012038 A CN 201610012038A CN 105662454 B CN105662454 B CN 105662454B
- Authority
- CN
- China
- Prior art keywords
- signal
- frequency
- time
- eigenvalue
- measured
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 208000037656 Respiratory Sounds Diseases 0.000 title claims abstract description 162
- 206010037833 rales Diseases 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 210000004072 lung Anatomy 0.000 claims abstract description 115
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000001914 filtration Methods 0.000 claims abstract description 42
- 238000006243 chemical reaction Methods 0.000 claims abstract description 23
- 238000010276 construction Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000011897 real-time detection Methods 0.000 abstract description 3
- 238000001228 spectrum Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 241000288140 Gruiformes Species 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 206010035664 Pneumonia Diseases 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 description 2
- 208000023504 respiratory system disease Diseases 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 238000002555 auscultation Methods 0.000 description 1
- 206010006451 bronchitis Diseases 0.000 description 1
- 238000010668 complexation reaction Methods 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/003—Detecting lung or respiration noise
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Pulmonology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种罗音检测的方法和装置，在一个实施例中，该方法包括：接收待测肺音信号，通过对其进行滤波处理输出滤波信号；对滤波信号进行时频变换，得到时频信号，并将该信号沿频率轴积分得到时间边缘信号和沿时间轴积分得到频率边缘信号；根据频率边缘信号得到待测肺音信号的第一特征值，根据时间边缘信号得到待测肺音信号的第二特征值和/或第三特征值；利用第一特征值、第二特征值和第三特征值中的两个或多个构建待测肺音信号的特征向量，并将其送入已训练的分类器中进行判别输出识别结果。本发明实施例通过肺音训练信号训练分类器，以及利用该分类器对待测肺音进行分类识别，提高了实时检测效率，同时又降低了计算量，具有良好的应用前景。
Description
技术领域
本发明涉及生物医学信号处理技术领域，尤其涉及一种罗音检测的方法和装置。
背景技术
呼吸系统疾病是常见疾病，例如哮喘、慢性阻塞性肺疾病(COPD)、肺炎、支气管炎等。近年来随着空气污染和其他环境因素，呼吸系统疾病患病率持续增长，肺部疾病诊断得到了更多的关注。肺部呼吸音含有大量信息，是反应肺的生理及病理的一项重要指标。其中，罗音是一种常见的肺部异常音,与肺炎等疾病密切相关。目前，临床医学对罗音的诊断主要依靠听诊，这很大程度上依赖于医生的听诊技术和临床经验，主观性较强。
