CN109805954A - 一种电子听诊器的摩擦音干扰自动消除方法 - Google Patents
一种电子听诊器的摩擦音干扰自动消除方法 Download PDFInfo
- Publication number
- CN109805954A CN109805954A CN201910063740.2A CN201910063740A CN109805954A CN 109805954 A CN109805954 A CN 109805954A CN 201910063740 A CN201910063740 A CN 201910063740A CN 109805954 A CN109805954 A CN 109805954A
- Authority
- CN
- China
- Prior art keywords
- data
- imf
- fricative
- section
- interference
- 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
Links
- 238000002555 auscultation Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000006870 function Effects 0.000 claims abstract description 23
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000009432 framing Methods 0.000 claims abstract description 4
- 238000012706 support-vector machine Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 230000008439 repair process Effects 0.000 claims description 4
- 230000000717 retained effect Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 10
- 230000008030 elimination Effects 0.000 abstract description 6
- 238000003379 elimination reaction Methods 0.000 abstract description 6
- 230000009467 reduction Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000001228 spectrum Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 208000037656 Respiratory Sounds Diseases 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 208000019693 Lung disease Diseases 0.000 description 1
- 230000002612 cardiopulmonary effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229920001971 elastomer Polymers 0.000 description 1
- 239000000806 elastomer Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001605 fetal effect Effects 0.000 description 1
- 210000003754 fetus Anatomy 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000004199 lung function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
- G10L21/0224—Processing in the time domain
-
- 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
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
- G10L21/0232—Processing in the frequency domain
-
- 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
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
-
- 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
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
-
- 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
- G10L25/45—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of analysis window
