CN107704885A - 在智能平台上实现心音与肺音分类的方法 - Google Patents

Abstract

本发明公开了一种在智能平台上实现心音与肺音分类的方法，包括：采集心音和肺音信号，并将采集到的信号传递给智能平台；所述智能平台对接收到的信号进行处理，用训练好的模型进行练、识别，完成分类；将分类得到的正规和非正规的信号，在智能平台界面上做区分，方便普通人群更好的理解自己的健康状况。通过本发明有利于使用者随时随地的了解并记录自己的身体状况。

Description

在智能平台上实现心音与肺音分类的方法

技术领域

本发明涉及智能设备与健康检测技术领域，具体涉及一种在智能平台上实现心音与肺音分类的方法。

背景技术

随着当今社会经济的快速发展以及人口老龄化的加剧，越来越多的人将健康问题划为日常工作生活的首要问题。而对于某些慢性的心血管及呼吸类疾病，医生需要及时的了解患者的状况，这就给患者的日常健康监护提出了一个巨大的问题。心肺音信号是心血管及呼吸类疾病辅助诊断的一种重要方法，因此，如何将心肺音信号进行精准的采集并且进行归档存储分析成为了相关研究人员共同面对的问题。随着通讯技术的快速发展，心肺音的远程监护也有了很大的进步，通过电话，手机，互联网等手段，将采集到的心音数据及时地传输给服务器端的监护中心，可以减少慢性心血管病人因为长时间住院带来的巨大费用。并且考虑到部分心血管病具有突发性，病人不可能长时间住在医院，所以能够设计一种便携的并且能够长时间采集信号并进行实时传输的设备，对心血管疾病的辅助诊断将会有很大的意义。

移动医疗就是凭借无线通讯手段，在智能手机、平板电脑、卫星设备等平台上进行医疗信息咨询、健康指导等。移动医疗具有便利性、个性化、节约性等特点，在解决我国医疗卫生系统中存在的资源分配不均、诊断低效、价格昂贵、费时费力等问题上十分有效，具有很大的推广意义。