随着数字信号处理技术的发展，国内外越来越多的研究者致力于肺音信号研究，通过信号处理技术分析肺音，提取其中的生理及病理信息，建立一个分类系统，以准确地量化正常和异常肺音，从而为肺的状态评估及疾病诊断提供更多的依据。目前，采用信号处理技术检测罗音主要通过时频分析(短时傅里叶变换、小波分解等)提取其特征(功率、分形维数等)，通过机器学习或者神经网络的方法训练分类器，从而对罗音进行识别。但是目前大部分方法，其检测过程较为复杂，计算量较大，限制了实时性、便携型设备的发展。
发明内容
为了解决上述问题，第一方面，本发明提供了一种罗音检测的分类器训练方法，该方法包括：接收肺音训练信号，通过对肺音训练信号进行滤波处理，输出滤波信号，肺音训练信号包括若干正常肺音和罗音；对滤波信号进行时频变换，得到时频信号；根据时频信号，分别沿频率轴积分得到时间边缘信号和沿时间轴积分得到频率边缘信号；根据频率边缘信号得到肺音训练信号的第一特征值，根据时间边缘信号得到肺音训练信号的第二特征值和/或肺音训练信号的第三特征值；利用肺音训练信号的第一特征值和第二特征值、或第一特征值和第三特征值、或第一特征值和第二特征值和第三特征值来构建肺音训练信号的特征向量；通过肺音训练信号的特征向量，训练分类器。
进一步的，对滤波信号进行时频变换得到时频信号的步骤，包括：对滤波信号进行短时傅里叶变换，得到时频信号。
进一步的，肺音训练信号的第一特征值是频率边缘信号下降到其最大值的0.05至0.15倍范围内指定倍数值对应的频率与频率边缘信号最大值对应的频率的比值。
进一步的，肺音训练信号的第二特征值是时间边缘信号的标准差或方差。
进一步的，肺音训练信号的第三特征值是对时间边缘信号进行平滑滤波后的信号的标准差或方差。
进一步的，分类器是支持向量机分类器。
第二方面，本发明提供了一种罗音检测方法，该方法包括：接收待测肺音信号，通过对待测肺音信号进行滤波处理，输出滤波信号；对滤波信号进行时频变换，得到时频信号；根据时频信号，分别沿频率轴积分得到时间边缘信号和沿时间轴积分得到频率边缘信号；根据频率边缘信号得到待测肺音信号的第一特征值，根据时间边缘信号得到待测肺音信号的第二特征值和/或待测肺音信号的第三特征值；利用待测肺音信号的第一特征值和第二特征值、或第一特征值和第三特征值、或第一特征值和第二特征值和第三特征值来构建待测肺音信号的特征向量；将待测肺音信号的特征向量送入已训练的分类器中进行分类识别，输出识别结果。
进一步的,对滤波信号进行时频变换得到时频信号的步骤，包括：对滤波信号进行短时傅里叶变换，得到时频信号。
进一步的,待测肺音信号的第一特征值是频率边缘信号下降到其最大值的0.05至0.15倍范围内指定倍数值对应的频率与频率边缘信号最大值对应的频率的比值。
进一步的,待测肺音信号的第二特征值是时间边缘信号的标准差或方差。
进一步的,待测肺音信号的第三特征值是对时间边缘信号进行平滑滤波后的信号的标准差或方差。
进一步的,已训练的分类器是已训练的支持向量机分类器。
第三方面，本发明提供了一种罗音检测装置，该装置包括：滤波单元、时频变换单元、时间边缘信号和频率边缘信号计算单元、特征值计算单元、特征向量构建单元和分类单元，滤波单元用于对待检测肺音进行滤波，输出滤波信号；时频变换单元用于对滤波信号进行时频变换，得到时频信号；时间边缘信号和频率边缘信号计算单元，包括时间边缘信号计算单元和频率边缘信号计算单元分别用于根据时频信号沿频率轴积分得到时间边缘信号，以及根据时频信号沿时间轴积分得到频率边缘信号；特征值计算单元用于根据频率边缘信号计算得到待测肺音信号的第一特征值，根据时间边缘信号计算得到待测肺音信号的第二特征值和/或待测肺音信号的第三特征值；特征向量构建单元用于利用待测肺音信号的第一特征值和第二特征值、或第一特征值和第三特征值、或第一特征值和第二特征值和第三特征值来构建待测肺音信号的特征向量；分类单元用于根据待测肺音信号的特征向量利用已训练的分类器对待检测肺音进行分类识别，输出识别结果。
进一步的，待测肺音信号的第一特征值是频率边缘信号下降到其最大值的0.05至0.15倍范围内指定倍数值对应的频率与频率边缘信号最大值对应的频率的比值；待测肺音信号的第二特征值是时间边缘信号的标准差或方差，待测肺音信号的第三特征值是对时间边缘信号进行平滑滤波后的信号的标准差或方差。
本发明实施例通过分别提取待检测肺音的时间边缘信号以及频率边缘信号的相应特征组成特征向量，采用支持向量机分类器对待检测肺音进行检测，根据特征向量的特征信息来判断待检测肺音是否是罗音，该过程中在保证罗音的检测准确性的同时又降低了计算量，提高了实时检测效率，具有良好的应用前景。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种罗音检测的分类器训练方法流程图