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Surgery (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Complex Calculations (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种电子听诊器的摩擦音干扰自动消除方法,涉及听诊器消音处理技术领域。本发明包括对x中第K个干扰时间区间上的数据xK进行经验模态分解得到MK个本征模函数分量:对IMF2与IMF3作低通滤波后分帧计算IMF2与IMF3相关系数,确定P个数据点区间分别记为:对数据点区间以外的数据全置零;计算并依次对P个数据点区间的边缘数据段通过三次样条插值赋以更新值。本发明快速精确地检测并定位出听诊信号中可能出现的一个或者多个摩擦音干扰区域;实现单通道听诊数据摩擦音干扰的自动消除同时实现对同一段数据内多个摩擦音干扰区域的摩擦音自动消除。
Description
技术领域
本发明属于听诊器消音处理技术领域,特别是涉及一种电子听诊器的摩擦音干扰自动消除方法。
背景技术
听诊,使得内科医生可以以一种简单易行的方式第一时间了解患者的病情。传统的听诊技术往往受到就诊地点、医技水平等因素的制约,而随着物联网(IoT)技术的蓬勃发展,各种类型的电子听诊器不断出现,使得病人的心肺音数据的实时监控、自动转录、云端诊疗与智能诊断成为可能,而电子听诊器研究过程中呈现的一系列问题也备受关注。电子听诊器通过听诊头上的换能器将微弱的心音、肺音等生理声信号转化为电信号,在实际应用中,如听诊位置的切换与调整过程中,对听诊头的移动有可能导致听诊头与衣物的摩擦声被电子听诊器所记录(比如同时无意中对听诊头施加以较大外力时),从而干扰了正常的听诊信号:如儿科诊室由于幼儿患者的配合程度低,在开展听诊过程中可能会出现摩擦音的干扰;又如在患者自主使用电子听诊器并将听诊数据云端上传的过程中,由于操作不当也可能导致出现摩擦音的干扰。
摩擦音干扰的出现,一方面使得医师的电子听诊器使用体验变差,干扰了他们的诊断结果;另一方面引入人工智能进行自动听诊时,由于摩擦音干扰导致的信号质量下降会影响后续心音定位、心肺音自动诊断的效果。对于旨在集成高精度的胎儿实时监测、心/肺功能智能评估、心/肺疾病自动诊断等功能的电子听诊器来说,能够自动定位并消除听诊信号中的摩擦音干扰,是这些人工智能功能得以实现的重要前提之一。然而,虽然电子听诊器信号可能受摩擦音干扰是电子听诊器亟待解决的问题,但目前只有很少量公开发表的文献或者专利单从硬件设计的角度来考虑该问题,而没有从后端信号处理的角度解决该问题。而在实际中,电子听诊器的硬件设计终归摆脱不了听诊头通过与人体接触将振动波转化为电信号的原理,因此硬件的改善也许能一定程度上削弱摩擦音干扰,但是不能完全杜绝摩擦音被听诊器所接收,因此目前急需从信号处理的角度来消除摩擦音干扰的方法。
目前从信号处理的角度,已有的与电子听诊器相关的专利的关注点包括:信号预处理(包括降噪、心音定位、心肺音分离等)和信号智能分析(胎心监测、基于心音的心脏疾病智能诊断、基于肺音的呼吸道疾病智能诊断)等等,但尚无专利针对信号可能受摩擦音干扰的问题提出摩擦音干扰的自动消除信号处理方案。
发明专利“能避免听诊时杂音干扰的接触式电子听诊器”(申请号CN200510063183.2)中提出了一种据称能避免听诊时杂音干扰的接触式电子听诊器,其听诊头上的接触式麦克风的外侧设有弹性体,当听诊头中的接触式麦克风在未达一定压力时,与人体保持一定距离,可避免当听诊头在身体或衣物表面移动时,相互接触收到刺耳及无关人体信息的摩擦杂音。该专利未解决的问题包括:(1)当麦克风与人体非接触时,接收到的听诊信号较为微弱,可能影响某些情况下的信号质量;(2)当听诊头中的接触式麦克风达一定压力时仍可与人体接触,此时仍可能产生摩擦音干扰。
实用新型专利“一种用于电子听诊器的降低摩擦噪音装置”(申请号CN201721387654.X)中提出了一种用于电子听诊器的降低摩擦噪音装置,其传感器与固定仓内壁紧密贴合,用于固定和支撑传感器,固定仓底面和固定仓外壁不与任何其他壳体或元器件接触,最大限度地减少摩擦噪音的传导路径,在一定程度上降低听诊器壳体与医生或患者皮肤、衣物之间的摩擦噪音。该专利仍然是从硬件布局的角度来考虑降低摩擦音干扰,而这种方式只能一定程度上改善听诊信号抗摩擦音干扰的性能,后端在某些情况下仍然可能接收到摩擦音干扰信号。
现有技术只是从硬件设计的角度来考虑摩擦音干扰消除问题,而没有从后端信号处理的角度解决该问题。由于听诊原理的限制,硬件设计带来的改善是很有限的,需要从信号处理的角度来设计摩擦音干扰自动消除方法。在这方面目前缺失的工作包括:
1、目前尚无摩擦音干扰区域的自动识别与定位方法:事实上电子听诊器中即便只有该环节,在后面的智能分析阶段也可通过屏蔽自动识别与定位出来的摩擦音干扰区域来规避该问题导致的分析误差。
2、目前尚无用于自动消除摩擦音干扰的信号处理方法:一方面摩擦音干扰区域的自动识别与定位方法的缺失导致该项工作无法开展,另一方面该问题所涉及到的单通道盲信号分离是信号处理问题中的一个难点。
发明内容
本发明的目的在于提供一种电子听诊器的摩擦音干扰自动消除方法,通过计算数据单元的梅尔倒谱系数以并确定干扰时间区间,快速精确地检测并定位出听诊信号中可能出现的一个或者多个摩擦音干扰区域;并利用摩擦音干扰区域检测定位结果,针对单通道听诊数据,较好地实现摩擦音干扰的自动消除。
为解决上述技术问题,本发明是通过以下技术方案实现的:
本发明为一种电子听诊器的摩擦音干扰自动消除方法,包括:
步骤一:读取缓存中时长为N的听诊信号采样序列x(n),n=1,2,...,N,并将其表示为向量形式x;
步骤二:利用梅尔倒谱系数(MFCC)以及支持向量机(SVM),判定x上受摩擦音干扰的K个不交迭的干扰时间区间,按时间先后顺序依次为:
[nK,begin,nK,end],[nK-1,begin,nK-1,end],...,[n1,begin,n1,end];
其中,K≥0;
步骤三:判断K的大小:若K=0,执行步骤八;若K>0,执行步骤四;
步骤四:将K个所述干扰时间区间,按后出现区间先进入后退出的方式形成堆栈;