发明内容

本发明克服了现有技术的不足，提供一种在智能平台上实现心音与肺音分类的方法，旨在便于人们日常健康监护。

考虑到现有技术的上述问题，根据本发明公开的一个方面，本发明采用以下技术方案：

一种在智能平台上实现心音与肺音分类的方法，包括：

采集心音和肺音信号，并将采集到的信号传递给智能平台；

所述智能平台对接收到的信号进行处理，用训练好的模型进行练、识别，完成分类；

将分类得到的正规和非正规的信号，在智能平台界面上做区分，方便普通人群更好的理解自己的健康状况。

为了更好地实现本发明，进一步的技术方案是：

根据本发明的一个实施方案，所述智能平台包括手机。

根据本发明的另一个实施方案，用智能蓝牙听诊器采集心音和肺音的信号。

根据本发明的另一个实施方案，所述智能平台对接收到的信号进行的处理包括信号预处理，所述信号预处理包括：

A1.对收到的心肺音数据进行重采样；

A2.对重采样后的信号进行巴特沃斯低通滤波；

A3.对滤波后的心肺音信号进行去噪。

根据本发明的另一个实施方案，所述步骤A1对收到的信号进行5点重采样，采样频率为2205Hz。

根据本发明的另一个实施方案，所述步骤A2对重采样后的信号进行滤波，设置通带最大衰减为3db，阻带最小衰减为18db。

根据本发明的另一个实施方案，所述步骤A3采用小波变换对滤波后的心音信号进行去噪，采用dmey小波。

根据本发明的另一个实施方案，所述智能平台对接收到的信号进行的处理包括心肺信号的自相关分段，所述心肺信号的自相关分段包括：

B1.计算去噪后的心肺音数据的幅度均值；

B2.设定参数:重采样后，一个心肺音周期的最小点数s_min＝750，心肺音周期的最大点数s_max＝2500；

B3.由心肺信号长度以及一个心肺音周期的最大长度相除得到该心肺音信号的分段数M；

B4.将这M段心肺音数据从开始到结束依次两两组合，若M为奇数则有多余的分段，多余的分段舍去；

B5.寻找每个组合段中第一个第一心肺音的起始点；

B6.计算组合段内所找到的第一心肺音起始点所在的周期与该段内的下个周期的自相关系数，并保存；

B7.选择所有组合段中最大的自相关系数所在的心肺音周期，作为分段结果。

根据本发明的另一个实施方案，所述智能平台对接收到的信号进行的处理包括心肺音信号的MFCC提取算法，所述心肺音信号的MFCC提取算法包括：

C1.预加重滤波器；

C2.计算分段后得到各个信号的MFCC。

本发明还可以是：

根据本发明的另一个实施方案，心音信号的训练和识别包括：

D1.对采集的N种类型的心肺音信号，分为两组，一组作为训练样本，另一组作为测试样本；

D2.对训练组和测试组的心音信号进行MFCC特征参数的提取，并保存；

D3.将提取到的训练样本以及测试样本的特征参数输入libsvm分类器进行分类处理，完成对不同心音类型的识别。

与现有技术相比，本发明的有益效果之一是：

本发明的一种在智能平台上实现心音与肺音分类的方法，利用智能手机设备实现心肺音的显示，保存，记录，使用者可以随时随地的对自己的心肺状况进行监测，从而有利于使用者随时随地的了解并记录自己的身体状况。此外，在广泛使用的智能手机平台上开发这种血压监测系统，不但能开拓智能手机的新功能，推动新一代智能手机的发展，并且还和物联网的应用密切相关。

附图说明

为了更清楚的说明本申请文件实施例或现有技术中的技术方案，下面将对实施例或现有技术的描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅是对本申请文件中一些实施例的参考，对于本领域技术人员来讲，在不付出创造性劳动的情况下，还可以根据这些附图得到其它的附图。

图1为根据本发明一个实施例的在智能平台上实现心音与肺音分类的流程示意图。

具体实施方式

下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。

如图1所示，一种在智能平台上实现心音与肺音分类的方法，包括心肺音的波形显示、特征值的提取以及心肺音简单的分类，具体地：

1)采用可采集心音和肺音的智能蓝牙听诊器采集心肺音信号，心音与肺音的采集可以一键切换，将采集到的信号通过蓝牙传送到智能手机，并将心肺音波形的在手机端实时展示出来，采集完成后，信号保存在手机内，便于日后查看或发送给朋友。

2)在手机内对接收到的信号进行降噪滤波，分段定位、特征提取，用训练好的模型完成最终的分类。其具体过程为：

第一步.信号预处理；

A1.对收到的心肺音数据进行重采样；

A2.对重采样后的信号进行巴特沃斯低通滤波；

A3.对滤波后的心肺音信号进行去噪。

其中，步骤A1对收到的信号进行5点重采样，采样频率为2205Hz；

步骤A2对重采样后的信号进行滤波，设置通带最大衰减为3db，阻带最小衰减为18db；步骤A3采用小波变换对滤波后的心音信号进行去噪，采用dmey小波。

第二步.心肺信号的自相关分段；

B1.计算去噪后的心肺音数据的幅度均值；

B2.设定参数:重采样后，一个心肺音周期的最小点数s_min＝750，心肺音周期的最大点数s_max＝2500；

B3.由心肺信号长度以及一个心肺音周期的最大长度相除得到该心肺音信号的分段数M；

B4.将这M段心肺音数据从开始到结束依次两两组合，若M为奇数则有多余的分段，多余的分段舍去；

B5.寻找每个组合段中第一个第一心肺音的起始点；

B6.计算组合段内所找到的第一心肺音起始点所在的周期与该段内的下个周期的自相关系数，并保存；

B7.选择所有组合段中最大的自相关系数所在的心肺音周期，作为分段结果。

其中，步骤B5避免起点正好位于第一心肺音处，以连续100个点小于心音数据的幅值均值作为判定第一心肺音起始点的条件。

第三步.心肺音信号的MFCC提取算法；

C1.预加重滤波器；

C2.计算分段后得到各个信号的MFCC。

其中，步骤C1将心音信号是s(n)通过一个高通滤波器，形式为：H(z)＝1-a*(z-1)，其中系数a的值介于0.9和1.0之间。步骤C2将自相关分段后的心音信号进行快速傅里叶变换，然后取平方计算心音信号的离散功率谱；将频谱能量乘以一组L个三角带通滤波器，求得每一个滤波器输出的对数能量，共L个；将上述的L个对数能量带入离散余弦变换，求出倒谱域参数：

其中即为MFCC参数，P为MFCC的阶数，为第j个功率值参数，j为当前滤波器。

第四步.心音信号的训练和识别。

D1.对采集的N种类型的心肺音信号，分为两组，一组作为训练样本，另一组作为测试样本；

D2.对训练组和测试组的心音信号进行MFCC特征参数的提取，并保存；

D3.将提取到的训练样本以及测试样本的特征参数输入libsvm分类器进行分类处理，完成对不同心音类型的识别。其中主要是对常规与不常归的信号做区分。

3)将分类得到的正规和非正规的信号，在手机界面上做一个区分，方便普通人群更好的理解自己的健康状况。区分方式为，检测完成后，常规信号以一个红心的形状落在手机界面上半部分的绿色区域中，非常规信号落在手机界面下半部分的橙红色区域中。