图2为罗音与正常肺音频率边缘特性对比示意图；
图(a)为罗音频率边缘特性示意图；
图(b)为正常肺音频率边缘特性示意图；
图3为罗音与正常肺音时间边缘特性对比示意图；
图(a)为罗音时间边缘特性示意图；
图(b)为正常肺音时间边缘特性示意图；
图4为本发明实施例提供的一种罗音检测方法流程图；
图5为本发明实施例提供的一种罗音检测装置。
具体实施方式
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
罗音在时频域具有明显特征：在时域上，罗音开始于一个突然的尖锐震荡然后逐渐展宽，持续时间一般小于20ms；在频域上，其频率一般在150-1800Hz，与正常肺音的频率有较大差别。
根据罗音的特点，本发明实施例采用基于时频特征联合分析的方法对罗音进行检测。
罗音的检测过程包括训练过程和识别过程。训练过程包括接收正常肺音和罗音两类若干训练肺音信号，提取训练肺音信号的特征信息，构建训练肺音信号的特征向量，利用该特征向量训练分类器；识别过程包括接收待测肺音，提取待测肺音的特征信息，构建待测肺音信号的特征向量，并利用训练过程得到的分类器根据待测肺音的特征向量对其进行分类识别，输出识别结果。
图1为本发明实施例提供的一种罗音检测的分类器训练方法流程图，如图1所示，该方法包括：
步骤S101、对接收到的肺音训练信号进行滤波处理，输出滤波信号。
接收到的肺音训练信号伴有心音、消化道音以及环境噪音等噪声信号，由于罗音的频率主要集中在150-1800Hz之间，因此可通过带通滤波器滤除150-1800Hz以外的噪声信号，即去除部分噪声的影响，得到150-1800Hz频段的肺音。其中，肺音训练信号包括若干正常肺音和罗音。
步骤S102、对滤波信号进行时频变换，得到时频信号。
在时频分析中，主要方法有短时傅里叶变换(STFT，Short-Time FourierTransform)、Hilbert变换、Hilbert-Huang变换、小波变换、S变换等，其中，优选地选用STFT来对采集到的肺音训练信号进行时频变换，这是由于相比于上述其他时频变换方法，STFT具有快速算法，适合于快速实时检测罗音。
连续STFT公式如下所示：
其中，X(t,f)表示时频信号，x(t)表示时域信号，w*(t-τ)表示窗函数。
进一步的，短时傅立叶变换之后得到信号的时频幅度谱或功率谱。时频幅度谱A(t,f)和时频功率谱P(t,f)定义如下：
P(t,f)＝|X(t,f)|2＝Re(X(t,f))2+Im(X(t,f))2 (3)
步骤S103、根据时频信号，分别沿频率轴积分得到时间边缘信号和沿时间轴积分得到频率边缘信号。
具体的，时间边缘信号和频率边缘信号可以是时频功率谱P(t,f)沿频率轴和时间轴积分得到的信号，也可以是时频幅度谱A(t,f)沿频率轴和时间轴积分得到的信号，即时间边缘信号定义为∫P(t,f)df或∫A(t,f)df，频率边缘信号定义为∫P(t,f)dt或∫A(t,f)dt。
进一步的，时间边缘信号也指信号瞬时功率，是信号功率相对于时间变化的函数；频率边缘信号也指信号功率谱密度函数，是信号功率相对于信号频率变化的函数。
优选地，对时频功率谱信号沿频率轴积分，得到时间边缘信号；对时频功率谱信号沿时间轴积分，得到频率边缘信号。
步骤S104、根据频率边缘信号得到肺音训练信号的第一特征值，根据时间边缘信号得到肺音训练信号的第二特征值和/或肺音训练信号的第三特征值。
具体的，计算频率边缘信号下降到其最大值的0.05至0.15倍范围内指定倍数值对应的频率与所述频率边缘信号最大值对应的频率的比值，得到肺音训练信号的第一特征值。优选地，该倍数值可设为0.1。
具体的，计算时间边缘信号的标准差或方差，得到肺音训练信号的第二特征值。
具体的，对所述时间边缘信号进行平滑滤波，计算平滑滤波后的信号的标准差或方差，得到肺音训练信号的第三特征值。
需要说明的是，这些特征信息是正常肺音与罗音共有的，且具有显著差别的特征信息。
进一步的，由于正常肺音频段不同于罗音的频段，所以二者的频率边缘特性有明显差异，其中，正常肺音频段一般低于罗音的频段。
图2为罗音与正常肺音的频率边缘特性对比示意图。图(a)为罗音频率边缘特性示意图；图(b)为正常肺音频率边缘特性示意图。如图2所示，在0-1000Hz的频段内，图(a)与图(b)中罗音信号与正常肺音信号的功率达到最大值后，随频率的不断增大，二者功率都逐渐下降。但是，由于罗音的主要频段高于正常肺音，且大部分罗音频段在500Hz附近，因此，罗音的功率达到最大值后，随频率的不断增大，其功率下降的速度与正常肺音下降的速度相比较缓慢。
