CN109394258A - 一种肺部呼吸音的分类方法、装置及终端设备 - Google Patents

Abstract

本申请属于人工智能技术领域，尤其涉及一种肺部呼吸音的分类方法、装置及终端设备，所述分类方法包括：获取用户肺部呼吸音的音频信号；对所述音频信号进行预处理；提取预处理后的所述音频信号的声学特征；通过类型识别模型分析所述声学特征，得到所述音频信号的分类结果。本申请所提供的技术方案通过提取预处理后的音频信号的声学特征，直接采用类型识别模型分析所述声学特征，能够提高对肺部呼吸音的音频信号的分类效率。

Description

一种肺部呼吸音的分类方法、装置及终端设备

技术领域

本申请属于人工智能技术领域，尤其涉及一种肺部呼吸音的分类方法、装置及终端设备。

背景技术

人呼吸时，气流通过呼吸道和肺泡，产生湍流引起振动，发出声响，通过肺组织及胸壁传至体表的声音，即为呼吸音。

目前，对肺部呼吸音的分类全凭听诊者的经验，对肺部呼吸音的分类效率不高。

发明内容

有鉴于此，本申请提供了一种肺部呼吸音的分类方法、装置及终端设备，可以有效提升对呼吸音的分类效率。

本申请第一方面提供了一种肺部呼吸音的分类方法，包括：

获取用户肺部呼吸音的音频信号；

对所述音频信号进行预处理；

提取预处理后的所述音频信号的声学特征；

通过类型识别模型分析所述声学特征，得到所述音频信号的分类结果。

本申请第二方面提供了一种肺部呼吸音的分类装置，包括：

获取模块，用于获取用户肺部呼吸音的音频信号；

预处理模块，用于对所述音频信号进行预处理；

提取模块，用于提取预处理后的所述音频信号的声学特征；

分析模块，用于通过类型识别模型分析所述声学特征，得到所述音频信号的分类结果。

本申请第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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第一方面所述分类方法的步骤。

本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述分类方法的步骤。

本申请所提供的技术方案通过提取预处理后的音频信号的声学特征，直接采用类型识别模型分析所述声学特征，能够提高对肺部呼吸音的音频信号的分类效率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1是本申请实施例提供的一种肺部呼吸音的分类方法的实现流程示意图；

图2是本申请实施例提供的另一种肺部呼吸音的分类方法的实现流程示意图；

图3是本申请实施例提供的另一种肺部呼吸音的分类方法的实现流程示意图；

图4是本申请实施例提供的另一种肺部呼吸音的分类方法的实现流程示意图；

图5是本申请实施例提供的另一种肺部呼吸音的分类方法的实现流程示意图；

图6是本申请实施例提供的另一种肺部呼吸音的分类方法的实现流程示意图；

图7是本申请实施例提供的一种类型识别模型的结构示意图；

图8是本申请实施例提供的一种肺部呼吸音的分类装置的结构示意图；

图9是本申请实施例提供的终端设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

本申请实施例提供的图片检测方法可以适用于终端设备，示例性地，上述终端设备包括但不限于：智能手机、平板电脑、智能穿戴设备等。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

具体实现中，本申请实施例中描述的终端设备包括但不限于诸如具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是，在某些实施例中，上述设备并非便携式通信设备，而是具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的台式计算机。

在接下来的讨论中，描述了包括显示器和触摸敏感表面的终端设备。然而，应当理解的是，终端设备可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。

终端设备支持各种应用程序，例如以下中的一个或多个：绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。

可以在终端设备上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样，终端的公共物理架构(例如，触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。

另外，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

为了说明本申请上述的技术方案，下面通过具体实施例来进行说明。

图1示出了本发明实施例提供的一种肺部呼吸音的分类方法的实现流程，该方法适用于对肺部呼吸音进行分类的情况，由肺部呼吸音的分类装置执行。该肺部呼吸音的分类装置通常配置于终端设备，由软件和/或硬件实现。如图1所示，肺部呼吸音的分类方法包括步骤：S101至S104。

