CN107945817A - 心肺音信号分类方法、检测方法、装置、介质和计算机设备 - Google Patents

心肺音信号分类方法、检测方法、装置、介质和计算机设备 Download PDF

Info

Publication number
CN107945817A
CN107945817A CN201711129599.9A CN201711129599A CN107945817A CN 107945817 A CN107945817 A CN 107945817A CN 201711129599 A CN201711129599 A CN 201711129599A CN 107945817 A CN107945817 A CN 107945817A
Authority
CN
China
Prior art keywords
signal
heart
lung sounds
time
frequency
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.)
Granted
Application number
CN201711129599.9A
Other languages
English (en)
Other versions
CN107945817B (zh
Inventor
罗狄锋
张宏君
吴和智
卢伟健
吴贺勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GUANGZHOU CITY IFLY ZUNHONG INFORMATION TECHNOLOGY Co Ltd
GUANGDONG XI'AN JIAOTONG UNIVERSITY ACADEMY
Original Assignee
GUANGZHOU CITY IFLY ZUNHONG INFORMATION TECHNOLOGY Co Ltd
GUANGDONG XI'AN JIAOTONG UNIVERSITY ACADEMY
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by GUANGZHOU CITY IFLY ZUNHONG INFORMATION TECHNOLOGY Co Ltd, GUANGDONG XI'AN JIAOTONG UNIVERSITY ACADEMY filed Critical GUANGZHOU CITY IFLY ZUNHONG INFORMATION TECHNOLOGY Co Ltd
Priority to CN201711129599.9A priority Critical patent/CN107945817B/zh
Publication of CN107945817A publication Critical patent/CN107945817A/zh
Application granted granted Critical
Publication of CN107945817B publication Critical patent/CN107945817B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B7/00—Instruments for auscultation
    • A61B7/02—Stethoscopes
    • A61B7/04—Electric stethoscopes

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Pulmonology (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及一种心肺音信号分类方法、检测方法、介质和计算机设备。心肺音信号分类方法包括：获取待分类的心肺音信号，采用时频分析方法对心肺音信号进行转换得到时频信号；采用矩阵分解方法对时频信号进行降维，得到独立分量信号；根据时频掩码技术对独立分量信号进行处理得到心音谱信号和肺音谱信号；对心音谱信号和肺音频谱信号进行时频分析方法所对应的逆变换，得到心音信号和肺音信号。如此，可通过信号处理的方式实现心肺音信号中心音信号和肺音信号的分类，便于单独对心音信号和肺音信号进行精细化的检查分析，不需要人工听诊且可简化心肺疾病的检查项目，从而可提高心肺疾病的检查效率。