进一步的，将罗音功率达到最大值时所对应的频率值记为fmax1，正常肺音功率达到最大值时所对应的频率值记为fmax2；在频率逐渐增大的过程中，将罗音功率下降至其最大功率值的0.05至0.15倍范围内指定倍数值，例如0.1倍，所对应的频率值记为fmin1，正常肺音功率下降至其最大功率值的0.05至0.15倍范围内指定倍数值，例如0.1倍，所对应的频率值记为fmin2；由此可得到罗音频率比fmin1/fmax1和正常肺音频率比fmin2/fmax2。
在一个例子中，由于罗音功率达到最大值后其下降速度较正常肺音相对缓慢，因此罗音的频率比fmin1/fmax1的值比正常肺音的频率比fmin2/fmax2的值大，从而将肺音训练信号的频率比fmin/fmax的值作为第一特征值。
由于罗音在时域内具有时间短、能量高的特点，所以二者在时间边缘特性中也具有差异。
图3为罗音与正常肺音的时间边缘特性对比示意图。图(a)为罗音时间边缘特性示意图；图(b)为正常肺音时间边缘特性示意图。如图3所示，时间边缘信号在随时间变化过程中，罗音的功率变化较为明显，正常肺音的功率变化相对平稳，可得到罗音的功率标准差或方差远大于正常肺音的功率标准差或方差，因此将肺音训练信号的时间边缘信号的标准差或方差作为第二特征值。
肺音的时间边缘信号很容易受到突发噪声影响。通过对罗音和正常肺音的时间边缘信号进行平滑滤波处理，得到罗音与正常肺音的平滑后的时间边缘信号，从而计算二者的标准差或方差。平滑滤波是一种空间域滤波技术，一般采用邻域平均法进行，即通过一点和邻域内指定个数点的均值代替该点的值，从而滤除一定噪声。由于平滑处理并没有改变二者随时间变化的幅度，即仍然保持罗音的功率变化较为明显，正常肺音的功率变化相对平稳的特点，也就是说此时罗音的功率标准差或方差仍然远大于正常肺音的功率标准差或方差，因此，可将肺音训练信号的时间边缘信号经平滑滤波处理后的信号的标准差或方差作为第三特征值，以提高罗音检测准确率。
步骤S105、利用肺音训练信号的第一特征值和第二特征值、或第一特征值和第三特征值、或第一特征值和第二特征值和第三特征值来构建肺音训练信号的特征向量。
具体的，利用步骤S104中肺音训练信号的第一特征值和第二特征值构建肺音训练信号的二维特征向量，或利用步骤S104中肺音训练信号的第一特征值和第三特征值构建肺音训练信号的二维特征向量，或利用步骤S104中肺音训练信号的第一特征值、第二特征值和第三特征值构建肺音训练信号的三维特征向量。
需要说明的是，对于特征向量维数，即特征值的个数的选择可由设计所要求的检测准确程度而定，检测准确度随特征值数目的变化而改变。
步骤S106、根据肺音训练信号的特征向量训练分类器。
具体的，根据肺音训练信号集的二维或三维特征向量，训练分类器。
进一步的，分类器是支持向量机分类器。支持向量机是基于结构风险最小化和VC维(Vapnik-Chervonenkis Dimension)理论为基础，选择适当的函数子集和决策函数，从而使机器学习的实际风险达到最小化，具有较好的性能，能够较好的解决小样本、非线性以及高维模式识别中所存在的问题。
通过上述方法训练分类器后，可以利用该已训练的分类器进行罗音检测识别，下述实施例描述的是一种罗音检测方法。图4为本发明实施例提供的一种罗音检测方法流程图。如图4所示，该方法包括以下步骤：
步骤S401、对接收到的待测肺音信号进行滤波处理，输出滤波信号。
接收到的待测肺音信号伴有心音、消化道音以及环境噪音等噪声信号，由于罗音的频率主要集中在150-1800Hz之间，因此可通过带通滤波器滤除150-1800Hz以外的噪声信号，即去除部分噪声的影响，得到150-1800Hz频段的肺音。
步骤S402、对滤波信号进行时频变换，得到时频信号。
在时频分析中，优选地选用STFT来对采集到的待测肺音信号进行时频变换。其中，连续STFT公式为上述公式(1)。
进一步的，短时傅立叶变换之后得到信号的时频幅度谱或功率谱。时频幅度谱A(t,f)和时频功率谱P(t,f)分别为上述公式(2)和公式(3)。
步骤S403、根据时频信号，分别沿频率轴积分得到时间边缘信号和沿时间轴积分得到频率边缘信号。
具体的，时间边缘信号和频率边缘信号可以是时频功率谱P(t,f)沿频率轴和时间轴积分得到的信号，也可以是时频幅度谱A(t,f)沿频率轴和时间轴积分得到的信号，即时间边缘信号定义为∫P(t,f)df或∫A(t,f)df，频率边缘信号定义为∫P(t,f)dt或∫A(t,f)dt。
优选地，对时频功率谱信号沿频率轴积分，得到时间边缘信号；对时频功率谱信号沿时间轴积分，得到频率边缘信号。
进一步的，时间边缘信号也指信号瞬时功率，是信号功率相对于时间变化的函数；频率边缘信号也指信号功率谱密度函数，是信号功率相对于信号频率变化的函数。