S101，获取用户肺部呼吸音的音频信号。

其中，用户包括需要对肺部呼吸音进行分类的人体或动物体。终端设备通过采集用户肺部呼吸音得到音频信号。

终端设备可以为医院内或者医院外的终端设备。医院内的终端设备包括医院的各科室的终端设备，医院外的终端设备可包括院外急救过程的终端设备，或者基层医疗处的终端设备，或者个体用户自身购买的可穿戴设备等。

在本发明实施例中，终端设备通过声音传感器采集用户的肺部呼吸音以获得用户肺部呼吸音的音频信号。所述声音传感器内置或者外置于所述终端设备。当声音传感器内置于所述终端设备时，所述声音传感器可以为终端设备的一个组成部件，而当声音传感器外置于所述终端设备时，所述声音传感器可以为与终端设备进行无线或者有线通信连接的一个或多个部件。

示例性地，本发明提供一个基于无线传输的肺部呼吸音采集系统。该系统包括：Arduino声音传感器和终端设备。包括无线通信模块，如Zigbee模块的Arduino声音传感器用来采集人体的肺部呼吸音得到音频信号；然后通过无线网络将采集到的音频信号传送到终端设备，如PC机上。终端设备作为采集系统的上位机，用于对接收到的音频信号进行预处理等，然后调取预存储的类型识别模型对音频信号进行分类识别。需要说明的是，Arduino声音传感器仅用于举例说明音频信号的一种获取方式，不能解释为对本发明的限制。

S102，对所述音频信号进行预处理；

其中，对音频信号进行预处理，包括对音频信号进行格式转换、滤波、静音切除和去噪中的一种或几种。通过对音频信号进行预处理，以提高后续类型识别的准确度。

作为本发明一实施例，如图2所示，步骤102包括：步骤201至202。

S201，将所述音频信号转换成预设格式的音频信号。

其中，由于不同的终端设备，获取的音频信号的文件格式不尽相同，如MP3文件格式、MP4文件格式、AMR文件格式、或WAV文件格式等。本发明实施例中，首先将音频信号转换成预设格式的音频信号，然后对转换成预设格式的所述音频信号进行滤波。预设格式的语音信号优选为WAV文件格式。WAV文件里存储的除了文件头之外，就是用户肺部呼吸音每个采样点的采样数据，WAV文件不采用压缩技术，用户语音的采样数据很容易被读出来，便于进行后续的过程，易于实现。

S202，对转换成预设格式的所述音频信号进行滤波。

其中，在将所述音频信号转换成预设格式的音频信号后，还可以对所述音频信号进行滤波处理。

本发明实施例中WAV文件格式的用户肺部呼吸音的音频信号为经过数字化处理的音频信号，对采集的用户肺部呼吸音的音频信号，进行滤波处理，滤除50Hz的电源干扰。例如，滤波采用带通滤波器，其上下截止频率分别为f_H和f_L，生成滤波后的音频信号。示例性地，fH＝2500Hz或3000Hz，fL＝60Hz或50Hz。又如，滤波可以采用小波阈值去噪，小波阈值去噪经过小波变换可以去除数据之间的相关性，再经过小波分解，有用信号的幅值一般较大，噪声信号的幅值较小，选取适当的阈值，就可以过滤掉噪声，从而获得有用信号。

作为本发明另一实施例，如图3所示，步骤102包括：步骤301至302。

S301，将所述音频信号转换成预设格式的音频信号。

其中，步骤301与步骤201相同，此处不再赘述。

S302，对转换成预设格式的所述音频信号进行心音和肺音分离，得到肺音的音频信号。

其中，由于通常采集的肺部呼吸音的音频信号中包括心音、肌肉摩擦音、皮肤摩擦音和背景噪声等干扰信号。而且心音的频带为1Hz至800Hz，肺音的频带为100Hz至2000Hz，两个信号在很大范围内重叠，这两个信号会存在串扰。因此，需要对传感器采集到的心音和肺音信号进行处理，将其分离，得到肺音的音频信号，从而进一步提高后续分类结果的准确度。