步骤五:对x中第K个干扰时间区间上的数据xK进行经验模态分解(EMD) 得到MK个本征模函数分量:
步骤六:对IMF2与IMF3作低通滤波,然后分帧计算IMF2与IMF3的相关系数,确定相关系数大于预设阈值Thc的P个不交迭的数据段;
按先后顺序将各所述数据段对应的数据点区间分别记为: 对IMF2与IMF3上对应这些数据点区间以外的数据全置零;
步骤七:计算并依次对P个数据点区间的边缘数据段通过三次样条插值赋以更新值;
步骤八:更新x第K个干扰时间区间上的数据为:x(nK,beigin:nK,end)=x%K,移除堆栈顶部的时间区间[nK,begin,nK,end],令 K=K-1,并返回步骤三;
步骤九:输出消除摩擦音干扰的听诊信号x。
优选地,步骤二中判定x上受摩擦音干扰的K个不交迭的干扰时间区间具体包括如下:
首先,把数据x以0.2s长度作为一个数据单元进行分割,且数据单元之间交迭0.1s,计算各数据单元的梅尔倒谱系数;
若数据单元表示为s,长度为M,具体处理如下:
(1)对s加一个长度为M的汉宁窗h,并对其做NFFT点快速傅里叶变换 (FFT),计算其功率谱:
(2)利用fmel(f)=2959×log10(1+f/700)将线性频率0~fs/2转化为梅尔频率,在梅尔频率域上平均地划分出Q个连续的交迭50%的区域,并相应地构造包含Q个三角型滤波器的滤波器组ψq,q=1,2,...,Q,计算Q个加权输出:
(3)该数据段的MFCC可表示为一个Q×1维向量c,其第q个元素由计算得到;
然后,将各数据单元上计算所得的MFCC向量c除以max(|c|),并代入线性支持向量机f(c)=sign(wTc+b),其中w和b分别为该线性支持向量机的法向量和截距,当f(c)>0时判断为该数据单元有摩擦音干扰;当f(c)<0时判断为该数据单元无摩擦音干扰;
最后,若相近的两个检测出摩擦音干扰的数据单元的距离不大于0.1s,则将它们归并到同一个不间断的受摩擦音干扰的干扰时间区间,最终得到x 上受摩擦音干扰的K个不交迭的干扰时间区间,按时间先后顺序依次为: [nK,begin,nK,end],[nK-1,begin,nK-1,end],...,[n1,begin,n1,end]。
优选地,步骤五中对x中第K个干扰时间区间上的数据xK进行经验模态分解(EMD)具体包括如下:
若xK包含NK个点,设置筛选次数Sk=8,本征模函数分量最大个数
搜索xK的极大值点,并利用三次样条插值拟合出其上包络eu;
搜索xK的极小值点,并利用三次样条插值拟合出其下包络el;
计算h=xK-(eu+el)/2,并用h替代xK重复上述筛选过程Sk次后输出当前的本征模函数分量IMF=xK-h;
利用剔除已提取IMF的残差向量r代替xK;
若||r||2/||xK||2<10-6或提取的本征模函数分量等于MK,max;则输出MK个本征模函数分量:否则,重复IMF提取。
优选地,步骤六具体包括如下:
使用上截止频率为0.06π的13阶巴特沃斯数字滤波器,对IMF2与IMF3作低通滤波;
以0.02s为一个数据段,交迭0.01s,计算IMF2与IMF3各对应数据段间的相关系数;
确定相关系数大于预设阈值Thc的数据段,当相邻数据段距离小于0.01s 时将其归并为同一数据段,由此得到P个不交迭的数据段,按先后顺序将其各自对应的数据点区间分别记为:
在IMF2与IMF3上保留P个数据段上的数值,并将其他时间上的数据全置零。
优选地,步骤七中依次对P个数据点区间的边缘数据段通过三次样条插值赋以更新值具体包括如下:区间P使用
作为插值点,利用三次样条插值对上其对应边缘数据段上的点进行拟合,从而使得修复结果平滑;
按发生的先后顺序,对P个数据点区间的边缘数据段依次进行更新。
本发明具有以下有益效果:
1、本发明通过计算数据单元的梅尔倒谱系数以并确定干扰时间区间,快速精确地检测并定位出听诊信号中可能出现的一个或者多个摩擦音干扰区域;并对通过干扰时间区域上的数据xK进行经验模态分解得到对应本征模函数分量;计算相邻本征模函数分量的相关系数并判断大于预设阈值Thc的P个不交迭的数据点区间,并对数据点区间赋更新值,实现对干扰音的消除。
2、本发明可实现单通道听诊数据摩擦音干扰的自动消除同时能够实现对同一段数据内多个摩擦音干扰区域的摩擦音自动消除。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
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他的附图。
图1为本发明的一种电子听诊器的摩擦音干扰自动消除方法的流程图;
图2为本发明中具体实施例一中原始受摩擦音干扰的听诊数据波形及其时频谱图;
图3为本发明中具体实施例一中作EMD分解后得到的各本征模函数分量图;
图4为本发明具体实施例一中基于相关系数确定IMF2与IMF3在最终结果中的保留区域图;
图5为本发明具体实施例一中最终摩擦音干扰消除后的听诊数据波形及其时频谱图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1所示,本发明为一种电子听诊器的摩擦音干扰自动消除方法,包括:
步骤一:读取缓存中时长为N的听诊信号采样序列x(n),n=1,2,...,N,并将其表示为向量形式x;
步骤二:利用梅尔倒谱系数(MFCC)以及支持向量机(SVM),判定x上受摩擦音干扰的K个不交迭的干扰时间区间,按时间先后顺序依次为:
[nK,begin,nK,end],[nK-1,begin,nK-1,end],...,[n1,begin,n1,end];
其中,K≥0;
对听诊信号滑窗求梅尔倒谱系数(MFCC),提取用于检测摩擦音干扰的特征;利用线性支持向量机(SVM),实现摩擦音干扰区域的自动检测与定位;
步骤三:判断K的大小:若K=0,执行步骤八;若K>0,执行步骤四;
步骤四:将K个所述干扰时间区间,按后出现区间先进入后退出的方式形成堆栈;