步骤S404、根据频率边缘信号得到待测肺音信号的第一特征值，根据时间边缘信号得到待测肺音信号的第二特征值和/或待测肺音信号的第三特征值。
具体的，结合图2中罗音与正常肺音的频率边缘特性对比信息，计算频率边缘信号下降到其最大值的0.05至0.15倍范围内指定倍数值对应的频率与所述频率边缘信号最大值对应的频率的比值，得到待测肺音信号的第一特征值。优选地，该倍数值可设为0.1。
具体的，结合图3中罗音与正常肺音的时间边缘特性对比信息，计算时间边缘信号的标准差或方差，得到待测肺音信号的第二特征值。
进一步的，对时间边缘信号进行平滑滤波后，计算平滑滤波后的信号的标准差或方差，得到待测肺音信号的第三特征值。
需要说明的是，这些特征信息是正常肺音与罗音共有的，且具有显著差别的特征信息。由于正常肺音频段不同于罗音的频段，所以二者的频率边缘信号有明显差异，其中，正常肺音频段一般低于罗音的频段。
步骤S405、利用待测肺音信号的第一特征值和第二特征值、或第一特征值和第三特征值、或第一特征值和第二特征值和第三特征值来构建待测肺音信号的特征向量。
具体的，利用步骤S404中待测肺音信号的第一特征值和第二特征值构建待测肺音信号的二维特征向量，或利用步骤S404中待测肺音信号信号的第一特征值和第三特征值构建待测肺音信号的二维特征向量，或利用步骤S404中待测肺音信号的第一特征值和第二特征值和第三特征值构建待测肺音信号的三维特征向量。
需要说明的是，对于特征向量维数，即特征值的个数的选择可由设计所要求的检测准确程度而定，检测准确度随特征值数目的变化而改变。待测肺音信号的特征向量维数应与肺音训练信号的特征向量维数一致。
步骤S406、将待测肺音信号的特征向量送入已训练的分类器中进行分类识别，输出识别结果。
具体的，将待测肺音信号的特征值构建的特征向量送入已训练的分类器进行识别判定，输出识别结果，识别结果将指出该待测肺音信号中是否出现罗音。
其中，待测肺音信号的特征向量维数与肺音训练信号的特征向量维数一致。
相应的，本发明实施例提供了与上述实施例中的检测方法对应的检测装置。
图5为本发明实施例提供的一种罗音检测装置。如图5所示，该装置500包括：滤波单元501、时频变换单元502、时间边缘信号和频率边缘信号计算单元503、特征值计算单元504、特征向量构建单元505和分类单元506。
滤波处理单元501用于对待检测肺音进行滤波，输出滤波信号。
滤波处理单元501接收到的肺音信号伴有心音、消化道音以及环境噪音等噪声信号，由于罗音的频率主要集中在150-1800Hz之间，因此可通过带通滤波器滤除150-1800Hz以外的噪声信号，即去除部分噪声的影响，得到150-1800Hz频段的肺音。
时频变换单元502用于对滤波单元501得到的滤波信号进行时频变换，得到时频信号。
具体的，对滤波信号进行短时傅里叶变换，得到信号的时频幅度谱A(t,f)或功率谱P(t,f)。
时间边缘信号和频率边缘信号计算单元503包括时间边缘信号计算单元5031和频率边缘信号计算单元5032，分别根据时频信号沿频率轴积分得到时间边缘信号，以及根据时频信号沿时间轴积分得到频率边缘信号，并将计算出的时间边缘信号和频率边缘信号输入特征值计算单元504。
其中，时间边缘信号计算单元5031将时频功率谱P(t,f)或时频幅度谱A(t,f)沿频率轴积分，得到时间边缘信号，其定义为∫P(t,f)df或∫A(t,f)df。频率边缘信号计算单元5032将时频功率谱P(t,f)或时频幅度谱A(t,f)沿时间轴积分，得到频率边缘信号，其定义为∫P(t,f)dt或∫A(t,f)dt。
特征值计算单元504用于根据时间边缘信号计算得到待测肺音信号的第一特征值，根据频率边缘信号计算得到待测肺音信号的第二特征值和/或待测肺音信号的第三特征值；
第一特征值为频率边缘信号下降到其最大值的0.05至0.15倍范围内指定倍数值对应的频率与所述频率边缘信号最大值对应的频率的比值，优选地，该倍数值可设为0.1；第二特征值为时间边缘信号的标准差或方差；第三特征值为对时间边缘信号进行平滑滤波后得到的信号的标准差或方差。
需要说明的是，特征信息是正常肺音与罗音共有的，且具有显著差别的特征信息，因此，特征信息是用于区别罗音与正常肺音的依据，但区别罗音与正常肺音的特征值包括但不限于以上三种特征信息，由设计需要而定。
特征向量构建单元505用于利用待测肺音信号的第一特征值和第二特征值、或第一特征值和第三特征值、或第一特征值和第二特征值和第三特征值来构建待测肺音信号的特征向量；
具体的，特征向量构建单元505利用待测肺音信号的第一特征值和第二特征值构建待测肺音信号的二维特征向量，或利用待测肺音信号的第一特征值和第三特征值构建待测肺音信号的二维特征向量，或利用待测肺音信号的第一特征值、第二特征值和第三特征值构建待测肺音信号的三维特征向量。