Description

心肺音信号分类方法、检测方法、装置、介质和计算机设备
技术领域
本发明涉及医学检测技术领域，特别是涉及一种心肺音信号分类方法、检测方法、装置、介质和计算机设备。
背景技术
医学诊断中，通常需要医生根据心肺音对患者进行心肺疾病诊断，心音体现的是心脏的健康状况，肺音体现的是呼吸器官的健康状况。
传统采用的心肺疾病诊断方式，大多是先由医生采用听诊设备贴在患者心肺附近，来听取表征心脏和肺部器官健康状况的心肺音，要求医生具备丰富的专业知识和听诊经验。然而，通过听诊能够得到的心肺音是心音和肺音混叠的，这种混合了心音、肺音的声音信号很难用于精细化的病症分析，可能需要患者进一步做心脏和呼吸器官的分类项目检查，检查效率低。
发明内容
基于此，有必要针对检查效率低的问题，提供一种可以提高心肺疾病检查效率的心肺音信号分类方法、检测方法、装置、介质和计算机设备。
一种心肺音信号分类方法，包括：
获取待分类的心肺音信号，采用时频分析方法对所述心肺音信号进行转换得到时频信号；
采用矩阵分解方法对所述时频信号进行降维，得到独立分量信号；
根据时频掩码技术对所述独立分量信号进行处理得到心音谱信号和肺音谱信号；
对所述心音谱信号和所述肺音频谱信号进行所述时频分析方法所对应的逆变换，得到心音信号和肺音信号。
一种心肺音信号分类装置，包括：
转换模块，用于获取待分类的心肺音信号，采用时频分析方法对所述心肺音信号进行转换得到时频信号；
降维模块，用于采用矩阵分解方法对所述时频信号进行降维，得到独立分量信号；
处理模块，用于根据时频掩码技术对所述独立分量信号进行处理得到心音谱信号和肺音谱信号；
重构模块，用于对所述心音谱信号和所述肺音频谱信号进行所述时频分析方法所对应的逆变换，得到心音信号和肺音信号。
上述心肺音分类方法和装置，通过采用时频分析方法对心肺音信号进行变换得到时频信号，将时频信号通过矩阵分解方法降维、并利用时频掩码技术对降维得到的独立分量信号处理得到心音谱信号和肺音谱信号，再通过对心音谱信号和肺音谱信号进行逆变换得到心音信号和肺音信号。如此，可通过信号处理的方式实现心肺音信号中心音信号和肺音信号的分类，便于单独对心音信号和肺音信号进行精细化的检查分析，不需要人工听诊且可简化心肺疾病的检查项目，从而可提高心肺疾病的检查效率。
一种心肺音信号检测方法，包括：
对上述心肺音信号分类方法中的心音信号进行还原得到心音图；
对所述心音图进行复小波变换提取复小波变换的信号包络；
根据已训练的BP神经网络对所述信号包络进行训练得到检测结果。
一种心肺音信号检测装置，包括：
图形还原模块，用于对上述心肺音信号分类方法中的心音信号进行还原得到心音图；
包括提取模块，用于对所述心音图进行复小波变换提取复小波变换的信号包络；
结果获取模块，用于根据已训练的BP神经网络对所述信号包络进行训练得到检测结果。
上述心肺音信号检测方法和装置，通过对心肺音信号分类得到的心音信号进行还原得到心音图，提取心音图的复小波变换的信号包络、并根据已训练的BP神经网络对信号包络进行训练，可以得到检测结果；检测结果是对分类后的心音信号进行处理分析得到的信息，可用于辅助对心音信号的精细化的检查分析，提高心肺疾病的检查效率。
一种介质，存储有计算机程序，存储的计算机程序被处理器执行时实现上述心肺音信号分类方法的步骤，或者实现上述心肺音信号检测方法的步骤。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述心肺音信号分类方法的步骤，或者实现上述心肺音信号检测方法的步骤。
上述介质和计算机设备，由于实现了上述心肺音信号分类方法或心肺音信号检测方法的步骤，同理可提高心肺疾病的检查效率。
附图说明
图1为一实施例中心肺音信号分类方法的流程图；
图2为另一实施例中心肺音信号分类方法的流程图；
图3为一应用例中的心肺音信号、采用心肺音分类方法处理得到的参考信号、心音信号和肺音信号的时频图；
图4为一实施例中心肺音信号分类装置的结构图；
图5为一实施例中心肺音信号检测方法的流程图；
图6为一实施例中心肺音信号检测装置的结构图。
具体实施方式
参考图1，在其中一个实施例中，提供一种心肺音信号分类方法，包括如下步骤：
S110：获取待分类的心肺音信号，采用时频分析方法对心肺音信号进行转换得到时频信号。
其中，心肺音信号是心音和肺音混合叠加的信号；具体地，获取的心肺音信号可以是经过去噪处理之后的信号。例如，接收心肺音采集装置采集并去噪后输入的心肺音信号。时频分析方法作为一种时频联合域分析的方法，是分析时变非平稳信号的有力工具；例如，时频分析方法包括希尔伯特黄变换、短时傅里叶变换和连续小波变换。通过采用时频分析方法对心肺音进行转换，得到的是心音和肺音混合的时频信号。
相对于肺音，心音的信号是在一段较短的时间内表现出与平稳信号类似的特征，可以说心音的信号是短时平稳的。但是在整个时域范围内，心音和肺音的信号都是典型的非平稳信号，它们的分布参数或者分布律随时间的变化而变化。平稳和非平稳都是针对随机信号来说的，一般的分析方法有时域分析、频域分析和时频联合分析。对于平稳信号一般采用时域分析或者频域分析，时域分析是以时间信号作为坐标来表示信号的动态关系；频域分析是把信号变为以频率轴为坐标表示出来并进行分析。通常，信号在时域上的表示形式比较形象和直观，而对信号的频域分析更为简练，对问题的分析也更为彻底和方便。但是对于非平稳信号的心肺音信号，因为其频谱是时间的函数，单纯得到其时域或频域信息是不足以分析的，还应该了解信号的频谱怎样随着时间的改变而发生变化，信号的能量在时频域上是如何分布的，因此应该采用时频分析方法。
S130：采用矩阵分解方法对时频信号进行降维，得到独立分量信号。
通过采用矩阵分解方法对时频信号进行处理，一方面将描述问题的矩阵的维数进行削减，另一方面也可以对大量的数据进行压缩和概括。
S150：根据时频掩码技术对独立分量信号进行处理得到心音谱信号和肺音谱信号。
心音谱信号是心音对应的时频信号，肺音谱信号是肺音所对应的时频信号。通过采用时频掩码技术，可以从独立分量信号中提取出心音谱信号和肺音谱信号。
S170：对心音谱信号和肺音频谱信号进行时频分析方法所对应的逆变换，得到心音信号和肺音信号。
对心音谱信号进行时频分析方法所对应的逆变换，可以将心音对应的时频信号重构为时域上的心音信号；对肺音谱信号进行时频分析方法所对应的逆变换，可以将肺音对应的时频信号重构为时域上的肺音信号。如此，可实现心肺音的分类。例如，若时频分析方法采用的是希尔伯特黄变换，则对应的逆变换为希尔波特逆变换；若时频分析方法采用的是短时傅里叶变换，则对应的逆变换是短时傅里叶逆变换。
上述心肺音分类方法，通过采用时频分析方法对心肺音信号进行变换得到时频信号，将时频信号通过矩阵分解方法降维、并利用时频掩码技术对降维得到的独立分量信号处理得到心音谱信号和肺音谱信号，再通过对心音谱信号和肺音谱信号进行逆变换得到心音信号和肺音信号。如此，可通过信号处理的方式实现心肺音信号中心音信号和肺音信号的分类，便于单独对心音信号和肺音信号进行精细化的检查分析，不需要人工听诊且可简化心肺疾病的检查项目，从而可提高心肺疾病的检查效率。
时频分析方法包括短时傅里叶变换。在其中一个实施例中，参考图2，步骤S110包括步骤S111和步骤S113。
S111：获取待分类的心肺音信号。
S113：采用短时傅里叶变换对心肺音信号进行转换得到时频信号。
传统的以傅里叶变换及其逆变换为基础的分析方法能够很好的分析信号在时域或者频域上的信息。对于平稳信号来说，这是足够的，但对于心肺音信号这种非平稳信号，傅里叶变换及其逆变换为基础的分析方法显得苍白无力。本申请采用短时傅里叶变换对心肺音信号进行转换，转换效果好。
矩阵分解方法包括非负矩阵分解方法。在其中一个实施例中，继续参考图2，步骤S130包括步骤S131：采用非负矩阵分解方法对时频信号进行降维，得到独立分量信号。
利用矩阵分解方法来解决实际问题的分析方法很多，如PCA(PrincipalComponent Analysis主成分分析)、ICA(Independent Component Analysis独立成分分析)、SVD(Singularly Valuable Decomposition奇异值分解)、VQ(Vector Quantization矢量量化)等。在所有这些方法中，原始的大矩阵V被近似分解为低秩的V＝WH形式。这些方法的共同特点是：因子W和H中的元素可为正或负，即使输入的初始矩阵元素是全正的，传统的秩削减算法也不能保证原始数据的非负性。在数学上，从计算的观点看，分解结果中存在负值是正确的，但负值元素在实际问题中往往是没有意义的。
本申请中采用非负矩阵分解方法对时频信号进行降维。非负矩阵分解方法是在矩阵中所有元素均为非负数约束条件之下的矩阵分解方法，是信号处理中的一个有效工具，为大数据处理提供了一种新的途径，相较于传统的一些算法而言，具有实现上的简洁性、分解形式和分解结果上的可解释性及占用存储空间少等诸多优点。
以下具体说明可以对心肺音分类方法进行信号处理的过程。例如，假定临床采集的心肺音信号的数学模型如下公式1：
X(l)＝∑aisi(l)+η(l) 公式1；
其中X(l)表示心肺音信号，同时si(l)和ai分别表示第i个信号源和第i个信号源的幅值，i∈{c，r}，其中c、r分别表示心音和肺音部分，而η(l)则表示高斯白噪声。
短时傅里叶变换以传统傅里叶变换为基础，引入一个具有时频域特性的窗函数ω(t-τ)，并假定在一个短时间间隔内分析窗函数ω(t-τ)是平稳(伪平稳)的移动窗函数，并让这个窗函数沿着信号s(τ)滑动，对每一段被窗口截取的部分做傅里叶变换，详见公式2：
S(t，ω)＝∑s(τ)ω(t-τ)e-jωτ 公式2；
由于滑动窗的存在引入了时间的信息，这样就可以得到一个时变的频域分析结果。经过转换，数学模型可以写成如下公式3：
X(t，ω)＝∑aiSi(t，ω)+η(t，ω) 公式3；
X(t，ω)表示心肺音信号的频谱特性，i∈{c，r}，将心音信号用Sc表示，肺音则用Sr表示，进一步转化成如下的公式4：
X(t，ω)＝AB(t，ω)+η(t，ω) 公式4；
其中A＝∑i∑κaκ，B(t，ω)＝∑iSi(t，ω)＝∑i∑κbκ，其中bκ和aκ分别代表源信号Si的第κ个组成部分及其幅值大小。这样将心肺音信号描述成心音和肺音的各个部分构成的集和。X(t，ω)实际上是一个二维信号，可以把它看作一个矩阵。利用非负矩阵分解方法可以根据混合的心肺音信号的内在可分离性与源信号之间的代数结构建立一个优化模型来实现信号分离。
混合信号的基矩阵W的各基向量w1，w2，w3，...wκ和系数矩阵H的权重向量h1，h2h3，...hκ经过训练分类后，变成了两个源信号Xc＝{Wc，Hc}和Xr＝{Wr，Hr}，各自代表了心音谱信号和肺音谱信号。设想心肺音信号是稀疏的，即在一定的频域上，只有一个源占主导地位，也就是说在源信号X(t，ω)中的每个元素只能表示一个源的信号，要么代表心音信号要么代表肺音信号。由此，重新定义一个掩码矩阵M来数字化这种相位对应关系：