步骤五:对x中第K个干扰时间区间上的数据xK进行经验模态分解(EMD) 得到MK个本征模函数分量:利用经验模态分解(EMD),初步分离摩擦音与心肺音听诊信号;
步骤六:对IMF2与IMF3作低通滤波,然后分帧计算IMF2与IMF3的相关系数,确定相关系数大于预设阈值Thc的P个不交迭的数据段;
按先后顺序将各所述数据段对应的数据点区间分别记为: 对IMF2与IMF3上对应这些数据点区间以外的数据全置零;
利用计算EMD结果中IMF2与IMF3的相关系数,进一步确定IMF2和IMF3中与心肺音听诊信号相对应的区域,避免自动消除摩擦音干扰后听诊信号细节的丢失;
步骤七:计算并依次对P个数据点区间的边缘数据段通过三次样条插值赋以更新值;
利用三次样条插值,保证了自动消除摩擦音干扰后听诊信号的平滑性;
步骤八:更新x第K个干扰时间区间上的数据为: x(nK,beigin:nK,end)=x%K,移除堆栈顶部的时间区间[nK,begin,nK,end],令 K=K-1,并返回步骤三;
利用堆栈的“先进后出”特点,可依次实现多个区域的摩擦音干扰自动消除;
步骤九:输出消除摩擦音干扰的听诊信号x。
优选地,步骤二中判定x上受摩擦音干扰的K个不交迭的干扰时间区间具体包括如下:
首先,把数据x以0.2s长度作为一个数据单元进行分割,且数据单元之间交迭0.1s,计算各数据单元的梅尔倒谱系数;
若数据单元表示为s,长度为M,具体处理如下:
(4)对s加一个长度为M的汉宁窗h,并对其做NFFT点快速傅里叶变换 (FFT),计算其功率谱:
(5)利用fmel(f)=2959×log10(1+f/700)将线性频率0~fs/2转化为梅尔频率,在梅尔频率域上平均地划分出Q个连续的交迭50%的区域,并相应地构造包含Q个三角型滤波器的滤波器组ψq,q=1,2,...,Q,计算Q个加权输出:
(6)该数据段的MFCC可表示为一个Q×1维向量c,其第q个元素由计算得到;
然后,将各数据单元上计算所得的MFCC向量c除以max(|c|),并代入线性支持向量机f(c)=sign(wTc+b),其中w和b分别为该线性支持向量机的法向量和截距,当f(c)>0时判断为该数据单元有摩擦音干扰;当f(c)<0时判断为该数据单元无摩擦音干扰;
最后,若相近的两个检测出摩擦音干扰的数据单元的距离不大于0.1s,则将它们归并到同一个不间断的受摩擦音干扰的干扰时间区间,最终得到x 上受摩擦音干扰的K个不交迭的干扰时间区间,按时间先后顺序依次为: [nK,begin,nK,end],[nK-1,begin,nK-1,end],...,[n1,begin,n1,end]。
优选地,步骤五中对x中第K个干扰时间区间上的数据xK进行经验模态分解(EMD)具体包括如下:
若xK包含NK个点,设置筛选次数Sk=8,本征模函数分量最大个数
搜索xK的极大值点,并利用三次样条插值拟合出其上包络eu;
搜索xK的极小值点,并利用三次样条插值拟合出其下包络el;
计算h=xK-(eu+el)/2,并用h替代xK重复上述筛选过程Sk次后输出当前的本征模函数分量IMF=xK-h;
利用剔除已提取IMF的残差向量r代替xK;
若||r||2/||xK||2<10-6或提取的本征模函数分量等于MK,max;则输出MK个本征模函数分量:否则,重复IMF提取。
优选地,步骤六具体包括如下:
使用上截止频率为0.06π的13阶巴特沃斯数字滤波器,对IMF2与IMF3作低通滤波;
以0.02s为一个数据段,交迭0.01s,计算IMF2与IMF3各对应数据段间的相关系数;
确定相关系数大于预设阈值Thc的数据段,当相邻数据段距离小于0.01s 时将其归并为同一数据段,由此得到P个不交迭的数据段,按先后顺序将其各自对应的数据点区间分别记为:
在IMF2与IMF3上保留P个数据段上的数值,并将其他时间上的数据全置零。
优选地,步骤七中依次对P个数据点区间的边缘数据段通过三次样条插值赋以更新值具体包括如下:区间P使用
作为插值点,利用三次样条插值对上其对应边缘数据段上的点进行拟合,从而使得修复结果平滑;
按发生的先后顺序,对P个数据点区间的边缘数据段依次进行更新。
具体实施例一:
请参考图2所示,读取一段时长3秒、采样率fs=4kHz、其间受摩擦音干扰的听诊数据x,除以绝对值最大的点以进行归一化,图2中为波形和时频谱图。
把数据x以0.2s长度作为一个数据单元进行分割,且数据单元之间交迭 0.1s,计算各数据单元的MFCC。假设某数据单元表示为s,长度为 M=0.2×4000=800,作如下操作:
对s加一个长度为M=800点的汉宁窗h,并对其做点 FFT,计算功率谱:
利用fmel(f)=2959×log10(1+f/700)将线性频率0~fs/2转化为梅尔频率,在梅尔频率域上平均地划分出Q=20个连续的交迭50%的区域,并相应地构造包含Q=20个三角型滤波器的滤波器组ψq,q=1,2,...,Q,计算Q=20个加权输出:将该数据段的MFCC表示为一个Q×1维向量c,其第q个元素由计算得到。
然后,将各数据单元上计算所得的MFCC向量c除以max(|c|),并代入线性 SVM:f(c)=sign(wTc+b),其中w和b分别为该线性支持向量机的法向量和截距,由带标签的560段有摩擦音干扰的听诊数据段和850段无摩擦音干扰的听诊数据段训练得到,当f(c)>0时判断为该数据单元有摩擦音干扰;当 f(c)<0时判断为该数据单元无摩擦音干扰。
最后,若相近的两个检测出摩擦音干扰的数据单元的距离不大于0.1s,则将它们归并到同一个不间断的受摩擦音干扰的时间区间,最终得到x上受摩擦音干扰的1个时间区间:[nbegin,nend],其中nbegin=1.4秒,nend=2.2秒,如图2虚线框所示。
将受摩擦音干扰的时间区间[nbegin,nend]上的数据表示为xK,其包含 NK=0.8×4000=3200个点,设置筛选次数Sk=8,本征模函数分量个数最大值