需要说明的是，对于特征向量维数，即特征值的个数的选择可由设计所要求的检测准确程度而定，检测准确度随特征值数目的变化而改变。
分类单元506根据待测肺音信号的特征向量利用已训练的分类器对待检测肺音进行分类识别，输出识别结果。
具体的，将待测肺音信号的特征值构建的特征向量送入已训练的分类器进行识别判定，输出识别结果，识别结果将指出该待测肺音信号中是否出现罗音。
其中，待测肺音信号的特征向量维数与肺音训练信号的特征向量维数一致。
本发明实施例通过分别提取待检测肺音信号的时间边缘信号以及频域边缘信号相应特征值组成特征向量，采用支持向量机分类器，对待检测肺音进行检测，根据特征向量的特征信息来判断待检测肺音是否是罗音，该过程中在保证罗音的检测准确性的同时又降低了计算量，提高了实时性检测效率，具有良好的应用前景。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (14)
1.一种罗音检测的分类器训练方法，其特征在于，所述方法包括：
接收肺音训练信号，通过对所述肺音训练信号进行滤波处理，输出滤波信号，所述肺音训练信号包括若干正常肺音和罗音；
对所述滤波信号进行时频变换，得到时频信号；
根据所述时频信号，分别沿频率轴积分得到时间边缘信号和沿时间轴积分得到频率边缘信号；
根据所述频率边缘信号得到所述肺音训练信号的第一特征值，根据所述时间边缘信号得到所述肺音训练信号的第二特征值和/或所述肺音训练信号的第三特征值；
利用所述肺音训练信号的第一特征值和第二特征值、或第一特征值和第三特征值、或第一特征值和第二特征值和第三特征值来构建所述肺音训练信号的特征向量；
通过所述肺音训练信号的特征向量，训练分类器。
2.根据权利要求1所述的方法，其特征在于，所述对滤波信号进行时频变换得到时频信号的步骤，包括：对所述滤波信号进行短时傅里叶变换，得到所述时频信号。
3.根据权利要求1所述的方法，其特征在于，所述肺音训练信号的第一特征值是所述频率边缘信号下降到其最大值的0.05至0.15倍范围内指定倍数值对应的频率与所述频率边缘信号最大值对应的频率的比值。
4.根据权利要求1所述的方法，其特征在于，所述肺音训练信号的第二特征值是所述时间边缘信号的标准差或方差。
5.根据权利要求1所述的方法，其特征在于，所述肺音训练信号的第三特征值是对所述时间边缘信号进行平滑滤波后的信号的标准差或方差。
6.根据权利要求1所述的方法，其特征在于，所述分类器是支持向量机分类器。
7.一种罗音检测方法，其特征在于，所述方法包括：
接收待测肺音信号，通过对所述待测肺音信号进行滤波处理，输出滤波信号；
对所述滤波信号进行时频变换，得到时频信号；
根据所述时频信号，分别沿频率轴积分得到时间边缘信号和沿时间轴积分得到频率边缘信号；
根据所述频率边缘信号得到所述待测肺音信号的第一特征值，根据所述时间边缘信号得到所述待测肺音信号的第二特征值和/或所述待测肺音信号的第三特征值；
利用所述待测肺音信号的第一特征值和第二特征值、或第一特征值和第三特征值、或第一特征值和第二特征值和第三特征值来构建所述待测肺音信号的特征向量；
将所述待测肺音信号的特征向量送入已训练的分类器中进行分类识别，输出识别结果。
8.根据权利要求7所述的方法，其特征在于，所述对所述滤波信号进行时频变换得到时频信号的步骤，包括：对所述滤波信号进行短时傅里叶变换，得到所述时频信号。
9.根据权利要求7所述的方法，其特征在于，所述待测肺音信号的第一特征值是所述频率边缘信号下降到其最大值的0.05至0.15倍范围内指定倍数值对应的频率与所述频率边缘信号最大值对应的频率的比值。
10.根据权利要求7所述的方法，其特征在于，所述待测肺音信号的第二特征值是所述时间边缘信号的标准差或方差。
11.根据权利要求7所述的方法，其特征在于，所述待测肺音信号的第三特征值是对所述时间边缘信号进行平滑滤波后的信号的标准差或方差。
12.根据权利要求7所述的方法，其特征在于，所述已训练的分类器是已训练的支持向量机分类器。
13.一种罗音检测装置，其特征在于，所述装置包括：滤波单元、时频变换单元、时间边缘信号和频率边缘信号计算单元、特征值计算单元、特征向量构建单元和分类单元，
所述滤波单元，用于对待检测肺音信号进行滤波，输出滤波信号；
所述时频变换单元，用于对所述滤波信号进行时频变换，得到时频信号；
所述时间边缘信号和频率边缘信号计算单元，包括时间边缘信号计算单元和频率边缘信号计算单元，分别用于根据所述时频信号沿频率轴积分得到时间边缘信号，以及根据所述时频信号沿时间轴积分得到频率边缘信号；