得到心音谱信号Xc和肺音谱信号Xr。接下来利用短时傅里叶逆变换分别对心音谱信号Xc和肺音谱信号Xr进行转换。短时傅里叶逆变换可以将时频域的信号转化为时域的波形信号。经过短时傅里叶逆变换后得到了时域上的心音信号Sc和肺音信号Sr。
参考图3，为一应用例中的心肺音信号、采用上述心肺音分类方法处理得到的参考信号、心音信号和肺音信号的时频图；其中，参考信号是心肺音信号经过短时傅里叶变换后得到的矩阵再处理过的信号，只保留了低频率部分。从分离出来的心音信号的时频图和肺音信号的时频图看，能量主要集中在肺音部分，这是对的，因为听诊位置一般是在右胸口肺部，心音相对在左胸腔位置来讲会小得多。实验证明，上述心肺音分类方法采用短时傅里叶变换、非负矩阵分解方法、时频掩码技术对心肺音信号进行分类的效果优。
参考图4，在其中一个实施例中，提供一种心肺音信号分类装置，包括转换模块110、降维模块130、处理模块150和重构模块170。
转换模块110用于获取待分类的心肺音信号，采用时频分析方法对心肺音信号进行转换得到时频信号。
降维模块130用于采用矩阵分解方法对时频信号进行降维，得到独立分量信号。
处理模块150用于根据时频掩码技术对独立分量信号进行处理得到心音谱信号和肺音谱信号。
重构模块170用于对心音谱信号和肺音频谱信号进行时频分析方法所对应的逆变换，得到心音信号和肺音信号。
上述心肺音分类装置，通过转换模块110采用时频分析方法对心肺音信号进行变换得到时频信号，降维模块130将时频信号通过矩阵分解方法降维得到独立分量信号，处理模块150利用时频掩码技术对独立分量信号处理得到心音谱信号和肺音谱信号，再通过重构模块170对心音谱信号和肺音谱信号进行逆变换得到心音信号和肺音信号。如此，可通过信号处理的方式实现心肺音信号中心音信号和肺音信号的分类，便于单独对心音信号和肺音信号进行精细化的检查分析，不需要人工听诊且可简化心肺疾病的检查项目，从而可提高心肺疾病的检查效率。
时频分析方法包括短时傅里叶变换。在其中一个实施例中，转换模块110获取待分类的心肺音信号，采用短时傅里叶变换对心肺音信号进行转换得到时频信号。通过采用短时傅里叶变换对心肺音信号进行转换，转换效果好。
矩阵分解方法包括非负矩阵分解方法。在其中一个实施例中，降维模块130采用非负矩阵分解方法对时频信号进行降维，得到独立分量信号。非负矩阵分解方法具有实现上的简洁性、分解形式和分解结果上的可解释性及占用存储空间少等诸多优点。
参考图5，在其中一个实施例中，提供一种心肺音信号检测方法，包括如下步骤：
S110：获取待分类的心肺音信号，采用时频分析方法对心肺音信号进行转换得到时频信号。
S130：采用矩阵分解方法对时频信号进行降维，得到独立分量信号。
S150：根据时频掩码技术对独立分量信号进行处理得到心音谱信号和肺音谱信号。
S170：对心音谱信号和肺音频谱信号进行时频分析方法所对应的逆变换，得到心音信号和肺音信号。
S210：对心音信号进行还原得到心音图。
S230：对心音图进行复小波变换提取复小波变换的信号包络。
具体地，复小波变换(Complex Wavelet Transform)是一个离散小波转换(DWT)的复数形式延伸，在本实施例中，运用的是传统的复小波变换提取。分别采用小波变换和希尔伯特变换，对应不同尺度因子进行实验，实验结果证明，在尺度因子为120且采用复小波变换提取信号包络时，效果最佳。
S250：根据已训练的BP神经网络对信号包络进行训练得到检测结果。
BP神经网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。已训练的BP神经网络是经过样本训练和自动学习之后得到的神经网络。具体地，本实施例中，已训练的BP神经网络是采用病例系统中的心肺疾病的数据作为样本训练得到，从而通过已训练的BP神经网络对信号包络进行训练得到的检测结果包含是否患有心肺疾病的信息。
上述心肺音信号检测方法，通过对心肺音信号分类得到的心音信号进行还原得到心音图，提取心音图的复小波变换的信号包络、并根据已训练的BP神经网络对信号包络进行训练，可以得到检测结果；检测结果是对分类后的心音信号进行处理分析得到的信息，可用于辅助对心音信号的精细化的检查分析，提高心肺疾病的检查效率。
在其中一个实施例中，步骤S210包括步骤(a1)至步骤(a5)。
步骤(a1)：将心音信号分成预设数量的帧，并计算各帧的帧长度范围内的短时能量和滑窗长度，其中，各帧的帧长度范围一致。
步骤(a2)：获取心音信号的信号强度和峰值。
步骤(a3)：根据信号强度将心音信号进行分段得到分段信号。
步骤(a4)：设置各分段信号的短时能量的上门限、短时能量的下门限、短时平均过零率的过零率下门限、最短语音长度和最短静音长度。
步骤(a5)：根据峰值、滑窗长度、短时能量的上门限、短时能量的下门限、短时平均过零率的过零率下门限、最短语音长度和最短静音长度确定心音信号的端点，根据端点还原得到心音图。
其中，短时能量定义为：
En是某时刻的短时能量，N为窗长，短时能量为一帧样点值的加权平方和。
当窗函数为矩形窗时：