搜索xK的极大值点,并利用三次样条插值拟合出其上包络eu;搜索xK的极小值点,并利用三次样条插值拟合出其下包络el;计算h=xK-(eu+el)/2,并用h替代xK重复上述筛选过程Sk次后输出当前的本征模函数分量 IMF=xk-h。
利用剔除已提取IMF的残差向量r代替xK,重复上述IMF提取过程若干次,当达到||r||2/||xK||2<10-6或者提取的本征模函数分量等于MK,max时结束,最后得到MK=9个本征模函数分量:见图3所示。
使用上截止频率为0.06π的13阶巴特沃斯数字滤波器,对IMF2与IMF3作低通滤波;以0.02s为一个数据段,交迭0.01s,计算IMF2与IMF3各对应数据段间的相关系数;确定相关系数大于预设阈值Thc=0.45的数据段,当相邻数据段距离小于0.02s时将其归并为同一数据段,由此得到P=4个不交迭的数据段,按先后顺序将其各自对应的数据点区间分别记为 其结果如图4所示(虚线框内为所选区间);在IMF2与IMF3上保留P个数据段上的数值,并将其他时间上的数据全置零。
计算并依次对其P个数据点区间的边缘数据段通过三次样条插值赋以更新值:给定L=10,区间P使用作为插值点,利用三次样条插值对上其对应边缘数据段
上的点进行拟合,从而使得修复结果平滑;按发生的先后顺序,对P个数据点区间的边缘数据段依次进行更新。
更新原始数据x的摩擦音干扰区间上的数据为x(nK,beigin:nK,end)=x%K,输出消除摩擦音干扰的听诊信号x,其结果波形和对应的时频图如图5所示,由图可见消除摩擦音干扰后的区间信号特性与无摩擦音干扰的区间信号特性非常相似,而经播放通过专家检验也证明了该方法的性能。
值得注意的是,上述系统实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
另外,本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,相应的程序可以存储于一计算机可读取存储介质中。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (5)
1.一种电子听诊器的摩擦音干扰自动消除方法,其特征在于,包括:
步骤一:读取缓存中时长为N的听诊信号采样序列x(n),n=1,2,...,N,并将其表示为向量形式x;
步骤二:利用梅尔倒谱系数以及支持向量机,判定x上受摩擦音干扰的K个不交迭的干扰时间区间,按时间先后顺序依次为:
[nK,begin,nK,end],[nK-1,begin,nK-1,end],...,[n1,begin,n1,end];
其中,K≥0;
步骤三:判断K的大小:若K=0,执行步骤八;若K>0,执行步骤四;
步骤四:将K个所述干扰时间区间,按后出现区间先进入后退出的方式形成堆栈;
步骤五:对x中第K个干扰时间区间上的数据xK进行经验模态分解得到MK个本征模函数分量:IMF1,IMF2,...,IMFMK;
步骤六:对IMF2与IMF3作低通滤波,然后分帧计算IMF2与IMF3的相关系数,确定相关系数大于预设阈值Thc的P个不交迭的数据段;
按先后顺序将各所述数据段对应的数据点区间分别记为: 对IMF2与IMF3上对应这些数据点区间以外的数据全置零;
步骤七:计算并依次对P个数据点区间的边缘数据段通过三次样条插值赋以更新值;
步骤八:更新x第K个干扰时间区间上的数据为:x(nK,beigin:nK,end)=x%K,移除堆栈顶部的时间区间[nK,begin,nK,end],令K=K-1,并返回步骤三;
步骤九:输出消除摩擦音干扰的听诊信号x。
2.根据权利要求1所述的一种电子听诊器的摩擦音干扰自动消除方法,其特征在于,步骤二中判定x上受摩擦音干扰的K个不交迭的干扰时间区间具体包括如下:
首先,把数据x以0.2s长度作为一个数据单元进行分割,且数据单元之间交迭0.1s,计算各数据单元的梅尔倒谱系数;
然后,将各数据单元上计算所得的MFCC向量c除以max(|c|),并代入线性支持向量机f(c)=sign(wTc+b),其中w和b分别为该线性支持向量机的法向量和截距,当f(c)>0时判断为该数据单元有摩擦音干扰;当f(c)<0时判断为该数据单元无摩擦音干扰;
最后,若相近的两个检测出摩擦音干扰的数据单元的距离不大于0.1s,则将它们归并到同一个不间断的受摩擦音干扰的干扰时间区间,最终得到x上受摩擦音干扰的K个不交迭的干扰时间区间,按时间先后顺序依次为:[nK,begin,nK,end],[nK-1,begin,nK-1,end],...,[n1,begin,n1,end]。
3.根据权利要求1所述的一种电子听诊器的摩擦音干扰自动消除方法,其特征在于,步骤五中对x中第K个干扰时间区间上的数据xK进行经验模态分解具体包括如下:
若xK包含NK个点,设置筛选次数Sk=8,本征模函数分量最大个数
搜索xK的极大值点,并利用三次样条插值拟合出其上包络eu;
搜索xK的极小值点,并利用三次样条插值拟合出其下包络el;
计算h=xK-(eu+el)/2,并用h替代xK重复上述筛选过程Sk次后输出当前的本征模函数分量IMF=xK-h;
利用剔除已提取IMF的残差向量r代替xK;
若||r||2/||xK||2<10-6或提取的本征模函数分量等于MK,max;则输出MK个本征模函数分量:否则,重复IMF提取。
4.根据权利要求1所述的一种电子听诊器的摩擦音干扰自动消除方法,其特征在于,步骤六具体包括如下:
使用上截止频率为0.06π的13阶巴特沃斯数字滤波器,对IMF2与IMF3作低通滤波;
以0.02s为一个数据段,交迭0.01s,计算IMF2与IMF3各对应数据段间的相关系数;
确定相关系数大于预设阈值Thc的数据段,当相邻数据段距离小于0.01s时将其归并为同一数据段,由此得到P个不交迭的数据段,按先后顺序将其各自对应的数据点区间分别记为:
在IMF2与IMF3上保留P个数据段上的数值,并将其他时间上的数据全置零。
5.根据权利要求1所述的一种电子听诊器的摩擦音干扰自动消除方法,其特征在于,步骤七中依次对P个数据点区间的边缘数据段通过三次样条插值赋以更新值具体包括如下:区间P使用