进一步地，如图4所示，对转换成预设格式的所述音频信号进行心音和肺音分离，得到肺音的音频信号，包括：步骤401至402。

S401，对转换成预设格式的所述音频信号进行中心化和白化处理。

其中，先对转换成预设格式的所述音频信号进行中心化，即去均值，使所述音频信号的均值为零。然后再进行白化处理。

中心化后的音频信号为X，对X进行白化处理Z＝VX；V是白化矩阵，使得变换后的白化向量Z的相关矩阵R_z满足R_z＝E[ZZ^T]＝I。I为单位矩阵。

S402，通过对矢量的迭代及正交运算得到分离后的分音和肺音的音频信号。

其中，设置迭代的最大次数，收敛的门限；设置迭代次数p；

设定初始权向量W_p；

更新W_p←E[Zg(W_p ^TZ)]-E[Zg’(W_p ^TZ)]W_p；

逐次正交化W_p；

标准化W_p；

判断W_p是否收敛，不收敛，则令p＝p+1，返回更新W_p的步骤。

通过上述步骤完成了心音和肺音的分离。该过程中，首先把心肺音信号进行零均值化，然后去除信号各个分量之间的相关性，即进行白化处理，然后通过对矢量的迭代以及正交等运算，得到分离后的心音和肺音波形。

作为本发明其他实施例，在图3或图4实施例的基础上，还可以包括对音频信号进行静音切除的步骤，通过静音切除可以进一步提高后续分类结果的准确度。此处以对图3所述实施例进行改进为例进行说明，如图5所示，步骤501和步骤503，分别与步骤301和步骤302处理方式相同，此处不再赘述。预处理的过程中还包括步骤502。

S502，对转换成预设格式的所述音频信号进行静音切除，得到静音切除后的音频信号。

可选地，如图6所示，步骤502包括：步骤601至602。

S601，对转换成预设格式的音频信号进行分帧处理得到N帧子信号；其中，N为正整数。

示例性地，以帧长25ms、帧移10ms分帧处理音频信号得到N帧子信号，即每帧的长度为25毫秒，每两帧之间有25-10＝15毫秒的交叠。或以帧长20ms、帧移10ms分帧处理音频信号得到N帧子信号，即每帧的长度为20毫秒，每两帧之间有20-10＝10毫秒的交叠。

S602，计算每帧所述子信号的短时能量和过零率，基于所述短时能量和所述过零率确定N帧所述子信号中的静音帧，切除所述静音帧，得到包括剩余帧的所述音频信号。

其中，所述基于所述短时能量和所述过零率确定N帧所述子信号中的静音帧，包括：

从N帧所述子信号的第一帧开始，若连续Q帧所述子信号的所述短时能量ENERGY小于或等于预设短时能量下限，且所述过零率ZCR小于或等于预设过零率下限，以及第Q+1帧后的连续R帧所述子信号的所述短时能量大于所述预设短时能量下限，且所述过零率大于所述预设过零率下限，则确定N帧所述子信号的前Q帧所述子信号为静音帧；

从N帧所述子信号的最后一帧开始，若倒数连续S帧所述子信号的所述短时能量ENERGY小于或等于预设短时能量下限，且所述过零率ZCR小于或等于预设过零率下限，以及从第N-S帧开始倒数连续T帧所述子信号的所述短时能量大于所述预设短时能量下限，且所述过零率大于所述预设过零率下限，则确定N帧所述子信号的后S帧所述子信号为静音帧。

其中，Q、S和R均为小于N的正整数。

通过对音频信号首尾端的静音进行切除，减少了对后续步骤造成的干扰信号，提高了后续结果的精度。此外，由于本发明采用了一种易于实现的静音确定的方法，减少了整体的计算量，提高了程序运行效率。

S103，提取预处理后的所述音频信号的声学特征；

其中，通过短时傅里叶变换提取预处理后的所述音频信号的声学特征，得到所述音频信号的频率分量序列。

具体地，对预处理后的所述音频信号进行分帧和加窗；对分帧和加窗后的所述音频信号进行傅里叶变换，得到所述音频信号对应的频率分量序列，将所述频率分量序列作为所述音频信号的声学特征。