所述特征值计算单元，用于根据所述频率边缘信号计算得到所述待测肺音信号的第一特征值，根据所述时间边缘信号计算得到所述待测肺音信号的第二特征值和/或所述待测肺音信号的第三特征值；
所述特征向量构建单元，用于利用所述待测肺音信号的第一特征值和第二特征值、或第一特征值和第三特征值、或第一特征值和第二特征值和第三特征值来构建所述待测肺音信号的特征向量；
所述分类单元，用于根据所述待测肺音信号的特征向量利用已训练的分类器对所述待检测肺音进行分类识别，输出识别结果。
14.根据权利要求13所述的装置，其特征在于，所述待测肺音信号的第一特征值是所述频率边缘信号下降到其最大值的0.05至0.15倍范围内指定倍数值对应的频率与所述频率边缘信号最大值对应的频率的比值；
所述待测肺音信号的第二特征值是所述时间边缘信号的标准差或方差；
所述待测肺音信号的第三特征值是对所述时间边缘信号进行平滑滤波后的信号的标准差或方差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610012038.XA CN105662454B (zh) | 2016-01-08 | 2016-01-08 | 一种罗音检测的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610012038.XA CN105662454B (zh) | 2016-01-08 | 2016-01-08 | 一种罗音检测的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105662454A CN105662454A (zh) | 2016-06-15 |
| CN105662454B true CN105662454B (zh) | 2018-09-11 |
Family
ID=56299658
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610012038.XA Expired - Fee Related CN105662454B (zh) | 2016-01-08 | 2016-01-08 | 一种罗音检测的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105662454B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108652658A (zh) * | 2017-03-31 | 2018-10-16 | 京东方科技集团股份有限公司 | 爆裂音识别方法及系统 |
| CN107292286B (zh) * | 2017-07-14 | 2021-10-22 | 中国科学院苏州生物医学工程技术研究所 | 基于机器学习的呼吸音鉴别方法及系统 |
| CN107818366A (zh) * | 2017-10-25 | 2018-03-20 | 成都力创昆仑网络科技有限公司 | 一种基于卷积神经网络的肺音分类方法、系统及用途 |
| CN110532424A (zh) * | 2019-09-26 | 2019-12-03 | 西南科技大学 | 一种基于深度学习和云平台的肺音特征分类系统及方法 |
| CN111956259B (zh) * | 2020-08-13 | 2021-07-06 | 厦门大学 | 基于深度神经网络架构的肺音识别方法、装置和设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101862201A (zh) * | 2010-06-23 | 2010-10-20 | 南京邮电大学 | 手机智能心音看诊器中心音图的表示方法 |
| CN103315767A (zh) * | 2013-06-18 | 2013-09-25 | 西华大学 | 心音信号的判别方法及心音信号的判别系统 |
| CN104490417A (zh) * | 2015-01-22 | 2015-04-08 | 苏州本草芙源医疗设备有限公司 | 数字听诊器与心音信号的处理方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201244691A (en) * | 2011-05-10 | 2012-11-16 | Ind Tech Res Inst | Heart sound signal/heart disease or cardiopathy distinguishing system and method |
-
2016