以语音信号为例，语音信号是准稳态信号，在处理时常把信号分帧(每帧长度约20ms-30ms)，在帧长度范围内把语音信号视为稳态信号。为了使特征参数平滑变化，语音帧与帧之间通常有重叠，不重叠的部分就叫滑窗。帧长定义为240个点，滑窗长度定义为80个点。(滑窗长度一般是窗长的1/3)。
双门限方法是语音识别中很常用的端点检测方法，通过对短时能量和过零率各设置上下两个门限，对信号起始和终止点进行判定。在心音中，短时能量中上门限amp1和下门限amp2，amp1用来判定语音起始点，amp2用来判定可能语音点。zcr1是过零率上门限，zcr2是过零率下门限，实际中，zcr1可以不用到，或者说，只需要用一个门限就可以了，因为过零率不像短时能量有连续的类似正弦波的尖峰，更像矩形的电平，而且即使是强信号的心音，过零率的最大值也不过6，因此只需用zcr2即可。除了双门限三个参数外，还需要设置好最短语音长度、最短静音长度。根据这5个常量参数将语音划分3个状态，静音/可能处于语音段、语音段和语音结束，状态内通过常量参数继续判断，以监测状态发生改变，如噪音、语音尚未结束等。双门限的常量设置和信号的强弱是有密切关系的，因此需要对信号进行分段，根据信号幅值把信号分成：强信号、中强信号、弱信号三段，不同强度的信号对应不同的常量。
只用双门限方法还是不能很好的满足心音信号的端点划分。语音识别中双门限方法广泛使用，但心音和语音还是有明显区别的，心音信号是一个脉冲信号，语音信号更加连贯，持续时间可以更长，语音信号的强度比心音强得多(手机自带的软件就能录到)。对于第一心音和第二心音幅值相差比较大的信号，双门限方法就可能会按照强信号或者中强信号去设置参数，但是对于弱小的第二心音，这些参数就可能不合适了，本来处于语音段的就可能划分到噪音或者静音段去。
由此，采用双门限和峰值法互相弥补，两种方法结合使用时，需要特别注意峰值点和起始点X1、终止点X2的匹配，确保峰值点的横坐标落在对应的[X1，X2]区间，如果X2计算出来刚好在峰值点左边2个点以内，则需要把X2往右移动2个点(经验值)。综合以上方法可在短时能量图中划分出比较准确的端点来。端点被划分出来以后，并不意味着端点检测的结束，心音信号是周期信号，当前周期第一心音与当前周期第二心音、当前周期第二心音与下一周期第一心音之间的间隔是一个比较稳定的范围，据此就可以排除某些噪音杂音的端点，最终保留下来的短时能量端点就是确切的信号起止点，乘以滑窗长度就可以还原出原始信号的端点，还原得到心音信号的心音图。
在其中一个实施例中，步骤S250之前，还包括步骤(b1)至步骤(b3)。
步骤(b1)：获取样本信号。
步骤(b2)：对样本信号使用梅尔频率倒谱系数经过主成分分析降维后，得到数据表征信号。
步骤(b3)：将数据表征信号输入BP神经网络进行训练学习和识别，得到已训练的BP神经网络。
通过向BP神经网络输入足够多的样本信号、通过一定算法调整BP神经网络的结构(主要是调节权值)，使BP神经网络的输出与预期值相符。
具体地，可以收集300-500例不同年龄段、不同人群中已经确证的有不同程度心肺疾病的临床病例，对其进行心音的采集和随访，并收集200-300例健康人群进行背景样本参照，得到样本信号，从而已训练的BP神经网络便可对未知病理信息的心音信号进行病理信息的预测。在实际应用中检验判断正确和误判的效果，对BP神经网络进行不断的优化，逐步提高检测结果的准确性。
具体地，步骤(b1)至步骤(b3)可以是在步骤S110之前执行。
参考图6，在其中一个实施例中，提供一种心肺音信号检测装置，包括转换模块110、降维模块130、处理模块150、图形还原模块210、包括提取模块230和结果获取模块250。
转换模块110用于获取待分类的心肺音信号，采用时频分析方法对心肺音信号进行转换得到时频信号。
降维模块130用于采用矩阵分解方法对时频信号进行降维，得到独立分量信号。
处理模块150用于根据时频掩码技术对独立分量信号进行处理得到心音谱信号和肺音谱信号。
重构模块170用于对心音谱信号和肺音频谱信号进行时频分析方法所对应的逆变换，得到心音信号和肺音信号。
图形还原模块210用于对权利要求1-3任一项中心音信号进行还原得到心音图。
包括提取模块230用于对心音图进行复小波变换提取复小波变换的信号包络。
结果获取模块250用于根据已训练的BP神经网络对信号包络进行训练得到检测结果。
上述心肺音信号检测装置，通过对心肺音信号分类得到的心音信号进行还原得到心音图，提取心音图的复小波变换的信号包络、并根据已训练的BP神经网络对信号包络进行训练，可以得到检测结果；检测结果是对分类后的心音信号进行处理分析得到的信息，可用于辅助对心音信号的精细化的检查分析，提高心肺疾病的检查效率。
在其中一个实施例中，图形还原模块210用于：将心音信号分成预设数量的帧，并计算各帧的帧长度范围内的短时能量和滑窗长度；获取心音信号的信号强度和峰值；根据信号强度将心音信号进行分段得到分段信号；设置各分段信号的短时能量的上门限、短时能量的下门限、短时平均过零率的过零率下门限、最短语音长度和最短静音长度；根据峰值、滑窗长度、短时能量的上门限、短时能量的下门限、短时平均过零率的过零率下门限、最短语音长度和最短静音长度确定心音信号的端点，根据端点还原得到心音图。其中，各帧的帧长度范围一致。
在其中一个实施例中，上述心肺音信号检测装置还包括模型训练模块(图未示)，用于获取样本信号；对样本信号使用梅尔频率倒谱系数经过主成分分析降维后，得到数据表征信号；将数据表征信号输入BP神经网络进行训练学习和识别，得到已训练的BP神经网络。通过向BP神经网络输入足够多的样本信号、通过一定算法调整BP神经网络的结构(主要是调节权值)，使BP神经网络的输出与预期值相符。
在其中一个实施例中，提供一种介质，存储有计算机程序，存储的计算机程序被处理器执行时实现上述心肺音信号分类方法的步骤，或者实现上述心肺音信号检测方法的步骤。具体地，介质可以为可读存储介质。
在其中一个实施例中，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述心肺音信号分类方法的步骤，或者实现上述心肺音信号检测方法的步骤。
上述介质和计算机设备，由于实现了上述心肺音信号分类方法或心肺音信号检测方法的步骤，同理可提高心肺疾病的检查效率。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种心肺音信号分类方法，其特征在于，包括：
获取待分类的心肺音信号，采用时频分析方法对所述心肺音信号进行转换得到时频信号；
采用矩阵分解方法对所述时频信号进行降维，得到独立分量信号；
根据时频掩码技术对所述独立分量信号进行处理得到心音谱信号和肺音谱信号；
对所述心音谱信号和所述肺音频谱信号进行所述时频分析方法所对应的逆变换，得到心音信号和肺音信号。
2.根据权利要求1所述的心肺音信号分类方法，其特征在于，所述时频分析方法包括短时傅里叶变换；所述获取待分类的心肺音信号，采用时频分析方法对所述心肺音信号进行转换得到时频信号，包括：
获取待分类的心肺音信号；
采用短时傅里叶变换对所述心肺音信号进行转换得到时频信号。
3.根据权利要求1或2所述的心肺音信号分类方法，其特征在于，所述矩阵分解方法包括非负矩阵分解方法，所述采用矩阵分解方法对所述时频信号进行降维，得到独立分量信号，包括：
采用非负矩阵分解方法对所述时频信号进行降维，得到独立分量信号。
4.一种心肺音信号分类装置，其特征在于，包括：
转换模块，用于获取待分类的心肺音信号，采用时频分析方法对所述心肺音信号进行转换得到时频信号；
降维模块，用于采用矩阵分解方法对所述时频信号进行降维，得到独立分量信号；
处理模块，用于根据时频掩码技术对所述独立分量信号进行处理得到心音谱信号和肺音谱信号；
重构模块，用于对所述心音谱信号和所述肺音频谱信号进行所述时频分析方法所对应的逆变换，得到心音信号和肺音信号。
5.一种心肺音信号检测方法，其特征在于，包括：
对权利要求1-3任一项中所述心音信号进行还原得到心音图；
对所述心音图进行复小波变换提取复小波变换的信号包络；
根据已训练的BP神经网络对所述信号包络进行训练得到检测结果。
6.根据权利要求5所述的心肺音信号检测方法，其特征在于，对所述心音信号进行还原得到心音图，包括：
将所述心音信号分成预设数量的帧，并计算各帧的帧长度范围内的短时能量和滑窗长度，其中，各帧的帧长度范围一致；
获取所述心音信号的信号强度和峰值；
根据所述信号强度将所述心音信号进行分段得到分段信号；
设置各分段信号的短时能量的上门限、短时能量的下门限、短时平均过零率的过零率下门限、最短语音长度和最短静音长度；
根据所述峰值、所述滑窗长度、所述短时能量的上门限、所述短时能量的下门限、所述短时平均过零率的过零率下门限、所述最短语音长度和所述最短静音长度确定所述心音信号的端点，根据所述端点还原得到所述心音图。
7.根据权利要求5或6所述的心肺音信号检测方法，其特征在于，所述根据已训练的BP神经网络对所述信号包络进行训练得到检测结果之前，还包括：
获取样本信号；
对所述样本信号使用梅尔频率倒谱系数经过主成分分析降维后，得到数据表征信号；
将所述数据表征信号输入BP神经网络进行训练学习和识别，得到已训练的BP神经网络。
8.一种心肺音信号检测装置，其特征在于，包括：
图形还原模块，用于对权利要求1-3任一项中所述心音信号进行还原得到心音图；
包括提取模块，用于对所述心音图进行复小波变换提取复小波变换的信号包络；
结果获取模块，用于根据已训练的BP神经网络对所述信号包络进行训练得到检测结果。
9.一种介质，存储有计算机程序，其特征在于，存储的计算机程序被处理器执行时实现如权利要求1-3中任一项所述心肺音信号分类方法的步骤，或者实现如权利要求5-7中任一项所述心肺音信号检测方法的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-3中任一项所述心肺音信号分类方法的步骤，或者实现如权利要求5-7中任一项所述心肺音信号检测方法的步骤。
CN201711129599.9A 2017-11-15 2017-11-15 心肺音信号分类方法、检测方法、装置、介质和计算机设备 Expired - Fee Related CN107945817B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711129599.9A CN107945817B (zh) 2017-11-15 2017-11-15 心肺音信号分类方法、检测方法、装置、介质和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711129599.9A CN107945817B (zh) 2017-11-15 2017-11-15 心肺音信号分类方法、检测方法、装置、介质和计算机设备

Publications (2)

Publication Number Publication Date
CN107945817A true CN107945817A (zh) 2018-04-20
CN107945817B CN107945817B (zh) 2021-10-22

Family

ID=61931156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711129599.9A Expired - Fee Related CN107945817B (zh) 2017-11-15 2017-11-15 心肺音信号分类方法、检测方法、装置、介质和计算机设备

Country Status (1)

Country Link
CN (1) CN107945817B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108742697A (zh) * 2018-05-29 2018-11-06 深圳市太空科技南方研究院 心音信号分类方法及终端设备
CN109394258A (zh) * 2018-09-18 2019-03-01 平安科技（深圳）有限公司 一种肺部呼吸音的分类方法、装置及终端设备
CN109448749A (zh) * 2018-12-19 2019-03-08 中国科学院自动化研究所 基于有监督学习听觉注意的语音提取方法、系统、装置
CN110336638A (zh) * 2019-04-17 2019-10-15 四川大学 一种基于时频图的短时突发信号检测方法
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
CN110580448A (zh) * 2019-08-07 2019-12-17 北京必安必恒科技发展有限公司 一种心音分类模型构建、分类方法及装置
CN111104834A (zh) * 2018-10-25 2020-05-05 南京大学 一种交叉对比神经网络在心声智能检测中的应用方法
CN111248938A (zh) * 2020-02-24 2020-06-09 国微集团(深圳)有限公司 实时心音信号诊断系统及其诊断方法
CN111554319A (zh) * 2020-06-24 2020-08-18 广东工业大学 一种基于低秩张量学习的多通道心肺音异常识别系统与装置
CN111615045A (zh) * 2020-06-23 2020-09-01 腾讯音乐娱乐科技（深圳）有限公司 音频处理方法、装置、设备及存储介质
CN112687290A (zh) * 2020-12-30 2021-04-20 同济大学 一种经过压缩的咳嗽自动检测方法及嵌入式设备
CN112749295A (zh) * 2019-10-31 2021-05-04 南京大学 一种基于交叉对比神经网络的心音录音分类技术
CN113205823A (zh) * 2021-04-12 2021-08-03 广东技术师范大学 一种肺音信号端点检测方法、系统及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004035137A1 (en) * 2002-10-21 2004-04-29 Noam Gavriely Acoustic cardiac assessment
CN1850007A (zh) * 2006-05-16 2006-10-25 清华大学深圳研究生院 基于心音分析的心脏病自动分类系统及其心音分段方法
US20070260151A1 (en) * 2006-05-03 2007-11-08 Clifford Gari D Method and device for filtering, segmenting, compressing and classifying oscillatory signals
US20090192401A1 (en) * 2008-01-25 2009-07-30 Sourabh Ravindran Method and system for heart sound identification
CN102334985A (zh) * 2010-07-16 2012-02-01 香港理工大学 利用多层前馈网络的心音分析法检测肺动脉血压的方法
EP2448632A1 (en) * 2009-06-30 2012-05-09 Medtronic, Inc. Heart sound sensing to reduce inappropriate tachyarrhythmia therapy
CN102697520A (zh) * 2012-05-08 2012-10-03 天津沃康科技有限公司 基于智能识别功能的电子听诊器
CN105342637A (zh) * 2015-11-20 2016-02-24 吉林大学 自动心音分段分析方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004035137A1 (en) * 2002-10-21 2004-04-29 Noam Gavriely Acoustic cardiac assessment
US20070260151A1 (en) * 2006-05-03 2007-11-08 Clifford Gari D Method and device for filtering, segmenting, compressing and classifying oscillatory signals
CN1850007A (zh) * 2006-05-16 2006-10-25 清华大学深圳研究生院 基于心音分析的心脏病自动分类系统及其心音分段方法
US20090192401A1 (en) * 2008-01-25 2009-07-30 Sourabh Ravindran Method and system for heart sound identification
EP2448632A1 (en) * 2009-06-30 2012-05-09 Medtronic, Inc. Heart sound sensing to reduce inappropriate tachyarrhythmia therapy
CN102334985A (zh) * 2010-07-16 2012-02-01 香港理工大学 利用多层前馈网络的心音分析法检测肺动脉血压的方法
CN102697520A (zh) * 2012-05-08 2012-10-03 天津沃康科技有限公司 基于智能识别功能的电子听诊器
CN105342637A (zh) * 2015-11-20 2016-02-24 吉林大学 自动心音分段分析方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
SHUPING SUN ET AL: "Automatic moment segmentation and peak detection analysis of heart sound pattern viashort-time modified Hilbert transform", 《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》 *
叶岑: "心音信号特征分析与识别方法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑（月刊）》 *
姚晓帅: "基于神经网络的心音信号识别算法研究", 《中国优秀博硕士学位论文全文数据库 (硕士) 医药卫生科技辑》 *
段赟: "基于高斯混合模型的心音模式识别研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *
胡泊: "智能电子听诊器设计与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
郭鹿鸣: "基于盲源分离的心肺音信号分离方法", 《中国优秀硕士学位论文全文数据库 信息科技辑（月刊）》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108742697A (zh) * 2018-05-29 2018-11-06 深圳市太空科技南方研究院 心音信号分类方法及终端设备
CN109394258A (zh) * 2018-09-18 2019-03-01 平安科技（深圳）有限公司 一种肺部呼吸音的分类方法、装置及终端设备
CN111104834A (zh) * 2018-10-25 2020-05-05 南京大学 一种交叉对比神经网络在心声智能检测中的应用方法
CN109448749B (zh) * 2018-12-19 2022-02-15 中国科学院自动化研究所 基于有监督学习听觉注意的语音提取方法、系统、装置
CN109448749A (zh) * 2018-12-19 2019-03-08 中国科学院自动化研究所 基于有监督学习听觉注意的语音提取方法、系统、装置
CN110336638A (zh) * 2019-04-17 2019-10-15 四川大学 一种基于时频图的短时突发信号检测方法
CN110580448A (zh) * 2019-08-07 2019-12-17 北京必安必恒科技发展有限公司 一种心音分类模型构建、分类方法及装置
CN110580448B (zh) * 2019-08-07 2022-12-13 北京必安必恒科技发展有限公司 一种心音分类模型构建、分类方法及装置
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
CN112749295A (zh) * 2019-10-31 2021-05-04 南京大学 一种基于交叉对比神经网络的心音录音分类技术
CN111248938A (zh) * 2020-02-24 2020-06-09 国微集团(深圳)有限公司 实时心音信号诊断系统及其诊断方法
CN111615045A (zh) * 2020-06-23 2020-09-01 腾讯音乐娱乐科技（深圳）有限公司 音频处理方法、装置、设备及存储介质
CN111554319A (zh) * 2020-06-24 2020-08-18 广东工业大学 一种基于低秩张量学习的多通道心肺音异常识别系统与装置
CN112687290B (zh) * 2020-12-30 2022-09-20 同济大学 一种经过压缩的咳嗽自动检测方法及嵌入式设备
CN112687290A (zh) * 2020-12-30 2021-04-20 同济大学 一种经过压缩的咳嗽自动检测方法及嵌入式设备
CN113205823A (zh) * 2021-04-12 2021-08-03 广东技术师范大学 一种肺音信号端点检测方法、系统及存储介质

Also Published As

Publication number Publication date
CN107945817B (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN107945817A (zh) 心肺音信号分类方法、检测方法、装置、介质和计算机设备
Khan et al. Automatic heart sound classification from segmented/unsegmented phonocardiogram signals using time and frequency features
CN105997064B (zh) 一种用于人体下肢表面肌电信号的辨识方法
CN100418480C (zh) 基于心音分析的心脏病自动分类系统及其心音分段方法
CN109044396B (zh) 一种基于双向长短时记忆神经网络的智能心音识别方法
CN105956624B (zh) 基于空时频优化特征稀疏表示的运动想象脑电分类方法
CN111759345B (zh) 基于卷积神经网络的心脏瓣膜异常分析方法、系统和装置
WO2020073518A1 (zh) 声纹验证的方法、装置、计算机设备和存储介质
CN111461176A (zh) 基于归一化互信息的多模态融合方法、装置、介质及设备
CN107811626A (zh) 一种基于一维卷积神经网络和s变换的心律失常分类方法
Bahoura et al. Respiratory sounds classification using cepstral analysis and Gaussian mixture models
CN103294199B (zh) 一种基于脸部肌音信号的无声信息识别系统
CN108281146A (zh) 一种短语音说话人识别方法和装置
CN109745033A (zh) 基于时频二维图像和机器学习的动态心电质量评估方法
CN113855038B (zh) 基于多模型集成的心电信号危急值的预测方法及装置
Singh et al. Short unsegmented PCG classification based on ensemble classifier
CN102961129B (zh) 一种远程医疗的异常心电张量分析方法
CN105448291A (zh) 基于语音的帕金森症检测方法及检测系统
CN112580486B (zh) 一种基于雷达微多普勒信号分离的人体行为分类方法
Mayorga et al. Modified classification of normal lung sounds applying quantile vectors
CN105147252A (zh) 心脏疾病识别及评估方法
CN113076878B (zh) 基于注意力机制卷积网络结构的体质辨识方法
CN107301409A (zh) 基于Wrapper特征选择Bagging学习处理心电图的系统及方法
WO2023077592A1 (zh) 一种智能心电信号处理方法
CN110289097A (zh) 一种基于Xgboost神经网络堆叠模型的模式识别诊断系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for 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: 20211022

CF01 Termination of patent right due to non-payment of annual fee