作为插值点,利用三次样条插值对上其对应边缘数据段上的点进行拟合,从而使得修复结果平滑;
按发生的先后顺序,对P个数据点区间的边缘数据段依次进行更新。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910063740.2A CN109805954B (zh) | 2019-01-23 | 2019-01-23 | 一种电子听诊器的摩擦音干扰自动消除方法 |
PCT/CN2019/091484 WO2020151169A1 (zh) | 2019-01-23 | 2019-06-17 | 一种电子听诊器的摩擦音干扰自动消除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910063740.2A CN109805954B (zh) | 2019-01-23 | 2019-01-23 | 一种电子听诊器的摩擦音干扰自动消除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109805954A true CN109805954A (zh) | 2019-05-28 |
CN109805954B CN109805954B (zh) | 2021-09-14 |
Family
ID=66604929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910063740.2A Active CN109805954B (zh) | 2019-01-23 | 2019-01-23 | 一种电子听诊器的摩擦音干扰自动消除方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109805954B (zh) |
WO (1) | WO2020151169A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110236589A (zh) * | 2019-06-03 | 2019-09-17 | 苏州美糯爱医疗科技有限公司 | 一种电子听诊器的实时心肺音自动分离方法 |
CN110970042A (zh) * | 2019-12-13 | 2020-04-07 | 苏州美糯爱医疗科技有限公司 | 一种电子听诊器的肺部啰音人工智能实时分类方法、系统、装置及可读存储介质 |
WO2020151169A1 (zh) * | 2019-01-23 | 2020-07-30 | 苏州美糯爱医疗科技有限公司 | 一种电子听诊器的摩擦音干扰自动消除方法 |
CN112190280A (zh) * | 2020-10-13 | 2021-01-08 | 苏州美糯爱医疗科技有限公司 | 一种电子听诊器背景音干扰实时自动抵消方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117473338B (zh) * | 2023-12-25 | 2024-03-08 | 东北大学 | 一种核电用泵机运行监测方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014160678A2 (en) * | 2013-03-26 | 2014-10-02 | Dolby Laboratories Licensing Corporation | 1apparatuses and methods for audio classifying and processing |
CN105573104A (zh) * | 2015-12-16 | 2016-05-11 | 上海大学 | 基于改进emd的手表检测降噪方法 |
CN106021948A (zh) * | 2016-05-30 | 2016-10-12 | 清华大学 | 一种面向肠鸣音信号监护系统的信号处理方法 |
CN106510751A (zh) * | 2016-09-28 | 2017-03-22 | 华南师范大学 | 多功能电子听诊器及听诊系统 |
WO2017106454A1 (en) * | 2015-12-16 | 2017-06-22 | Dolby Laboratories Licensing Corporation | Suppression of breath in audio signals |
CN107174278A (zh) * | 2017-06-20 | 2017-09-19 | 重庆睿凡科技发展有限公司 | 一种用于消除干扰的心力监测系统与方法 |
WO2017205382A1 (en) * | 2016-05-23 | 2017-11-30 | The University Of New Hampshire | Techniques for empirical mode decomposition (emd)-based signal de-noising using statistical properties of intrinsic mode functions (imfs) |
CN107928673A (zh) * | 2017-11-06 | 2018-04-20 | 腾讯科技(深圳)有限公司 | 音频信号处理方法、装置、存储介质和计算机设备 |
CN108802175A (zh) * | 2018-07-27 | 2018-11-13 | 中国计量大学 | 一种基于emd的脉冲涡流检测信号降噪方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103730109B (zh) * | 2014-01-14 | 2016-02-03 | 重庆大学 | 一种公共场所异常声音特征提取方法 |
US10765399B2 (en) * | 2015-10-30 | 2020-09-08 | The Johns Hopkins University | Programmable electronic stethoscope devices, algorithms, systems, and methods |
CN105976831A (zh) * | 2016-05-13 | 2016-09-28 | 中国人民解放军国防科学技术大学 | 基于哭声识别的遗漏孩童检测方法 |
CN105962967A (zh) * | 2016-05-23 | 2016-09-28 | 四川长虹电器股份有限公司 | 基于双麦克听诊器的心音去噪方法 |
CN206499478U (zh) * | 2016-09-28 | 2017-09-19 | 华南师范大学 | 多功能电子听诊器 |
US10159459B2 (en) * | 2016-11-11 | 2018-12-25 | iMEDI PLUS Inc. | Multi-mic sound collector and system and method for sound localization |
CN107506750A (zh) * | 2017-09-12 | 2017-12-22 | 刘子由 | 基于hht技术的心音信号三维特征分析识别方法 |
CN108175436A (zh) * | 2017-12-28 | 2018-06-19 | 北京航空航天大学 | 一种肠鸣音智能自动识别方法 |
CN109805954B (zh) * | 2019-01-23 | 2021-09-14 | 苏州美糯爱医疗科技有限公司 | 一种电子听诊器的摩擦音干扰自动消除方法 |
-
2019
- 2019-01-23 CN CN201910063740.2A patent/CN109805954B/zh active Active
- 2019-06-17 WO PCT/CN2019/091484 patent/WO2020151169A1/zh active Application Filing
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014160678A2 (en) * | 2013-03-26 | 2014-10-02 | Dolby Laboratories Licensing Corporation | 1apparatuses and methods for audio classifying and processing |
CN105573104A (zh) * | 2015-12-16 | 2016-05-11 | 上海大学 | 基于改进emd的手表检测降噪方法 |
WO2017106454A1 (en) * | 2015-12-16 | 2017-06-22 | Dolby Laboratories Licensing Corporation | Suppression of breath in audio signals |
WO2017205382A1 (en) * | 2016-05-23 | 2017-11-30 | The University Of New Hampshire | Techniques for empirical mode decomposition (emd)-based signal de-noising using statistical properties of intrinsic mode functions (imfs) |
CN106021948A (zh) * | 2016-05-30 | 2016-10-12 | 清华大学 | 一种面向肠鸣音信号监护系统的信号处理方法 |
CN106510751A (zh) * | 2016-09-28 | 2017-03-22 | 华南师范大学 | 多功能电子听诊器及听诊系统 |
CN107174278A (zh) * | 2017-06-20 | 2017-09-19 | 重庆睿凡科技发展有限公司 | 一种用于消除干扰的心力监测系统与方法 |
CN107928673A (zh) * | 2017-11-06 | 2018-04-20 | 腾讯科技(深圳)有限公司 | 音频信号处理方法、装置、存储介质和计算机设备 |
CN108802175A (zh) * | 2018-07-27 | 2018-11-13 | 中国计量大学 | 一种基于emd的脉冲涡流检测信号降噪方法 |
Non-Patent Citations (1)
Title |
---|
罗玉昆,罗诗途等: "激光超声信号去噪的经验模态分解实现及改进", 《光学精密工程》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020151169A1 (zh) * | 2019-01-23 | 2020-07-30 | 苏州美糯爱医疗科技有限公司 | 一种电子听诊器的摩擦音干扰自动消除方法 |
CN110236589A (zh) * | 2019-06-03 | 2019-09-17 | 苏州美糯爱医疗科技有限公司 | 一种电子听诊器的实时心肺音自动分离方法 |
CN110236589B (zh) * | 2019-06-03 | 2022-04-29 | 苏州美糯爱医疗科技有限公司 | 一种电子听诊器的实时心肺音自动分离方法 |
CN110970042A (zh) * | 2019-12-13 | 2020-04-07 | 苏州美糯爱医疗科技有限公司 | 一种电子听诊器的肺部啰音人工智能实时分类方法、系统、装置及可读存储介质 |
CN110970042B (zh) * | 2019-12-13 | 2023-04-18 | 苏州美糯爱医疗科技有限公司 | 一种电子听诊器的肺部啰音人工智能实时分类方法、系统、装置及可读存储介质 |
CN112190280A (zh) * | 2020-10-13 | 2021-01-08 | 苏州美糯爱医疗科技有限公司 | 一种电子听诊器背景音干扰实时自动抵消方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2020151169A1 (zh) | 2020-07-30 |
CN109805954B (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109805954A (zh) | 一种电子听诊器的摩擦音干扰自动消除方法 | |
CN103479383B (zh) | 心音信号分析的装置和具有其的智能心脏听诊器 | |
Sepehri et al. | A novel method for pediatric heart sound segmentation without using the ECG | |
Papadaniil et al. | Efficient heart sound segmentation and extraction using ensemble empirical mode decomposition and kurtosis features | |
Andrès et al. | Respiratory sound analysis in the era of evidence-based medicine and the world of medicine 2.0 | |
El-Segaier et al. | Computer-based detection and analysis of heart sound and murmur | |
Ricke et al. | Automatic segmentation of heart sound signals using hidden Markov models | |
US20110257548A1 (en) | Method and system for processing heart sound signals | |
US11534108B2 (en) | Screening device, method, and system for structural heart disease | |
US20040260188A1 (en) | Automated auscultation system | |
Oskiper et al. | Detection of the first heart sound using a time-delay neural network | |
Pretorius et al. | Development of a pediatric cardiac computer aided auscultation decision support system | |
CN203555751U (zh) | 一种基于时频分析的腹部肠鸣音分析仪系统 | |
CN109893163A (zh) | 一种自动定位并修复电子听诊器削波失真波形的方法 | |
Puspasari et al. | A new heart sound signal identification approach suitable for smart healthcare systems | |
Wang et al. | Detection of the first and second heart sound using heart sound energy | |
Kharshid et al. | Classification of short-time single-lead ECG recordings using deep residual CNN | |
Kahankova et al. | A review of recent advances and future developments in fetal phonocardiography | |
Yang et al. | Classification of phonocardiogram signals based on envelope optimization model and support vector machine | |
CN201683910U (zh) | 智能心肺分析仪 | |
Elgendi et al. | Detection of Heart Sounds in Children with and without Pulmonary Arterial Hypertension―Daubechies Wavelets Approach | |
Ghassemian et al. | Early detection of pediatric heart disease by automated spectral analysis of phonocardiogram | |
Prasad et al. | Detection of S1 and S2 locations in phonocardiogram signals using zero frequency filter | |
Mansy et al. | Detection and analysis of gastrointestinal sounds in normal and small bowel obstructed rats | |
Behbahani | A hybrid algorithm for heart sounds segmentation based on phonocardiogram |
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 |