示例性地，通过窗长为128的傅里叶变换得到音频信号对应的64个频率分量序列。通过窗长为64的傅里叶变换得到音频信号对应的32个频率分量序列。

S104，通过类型识别模型分析所述声学特征，得到所述音频信号的分类结果。

其中，类型识别模型为基于机器学习技术，通过大量的音频信号样本预先训练好的用于肺部呼吸音的音频信号的类型识别的模型，音频信号的样本包括音频信号及其对应的分类信息，分类信息可以为类别对应的分类标签，音频信号覆盖各待识别的肺部呼吸音的类型。示例性地，例如，对肺部呼吸音进行7分类，7个类型分别为：鼾音、哨笛音、大水泡音、中水泡音、小水泡音、捻发音、和正常呼吸音；又如，对肺部呼吸音进行2分类，2个类型分别为：正常肺部呼吸音和异常肺部呼吸音。

用于肺部呼吸音的音频信号的类型识别模型可以为深度学习模型，例如卷积神经网络(Convolutional Neural Network，CNN)模型，循环神经网络(Recurrent NeuralNetwork，RNN)模型、或长短期记忆网络(Long Short Term Memory，LSTM)模型等。

示例性地，本发明实施例采用RNN模型，如图7所示，RNN模型采用6层的编码-解码结构。包括编码器、固定的编码层、解码器、全连接层和分类层。编码器由3层组成，依次包括128神经元的双向循环层、64神经元双向循环层、和32个循环神经元的单向层。固定的编码层为32个神经元的激活层。解码器包括64个长短时记忆单元(LSTM)。全连接层为具有256个ReLU神经元的全连接层。分类层采用KNN输出一个分类标签。

编码器里所有的循环神经元都是GRU(Gated Recurrent Unit)，它结构比较简单，通过更新门和重置门来决定对之前状态的依赖程度，从而可以很好解决远距离依赖的问题。

当采用图7这种结构的RNN时，输入的频率分量序列的长度为64个频率分量序列。需要说明的是，本领域技术人员在本发明揭露的技术范围内，可容易想到的其他的神经网络结构也应在本发明的保护范围之内，在此不一一赘述。

将音频信号的声学特征，即频率分量序列，作为类型识别模型的输入，通过类型识别模型便可以得到音频信号的类型信息，即得到所述音频信号的分类结果。

可选地，在步骤104之前还包括：获取训练样本；所述训练样本包括多个样本音频信号，及每个所述样本音频信号对应的分类标签；获取初始化的类型识别模型；利用所述训练样本训练初始化的类型识别模型，得到训练好的类型识别模型。

其中，利用训练样本训练初始化的类型识别模型之前，还可以包括对所述样本音频信号进行预处理；提取预处理后的所述样本音频信号的声学特征的步骤，该步骤与前述步骤102和103相同，此处不再赘述。

本发明实施例中，终端设备与服务器通信连接进行数据通信，服务器获取到大量样本音频信号后推送到终端设备，在终端设备中进行类型识别模型的训练，然后将训练好的类型识别模型的存储在终端设备中。在本发明其他实施例中，类型识别模型可以在终端设备出厂之前通过服务器预先训练好，然后固化在终端设备中。此外，还可以在终端设备使用该类型识别模型的过程中，利用终端设备获取到的人体或动物体的肺部呼吸音，不断对类型识别模型进行优化，从而进一步提高模型的鲁棒性和泛化性能。

样本音频信号的来源可以有很多，与步骤101相类似，这种样本音频信号的获取方式，数据来源广泛、样本量大，可涵盖样本音频信号的整体分布。不同来源的样本音频信号及对应的分类标签组成了样本数据库。该样本数据库数据来源广泛，因此学习得到的类型识别模型具有较好的鲁棒性及泛化性能。

本发明实施例中，通过对获取到的肺部呼吸音的音频信号进行预处理，然后提取音频信号的声学特征，最后通过类型识别模型分析声学特征得到肺部呼吸音的分类结果，不再需要人工的方式对呼吸音进行分类，自动化的分类方法极大提高了分类的效率，也提高了分类的准确性。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

本申请实施例还提供了一种肺部呼吸音的分类装置，为便于说明，仅示出与本申请相关的部分，如图8所示分类装置包括：

获取模块801，用于获取用户肺部呼吸音的音频信号；

预处理模块802，用于对所述音频信号进行预处理；

提取模块803，用于提取预处理后的所述音频信号的声学特征；

分析模块804，用于通过类型识别模型分析所述声学特征，得到所述音频信号的分类结果。

可选地，所述分类装置还包括训练模块，所述训练模块用于：

获取训练样本；所述训练样本包括多个样本音频信号，及每个所述样本音频信号对应的分类标签；

获取初始化的类型识别模型；

利用所述训练样本训练初始化的类型识别模型，得到训练好的类型识别模型。

需要说明的是，上述装置/模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

图9是本申请实施例提供的终端设备的示意图。如图9所示，该实施例的终端设备9包括：处理器90、存储器91以及存储在上述存储器91中并可在上述处理器90上运行的计算机程序92。上述处理器90执行上述计算机程序92时实现上述实施例中的步骤，例如图1所示的步骤101至104。

上述终端设备9可包括，但不仅限于，处理器90、存储器91。本领域技术人员可以理解，图9仅仅是终端设备9的示例，并不构成对终端设备9的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如上述终端设备9还可以包括输入输出设备、网络接入设备、总线等。

所称处理器90可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

上述存储器91可以是上述终端设备9的内部存储单元，例如终端设备9的硬盘或内存。上述存储器91也可以是上述终端设备9的外部存储设备，例如上述终端设备9上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，上述存储器91还可以既包括上述终端设备9的内部存储单元也包括外部存储设备。上述存储器91用于存储上述计算机程序以及上述终端设备所需的其它程序和数据。上述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，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、或者计算机软件和电子硬件的结合来实现。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申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上上述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种肺部呼吸音的分类方法，其特征在于，包括：

获取用户肺部呼吸音的音频信号；

对所述音频信号进行预处理；

提取预处理后的所述音频信号的声学特征；

通过类型识别模型分析所述声学特征，得到所述音频信号的分类结果。

2.如权利要求1所述的分类方法，其特征在于，还包括：

获取训练样本；所述训练样本包括多个样本音频信号，及每个所述样本音频信号对应的分类标签；

获取初始化的类型识别模型；

利用所述训练样本训练初始化的类型识别模型，得到训练好的类型识别模型。

3.如权利要求1所述的分类方法，其特征在于，对所述音频信号进行预处理，包括：

将所述音频信号转换成预设格式的音频信号；

对转换成预设格式的所述音频信号进行滤波。

4.如权利要求1所述的分类方法，其特征在于，对所述音频信号进行预处理，包括：

将所述音频信号转换成预设格式的音频信号；

对转换成预设格式的所述音频信号进行心音和肺音分离，得到肺音的音频信号。

5.如权利要求3或4所述的分类方法，其特征在于，所述提取预处理后的所述音频信号的声学特征，包括：

通过短时傅里叶变换提取预处理后的所述音频信号的声学特征，得到所述音频信号的频率分量序列。

6.如权利要求3或4所述的分类方法，其特征在于，所述将所述音频信号转换成预设格式的音频信号之后，还包括：

对转换成预设格式的所述音频信号进行静音切除，得到静音切除后的音频信号。

7.如权利要求4所述的分类方法，其特征在于，所述对转换成预设格式的所述音频信号进行心音和肺音分离，得到肺音的音频信号，包括：

对转换成预设格式的所述音频信号进行零均值化和白化处理；

通过对矢量的迭代及正交运算得到分离后的心音和肺音的音频信号。

8.一种肺部呼吸音的分类装置，其特征在于，包括：

获取模块，用于获取用户肺部呼吸音的音频信号；

预处理模块，用于对所述音频信号进行预处理；

提取模块，用于提取预处理后的所述音频信号的声学特征；

分析模块，用于通过类型识别模型分析所述声学特征，得到所述音频信号的分类结果。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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至7任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。