综上，本发明可包括以下模块：

模块一：实时显示波形

由智能蓝牙听诊器同步采集人体心肺音信号并传送到手机，能实时显示心肺音波形，便于观察心跳或呼吸规律。

模块二：分类模块

对接收到的信号进行降噪滤波，分段定位、特征提取，用训练好的模型完成最终准确度非常高的分类。

模块三：常规与非常规信号的界面标示

将分类得到的正规和非正规的信号，在手机界面上做一个区分，方便普通人群更好的理解自己的健康状况。区分方式为，检测完成后，常规信号以一个红心的形状落在手机界面上半部分的绿色区域中，非常规信号落在手机界面下半部分的橙红色区域中。

在本说明书中所谈到的“一个实施例”、“另一个实施例”、“实施例”、等，指的是结合该实施例描述的具体特征、结构或者特点包括在本申请概括性描述的至少一个实施例中。在说明书中多个地方出现同种表述不是一定指的是同一个实施例。进一步来说，结合任一实施例描述一个具体特征、结构或者特点时，所要主张的是结合其他实施例来实现这种特征、结构或者特点也落在本发明的范围内。

尽管这里参照本发明的多个解释性实施例对本发明进行了描述，但是，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。更具体地说，在本申请公开和权利要求的范围内，可以对主题组合布局的组成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的变型和改进外，对于本领域技术人员来说，其他的用途也将是明显的。

Claims (10)

1.一种在智能平台上实现心音与肺音分类的方法，其特征在于包括：

采集心音和肺音信号，并将采集到的信号传递给智能平台；

所述智能平台对接收到的信号进行处理，用训练好的模型进行练、识别，完成分类；

将分类得到的正规和非正规的信号，在智能平台界面上做区分，方便普通人群更好的理解自己的健康状况。

2.根据权利要求1所述的在智能平台上实现心音与肺音分类的方法，其特征在于所述智能平台包括手机。

3.根据权利要求1所述的在智能平台上实现心音与肺音分类的方法，其特征在于用智能蓝牙听诊器采集心音和肺音的信号。

4.根据权利要求1所述的在智能平台上实现心音与肺音分类的方法，其特征在于所述智能平台对接收到的信号进行的处理包括信号预处理，所述信号预处理包括：

A1.对收到的心肺音数据进行重采样；

A2.对重采样后的信号进行巴特沃斯低通滤波；

A3.对滤波后的心肺音信号进行去噪。

5.根据权利要求4所述的在智能平台上实现心音与肺音分类的方法，其特征在于所述步骤A1对收到的信号进行5点重采样，采样频率为2205Hz。

6.根据权利要求4所述的在智能平台上实现心音与肺音分类的方法，其特征在于所述步骤A2对重采样后的信号进行滤波，设置通带最大衰减为3db，阻带最小衰减为18db。

7.根据权利要求4所述的在智能平台上实现心音与肺音分类的方法，其特征在于所述步骤A3采用小波变换对滤波后的心音信号进行去噪，采用dmey小波。

8.根据权利要求1所述的在智能平台上实现心音与肺音分类的方法，其特征在于所述智能平台对接收到的信号进行的处理包括心肺信号的自相关分段，所述心肺信号的自相关分段包括：

B1.计算去噪后的心肺音数据的幅度均值；

B2.设定参数:重采样后，一个心肺音周期的最小点数s_min＝750，心肺音周期的最大点数s_max＝2500；

B3.由心肺信号长度以及一个心肺音周期的最大长度相除得到该心肺音信号的分段数M；

B4.将这M段心肺音数据从开始到结束依次两两组合，若M为奇数则有多余的分段，多余的分段舍去；

B5.寻找每个组合段中第一个第一心肺音的起始点；

B6.计算组合段内所找到的第一心肺音起始点所在的周期与该段内的下个周期的自相关系数，并保存；

B7.选择所有组合段中最大的自相关系数所在的心肺音周期，作为分段结果。

9.根据权利要求1所述的在智能平台上实现心音与肺音分类的方法，其特征在于所述智能平台对接收到的信号进行的处理包括心肺音信号的MFCC提取算法，所述心肺音信号的MFCC提取算法包括：

C1.预加重滤波器；

C2.计算分段后得到各个信号的MFCC。

10.根据权利要求1所述的在智能平台上实现心音与肺音分类的方法，其特征在于心音信号的训练和识别包括：

D1.对采集的N种类型的心肺音信号，分为两组，一组作为训练样本，另一组作为测试样本；

D2.对训练组和测试组的心音信号进行MFCC特征参数的提取，并保存；

D3.将提取到的训练样本以及测试样本的特征参数输入libsvm分类器进行分类处理，完成对不同心音类型的识别。