- 2016-01-08 CN CN201610012038.XA patent/CN105662454B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101862201A (zh) * | 2010-06-23 | 2010-10-20 | 南京邮电大学 | 手机智能心音看诊器中心音图的表示方法 |
| CN103315767A (zh) * | 2013-06-18 | 2013-09-25 | 西华大学 | 心音信号的判别方法及心音信号的判别系统 |
| CN104490417A (zh) * | 2015-01-22 | 2015-04-08 | 苏州本草芙源医疗设备有限公司 | 数字听诊器与心音信号的处理方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于机器学习的肺音分类技术的研究进展;郑明杰;《计算机科学》;20151231;第42卷(第12期);8-14 * |
| 肺音信号分析及其识别方法的研究进展;姚小静;《重庆理工大学学报( 自然科学)》;20131231;第27卷(第12期);95-100 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105662454A (zh) | 2016-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105662454B (zh) | 一种罗音检测的方法和装置 | |
| CN108388912B (zh) | 基于多传感器特征优化算法的睡眠分期方法 | |
| Chatrzarrin et al. | Feature extraction for the differentiation of dry and wet cough sounds | |
| CN110570880B (zh) | 一种鼾声信号识别方法 | |
| CN104739412B (zh) | 一种对睡眠呼吸暂停进行监测的方法和设备 | |
| EP0956821A1 (en) | Breath sound analyzer having multiple templates | |
| KR20160035120A (ko) | 마이크로폰을 이용한 호흡률 추정 장치 및 기법 | |
| CN106037655B (zh) | 一种睡眠周期信号的分离及周期计算方法及装置 | |
| CN107358965A (zh) | 一种睡眠鼾声分类检测方法及系统 | |
| CN105662417B (zh) | 一种基于压力信号特征识别鼾声的控制方法及装置 | |
| Lin et al. | Wheeze recognition based on 2D bilateral filtering of spectrogram | |
| CN105962897B (zh) | 一种自适应的鼾声信号检测方法 | |
| CN110942784A (zh) | 基于支持向量机的鼾声分类系统 | |
| Chen et al. | Identification of Velcro rales based on Hilbert–Huang transform | |
| CN103315767B (zh) | 心音信号的判别方法及心音信号的判别系统 | |
| CN106580324B (zh) | 一种呼吸信号提取方法及装置 | |
| CN108567419A (zh) | 基于呼吸心跳特征波的信号处理装置及方法 | |
| Gavriely et al. | Parametric representation of normal breath sounds | |
| CN104605886B (zh) | 喘鸣音检测装置和方法 | |
| CN106510716A (zh) | 一种基于心电信号计算呼吸率的方法及装置 | |
| Li et al. | Crackles detection method based on time-frequency features analysis and SVM | |
| Rosqvist et al. | Toolkit for lung sound analysis | |
| CN108742628A (zh) | 一种呼吸检测方法 | |
| CN114464200A (zh) | 基于耳机的肺功能检测方法、系统、设备及可读存储介质 | |
| CN108652658A (zh) | 爆裂音识别方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180911 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |