CN110432924B - 肠鸣音检测装置、方法和电子设备 - Google Patents
肠鸣音检测装置、方法和电子设备 Download PDFInfo
- Publication number
- CN110432924B CN110432924B CN201910722293.7A CN201910722293A CN110432924B CN 110432924 B CN110432924 B CN 110432924B CN 201910722293 A CN201910722293 A CN 201910722293A CN 110432924 B CN110432924 B CN 110432924B
- Authority
- CN
- China
- Prior art keywords
- layer
- bowel sound
- data
- bowel
- output
- 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.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/006—Detecting skeletal, cartilage or muscle 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)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Rheumatology (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种肠鸣音检测装置、方法和电子设备,涉及生理音检测技术领域,其中,该肠鸣音检测装置包括肠鸣音采集模块,用于获取肠鸣音信息;肠鸣音识别模块,用于基于神经网络训练模型对待检测的肠鸣音信息进行识别,生成肠鸣音检测结果。该装置是通过采用深度神经网络检测肠鸣音,即基于深度学习技术对声音进行识别的,相比于传统的人工检测,不仅能提高检测精度。同时,避免由于人工提取特征的复杂性,而且比其他传统方法具有更高的识别率。
Description
技术领域
本发明涉及生理音检测技术领域,具体而言,涉及一种肠鸣音检测装置、方法和电子设备。
背景技术
肠鸣音是小肠蠕动推送肠内容物(包括水和气体)时产生的声音。
目前对于肠鸣音的检测通常采用人工检测的方式。而人工检测依赖于听诊器,即利用传统听诊器来检测肠鸣音,存在主观性强,精度低,科学性差等缺点。
发明内容
本发明的目的包括,例如,提供了一种肠鸣音检测装置、方法和电子设备,其能够缓解现有技术中人工检测肠鸣音存在的精度较低的问题。
本发明的实施例可以这样实现:
第一方面,本发明实施例提供一种肠鸣音检测装置,所述装置应用于电子设备,所述装置包括:
肠鸣音采集模块,用于待检测的获取肠鸣音信息;
肠鸣音识别模块,用于基于神经网络训练模型对所述肠鸣音信息进行识别,生成肠鸣音检测结果。
在可选的实施方式中,所述装置还包括:
肠鸣音数据预处理模块,用于对所述肠鸣音数据进行数据预处理。
在可选的实施方式中,所述肠鸣音采集模块包括:第一声音传感器和第二声音传感器,其中所述第一声音传感器用于采集肠鸣音数据;所述第二声音传感器用于采集噪声数据。
在可选的实施方式中,所述第一声音传感器和所述第二声音传感器之间设置有隔音层。
在可选的实施方式中,所述肠鸣音数据预处理模块包括:肠鸣音降噪单元以及肠鸣音特征提取单元,其中所述肠鸣音降噪单元用于对所述肠鸣音信息进行降噪处理;所述肠鸣音特征提取单元用于对所述肠鸣音信息进行特征提取处理。
在可选的实施方式中,所述神经网络训练模型包括n层神经网络;其中每层神经网络包括m个基础网络结构;
每个所述基础网络结构包括输入层、第一卷积层、第一激活层、第二卷积层、第二激活层、第三卷积层以及输出层;所述第一卷积层与所述第二卷积层的卷积核膨胀间隔相同;
当m大于等于2时,对于每层神经网络,第m-1个基础网络结构的输出层的输出数据输入至第m个基础网络结构的输入层,输入至第m个基础网络结构的输入层的所述输出数据经过第m个基础网络结构的第一卷积层和第一激活层得到第一数据,输入至第m个基础网络结构的输入层的所述输出数据经过第m个基础网络结构的第二卷积层和第二激活层得到第二数据,所述第一数据和所述第二数据相乘后再经过第三卷积层后得到的中间数据与输入至第m个基础网络结构的输入层的所述输出数据相加后由第m个基础网络结构的输出层输出。
在可选的实施方式中,第m个基础网络结构的第一卷积层与所述第二卷积层的卷积核膨胀间隔均为2m-2;
第n层神经网络的第m个基础网络结构的输出层中的每个输出节点的感受视野为16n,且其满足如下条件:N≤16n,其中N为最大持续时间的肠鸣音占输入节点的个数。
第二方面,本发明实施例提供一种肠鸣音检测方法,所述方法应用于电子设备,所述方法包括:
获取待检测的肠鸣音信息;
基于神经网络训练模型对所述待检测的肠鸣音信息进行识别,生成肠鸣音检测结果。
在可选的实施方式中,所述方法还包括:对所述待检测的肠鸣音信息进行数据预处理。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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前述实施方式所述的方法的步骤。
第四方面,本发明实施例还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上存储有计算机程序,所述计算机程序被处理器运行时执行上述的方法的步骤。
本发明实施例带来了以下有益效果:本发明实施例提供的肠鸣音检测装置、方法、电子设备和计算机可读存储介质,其中,该肠鸣音检测装置包括肠鸣音采集模块,用于获取肠鸣音信息;肠鸣音识别模块,用于基于神经网络训练模型对所述肠鸣音信息进行识别,生成肠鸣音检测结果。因此,本发明实施例提供的技术方案,通过采用深度神经网络检测肠鸣音,该装置是基于深度学习技术对声音进行识别的,相比于传统的人工检测,不仅能提高检测精度。同时,避免由于人工提取特征的复杂性,而且比其他传统方法具有更高的识别率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本实施例提供的一种肠鸣音检测装置的示意图;
图2为本实施例提供的另一种肠鸣音检测装置的示意图;
图3为本实施例提供的肠鸣音降噪单元执行的降噪处理的工作原理图;
图4为本实施例提供的基础网络结构的示意图;
图5为本实施例提供的第1个基础网络结构的Dilate卷积层的示意图;
图6为本实施例提供的第2个基础网络结构的Dilate卷积层的示意图;
图7为本实施例提供的一种肠鸣音检测方法的流程图;
图8为本实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,若出现术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在不冲突的情况下,本发明的实施例中的特征可以相互结合。
请参考图1,本发明实施例提供了一种肠鸣音检测装置,该装置应用于电子设备,包括:
肠鸣音采集模块100,用于获取待检测的肠鸣音信息;
上述的肠鸣音信息可以是包含噪音数据(例如心音等)以及肠鸣音数据的语音信息,也可以是仅包含肠鸣音数据(例如经过降噪等处理)的语音信息。
这里肠鸣音采集模块可以通过直接接收用户输入的肠鸣音信息也可以是通过采集设备(例如声音传感器)采集得到肠鸣音信息。
肠鸣音识别模块300,用于基于神经网络训练模型对所述肠鸣音信息进行识别,生成肠鸣音检测结果。
其中上述的神经网络训练模型是通过利用已知的肠鸣音样本数据(即问题)和肠鸣音样本数据对应的标注数据(即答案)对预先建立的神经网络模型进行监督式学习训练得到的;可以理解的是,上述的神经网络训练模型的结构与预先建立的神经网络模型的结构是相同的。
具体的,神经网络训练模型的结构或神经网络模型的结构包括n层神经网络;其中每层神经网络包括m个基础网络结构;m、n均为大于等于1的整数;
每个所述基础网络结构包括输入层、第一卷积层、第一激活层、第二卷积层、第二激活层、第三卷积层以及输出层;所述第一卷积层与所述第二卷积层的卷积核膨胀间隔相同;输出层包括多个输出节点。
当m大于等于2时,对于每层神经网络,第m-1个基础网络结构的输出层的输出数据输入至第m个基础网络结构的输入层,输入至第m个基础网络结构的输入层的输出数据经过第m个基础网络结构的第一卷积层和第一激活层得到第一数据,输入至第m个基础网络结构的输入层的所述输出数据经过第m个基础网络结构的第二卷积层和第二激活层得到第二数据,所述第一数据和所述第二数据相乘后再经过第三卷积层后得到的中间数据与输入至第m个基础网络结构的输入层的所述输出数据相加后由第m个基础网络结构的输出层输出。
当n至少为2时,第n-1层神经网络与第n层神经网络相连接,且第n-1层神经网络的输出数据作为第n层神经网络的输入数据。即第n-1层神经网络的最后一个(即第m个)基础网络结构的输出层的输出数据可以作为第n层神经网络的第一个(或首个)基础网络结构的输入层的输入数据。
换言之,上一层神经网络的输出连接下一层神经网络的输入,在一个神经网络中,上一个基础网络结构的输出连接下一个基础网络结构的输入。
第m个基础网络结构的第一卷积层与所述第二卷积层的卷积核膨胀间隔均为2m-2;
第n层神经网络的第m个基础网络结构的输出层中的每个输出节点的感受视野为16n,且其满足如下条件:N≤16n,其中N为最大持续时间的肠鸣音占输入节点的个数。即为了保证最后一层神经网络每个输出节点能够获取到充分信息,需要满足最大持续时间的肠鸣音占输入节点的个数N≤16n。
需要指出的是,下面以两种情况对于N的确定方式进行说明:
情况一:在肠鸣音信息未经过数据预处理的MFCC特征提取步骤时:
最大持续时间的肠鸣音占输入节点的个数N=T*fs,其中T为肠鸣音最大持续时间,fs为采样用的传感器采样频率。
情况二:在肠鸣音信息经过数据预处理的MFCC特征提取步骤时:
N=T*fs/Step,其中Step为MFCC滑动步长,即MFCC窗口长度-MFCC重叠部分。
进一步的,第一卷积层和第二卷积层为dilate卷积层,第一激活层为tanh激活层,第二激活层为sigmoid激活层,第三卷积层为causal卷积层。
进一步的,dilate卷积层卷积核大小为7,causal卷积核大小为1。
根据本实施例提供的一种肠鸣音检测装置,肠鸣音检测装置的工作原理是:通过肠鸣音采集模块来获取待检测的肠鸣音信息;然后由肠鸣音识别模块对待检测的肠鸣音信息进行识别,生成肠鸣音检测结果。该肠鸣音检测装置是利用深度神经网络对肠鸣音进行检测,相比于人工检测肠鸣音,检测精度较高。
进一步的,如图2所示,该肠鸣音检测装置还包括:
肠鸣音数据预处理模块200,用于对所述肠鸣音数据进行数据预处理。
上述的数据预处理包括但不限于降噪处理和特征处理提取处理;需要说明的是,降噪处理和特征提取处理的顺序是根据实际需要选取的,例如可以先进行降噪处理,然后再进行特征提取处理。
进一步的,肠鸣音数据预处理模块200包括肠鸣音降噪单元201以及肠鸣音特征提取单元202,其中,其中肠鸣音降噪单元201用于对肠鸣音信息进行降噪处理;肠鸣音特征提取单元202用于对肠鸣音信息进行特征提取处理。
具体的,肠鸣音降噪单元用于采用LMS(Least Mean Square,最小均方)算法对所述肠鸣音信息进行降噪处理;肠鸣音特征提取单元用于采用MFCC(Mel-scaleFrequencyCepstral Coefficients,梅尔频率倒谱系数)算法对所述肠鸣音信息进行特征提取处理。
需要指出的是,MFCC算法的窗口参数可以根据实际需求设置,上述的窗口参数包括滑动窗口长度(len,以频率表征),相邻滑动窗口重叠(lap,以频率表征)。
进一步的,肠鸣音信息包括肠鸣音数据以及噪声数据;肠鸣音采集模块包括:第一声音传感器101和第二声音传感器102,其中第一声音传感器(又称为肠鸣音传感器)用于采集肠鸣音数据;第二声音传感器(又称为噪声传感器)用于采集噪声数据。
进一步的,为了确保第二声音传感器不含有肠鸣音数据,第一声音传感器和所述第二声音传感器之间设置有隔音层;上述的隔音层包括但不限于隔音垫;隔音层采用的是隔音材料。
进一步的,第二声音传感器设置在第一声音传感器背面;具体的,第二声音传感器紧贴在第一声音传感器背面。
通过设置隔音层和设置两者的位置关系,有利于保证肠鸣音数据采集的准确性。
下面结合图3对肠鸣音降噪单元执行的降噪处理的工作原理进行简要说明:
将第一声音传感器(肠鸣音传感器)采集到的信号作为主输入,该信号由肠鸣音信号s(k)和噪声信号n1(k)组成,将第二声音传感器(噪声传感器)采集的信号n0(k)作为参考输入,自适应滤波器先将参考输入的信号n0(k)加以滤波,产生与噪声相应的输出y(k),然后从主输入中减去(图中的“-”号表示)该输出y(k),即LMS算法输出的e(k),该输出e(k)即为降噪后的数据。
为了便于理解,下面以MFCC算法的滑动窗口长度len为100HZ,相邻滑动窗口重叠lap为40HZ,此外每一帧输出20个倒谱(cepstrum)特征为例对神经网络训练模型的构建过程进行详细说明:
1、获取预设数量的肠鸣音样本数据;
这里的肠鸣音样本数据是包含了噪音数据的肠鸣音数据,然后由专业人员(例如医护工作者)进行标注,得到与肠鸣音样本数据对应的标注数据(又称为肠鸣音分类结果)。
需要说明的是,这里的肠鸣音样本数据是通过预设采样频率fs的肠鸣音声音采集器采集获取的;上述的肠鸣音样本数据和标注数据均是以矩阵形式表示的数字量。
2、基于采集的所有的肠鸣音样本数据确定出肠鸣音最大持续时间T。
本实施例中,预设采样频率fs可以设置为4000HZ,肠鸣音最大持续时间T为0.6s。
3、基于预设采样频率fs以及肠鸣音最大持续时间T确定待构建的神经网络模型的神经网络的层数n。
由于本实施例中肠鸣音声音采集器的采样频率为fs为4000HZ,肠鸣音最大持续时间T为0.6s,则肠鸣音持续f=fs*T=2400HZ,即持续N=f/(len-lap)=2400/(100-40)=40个输入节点,那么本实施例中肠鸣音识别模块的最小层数为n=N/16=3层。
4、基于n构建神经网络模型。
本实施例中,该神经网络模型的结构包括依次连接的3层神经网络,每层神经网络包括4(即m=4)个基础网络结构;其中每个基础网络结构如图4所示,对于每层神经网络,上一个基础网络结构的输出数据输入到当前的基础网络结构的输入层(作为输入)分别经过该当前的基础网络结构的dilate卷积+tanh激活得到第一数据和dilate卷积+sigmoid激活后得到第二数据,第一数据和第二数据相乘后,再经过causal卷积与输入层相加,经过输出层输出到下一个基础网络结构。
需要说明的是,根据第m个基础网络结构的第一卷积层与第二卷积层的卷积核膨胀间隔均为2m-2;可知,第1个基础网络结构的Dilate卷积层的卷积核膨胀间隔为0,具体参照图5所示,其中第一行(上)代表输出节点,第二行代表输入节点(下);箭头代表代表网络传播方向,也可以理解为输出与输入的函数映射关系。第2个基础网络结构的Dilate卷积层的卷积核膨胀间隔为2,如图6所示。以此类推第4个基础网络结构的Dilate卷积层的卷积核膨胀间隔为(2^4-2=14)。
根据每层神经网络的第m个(最后一个)基础网络结构的输出层的输出节点的感受视野为2m,则每层的神经网络的最后一个(即第四个)基础网络结构的输出层的每个输出节点的感受视野ReceptiveField=16。
根据神经网络训练模型的第n层神经网络的每个输出节点感受视野n×2m,本实施例中,最后一层神经网络的每个输出节点的感受视野3×16。
5、基于所述肠鸣音样本数据和所述标注数据对构建的神经网络模型进行监督式学习,得到神经网络训练模型。
然后可以利用该神经网络训练模型对待检测的肠鸣音数据进行检测,得到肠鸣音检测结果(即肠鸣音分类结果)。
本实施例提供的一种肠鸣音检测装置至少具有以下优点:
通过利用构建的神经网络模型来检测肠鸣音,不仅能避免人工提取特征的复杂的同时,而且比其他传统方法具有更高的识别率。
如图7所示,本实施例也提供了一种肠鸣音检测方法,所述方法应用于电子设备,所述方法包括:
步骤S101,获取待检测的肠鸣音信息;
上述的肠鸣音信息为数字量表示的声音信号。
步骤S103,基于神经网络训练模型对所述待检测的肠鸣音信息进行识别,生成肠鸣音检测结果。
进一步的,所述方法还包括:
步骤S102,对待检测的肠鸣音信息进行数据预处理。
上述的数据预处理包括降噪处理和特征提取处理。
具体的降噪处理采用LMS算法执行,特征提取处理则采用MFCC算法进行。
本发明实施例提供的肠鸣音检测方法,与上述实施例提供的肠鸣音检测装置具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
参见图8,本发明实施例还提供一种电子设备1,包括:处理器40,存储器41,总线42和通信接口43,所述处理器40、通信接口43和存储器41通过总线42连接;处理器40用于执行存储器41中存储的可执行模块,例如计算机程序。
其中,存储器41可能包含高速随机存取存储器(RAM,Random AccessMemory),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线42可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器41用于存储程序,所述处理器40在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中,或者由处理器40实现。
处理器40可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41,处理器40读取存储器41中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的进行肠鸣音检测方法的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的方法的具体工作过程,可以参考前述装置实施例中的对应过程,在此不再赘述。
以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,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。
所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,在本发明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。
所述功能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,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (9)
1.一种肠鸣音检测装置,其特征在于,所述装置应用于电子设备,所述装置包括:
肠鸣音采集模块,用于获取待检测的肠鸣音信息;
肠鸣音识别模块,用于基于神经网络训练模型对所述肠鸣音信息进行识别,生成肠鸣音检测结果;
所述神经网络训练模型包括n层神经网络;其中每层神经网络包括m个基础网络结构;
每个所述基础网络结构包括输入层、第一卷积层、第一激活层、第二卷积层、第二激活层、第三卷积层以及输出层;第一卷积层和第二卷积层为dilate卷积层,第一激活层为tanh激活层,第二激活层为sigmoid激活层,第三卷积层为causal卷积层;
当m大于等于2时,对于每层神经网络,第m-1个基础网络结构的输出层的输出数据输入至第m个基础网络结构的输入层,输入至第m个基础网络结构的输入层的所述输出数据经过第m个基础网络结构的第一卷积层和第一激活层得到第一数据,输入至第m个基础网络结构的输入层的所述输出数据经过第m个基础网络结构的第二卷积层和第二激活层得到第二数据,所述第一数据和所述第二数据相乘后再经过第三卷积层后得到的中间数据与输入至第m个基础网络结构的输入层的所述输出数据相加后由第m个基础网络结构的输出层输出。
2.根据权利要求1所述的装置,其特征在于,所述装置还包括:
肠鸣音数据预处理模块,用于对所述肠鸣音数据进行数据预处理。
3.根据权利要求1所述的装置,其特征在于,所述肠鸣音采集模块包括:第一声音传感器和第二声音传感器,其中所述第一声音传感器用于采集肠鸣音数据;所述第二声音传感器用于采集噪声数据。
4.根据权利要求3所述的装置,其特征在于,所述第一声音传感器和所述第二声音传感器之间设置有隔音层。
5.根据权利要求2所述的装置,其特征在于,所述肠鸣音数据预处理模块包括:肠鸣音降噪单元以及肠鸣音特征提取单元,其中所述肠鸣音降噪单元用于对所述肠鸣音信息进行降噪处理;所述肠鸣音特征提取单元用于对所述肠鸣音信息进行特征提取处理。
6.根据权利要求1所述的装置,其特征在于,第m个基础网络结构的第一卷积层与所述第二卷积层的卷积核膨胀间隔均为2m-2;
第n层神经网络的第m个基础网络结构的输出层中的每个输出节点的感受视野为16n,且其满足如下条件:N≤16n,其中N为最大持续时间的肠鸣音占输入节点的个数。
7.一种肠鸣音检测方法,其特征在于,所述方法应用于电子设备,所述方法包括:
获取待检测的肠鸣音信息;
基于神经网络训练模型对所述待检测的肠鸣音信息进行识别,生成肠鸣音检测结果;
所述神经网络训练模型包括n层神经网络;其中每层神经网络包括m个基础网络结构;
每个所述基础网络结构包括输入层、第一卷积层、第一激活层、第二卷积层、第二激活层、第三卷积层以及输出层;第一卷积层和第二卷积层为dilate卷积层,第一激活层为tanh激活层,第二激活层为sigmoid激活层,第三卷积层为causal卷积层;
当m大于等于2时,对于每层神经网络,第m-1个基础网络结构的输出层的输出数据输入至第m个基础网络结构的输入层,输入至第m个基础网络结构的输入层的所述输出数据经过第m个基础网络结构的第一卷积层和第一激活层得到第一数据,输入至第m个基础网络结构的输入层的所述输出数据经过第m个基础网络结构的第二卷积层和第二激活层得到第二数据,所述第一数据和所述第二数据相乘后再经过第三卷积层后得到的中间数据与输入至第m个基础网络结构的输入层的所述输出数据相加后由第m个基础网络结构的输出层输出。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
对所述待检测的肠鸣音信息进行数据预处理。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上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上述权利要求7或8所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910722293.7A CN110432924B (zh) | 2019-08-06 | 2019-08-06 | 肠鸣音检测装置、方法和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910722293.7A CN110432924B (zh) | 2019-08-06 | 2019-08-06 | 肠鸣音检测装置、方法和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110432924A CN110432924A (zh) | 2019-11-12 |
CN110432924B true CN110432924B (zh) | 2021-10-22 |
Family
ID=68433533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910722293.7A Active CN110432924B (zh) | 2019-08-06 | 2019-08-06 | 肠鸣音检测装置、方法和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110432924B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116052725B (zh) * | 2023-03-31 | 2023-06-23 | 四川大学华西医院 | 一种基于深度神经网络的细粒度肠鸣音识别方法及装置 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1994021662A1 (en) * | 1993-03-15 | 1994-09-29 | Yale University | Diagnosis of human inflammatory bowel diseases and nucleic acid reagents therefor |
JP2013526491A (ja) * | 2010-05-10 | 2013-06-24 | 劉桂坤 | メチソシルデナフィル・クエン酸塩結晶型o及びその調製方法並びに応用 |
CN104305961A (zh) * | 2014-10-20 | 2015-01-28 | 清华大学 | 肠鸣音监测识别系统 |
CN205181376U (zh) * | 2015-11-26 | 2016-04-27 | 宁波江丰生物信息技术有限公司 | 一种肠鸣音传感器 |
CN106251880A (zh) * | 2015-06-03 | 2016-12-21 | 创心医电股份有限公司 | 识别生理声音的方法以及系统 |
CN106328150A (zh) * | 2016-08-18 | 2017-01-11 | 北京易迈医疗科技有限公司 | 嘈杂环境下的肠鸣音检测方法、装置及系统 |
CN106691498A (zh) * | 2017-02-06 | 2017-05-24 | 宁波江丰生物信息技术有限公司 | 一种肠鸣音处理系统 |
CN107613856A (zh) * | 2015-05-27 | 2018-01-19 | 深圳市长桑技术有限公司 | 一种信号获取方法与系统 |
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 |
CN108814585A (zh) * | 2018-05-03 | 2018-11-16 | 深圳竹信科技有限公司 | 心电信号处理方法、装置和计算机可读存储介质 |
CN109620154A (zh) * | 2018-12-21 | 2019-04-16 | 平安科技(深圳)有限公司 | 基于深度学习的肠鸣音识别方法及相关装置 |
CN109700477A (zh) * | 2019-02-25 | 2019-05-03 | 宁波江丰生物信息技术有限公司 | 一种固定装置及固定方法 |
CN109859285A (zh) * | 2019-01-25 | 2019-06-07 | 天津大学 | 基于空洞卷积网络的电阻抗图像重建方法 |
CN109961448A (zh) * | 2019-04-10 | 2019-07-02 | 杭州智团信息技术有限公司 | 组织病变区域勾勒方法及系统 |
CN109961059A (zh) * | 2019-04-10 | 2019-07-02 | 杭州智团信息技术有限公司 | 检测肾脏感兴趣组织区域的方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10542961B2 (en) * | 2015-06-15 | 2020-01-28 | The Research Foundation For The State University Of New York | System and method for infrasonic cardiac monitoring |
US11373672B2 (en) * | 2016-06-14 | 2022-06-28 | The Trustees Of Columbia University In The City Of New York | Systems and methods for speech separation and neural decoding of attentional selection in multi-speaker environments |
WO2018075521A2 (en) * | 2016-10-17 | 2018-04-26 | Context Ai, Llc | Systems and methods for medical diagnosis and biomarker identification using physiological sensors and machine learning |
-
2019
- 2019-08-06 CN CN201910722293.7A patent/CN110432924B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1994021662A1 (en) * | 1993-03-15 | 1994-09-29 | Yale University | Diagnosis of human inflammatory bowel diseases and nucleic acid reagents therefor |
JP2013526491A (ja) * | 2010-05-10 | 2013-06-24 | 劉桂坤 | メチソシルデナフィル・クエン酸塩結晶型o及びその調製方法並びに応用 |
CN104305961A (zh) * | 2014-10-20 | 2015-01-28 | 清华大学 | 肠鸣音监测识别系统 |
CN107613856A (zh) * | 2015-05-27 | 2018-01-19 | 深圳市长桑技术有限公司 | 一种信号获取方法与系统 |
CN106251880A (zh) * | 2015-06-03 | 2016-12-21 | 创心医电股份有限公司 | 识别生理声音的方法以及系统 |
CN205181376U (zh) * | 2015-11-26 | 2016-04-27 | 宁波江丰生物信息技术有限公司 | 一种肠鸣音传感器 |
CN106328150A (zh) * | 2016-08-18 | 2017-01-11 | 北京易迈医疗科技有限公司 | 嘈杂环境下的肠鸣音检测方法、装置及系统 |
CN106691498A (zh) * | 2017-02-06 | 2017-05-24 | 宁波江丰生物信息技术有限公司 | 一种肠鸣音处理系统 |
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 |
CN108814585A (zh) * | 2018-05-03 | 2018-11-16 | 深圳竹信科技有限公司 | 心电信号处理方法、装置和计算机可读存储介质 |
CN109620154A (zh) * | 2018-12-21 | 2019-04-16 | 平安科技(深圳)有限公司 | 基于深度学习的肠鸣音识别方法及相关装置 |
CN109859285A (zh) * | 2019-01-25 | 2019-06-07 | 天津大学 | 基于空洞卷积网络的电阻抗图像重建方法 |
CN109700477A (zh) * | 2019-02-25 | 2019-05-03 | 宁波江丰生物信息技术有限公司 | 一种固定装置及固定方法 |
CN109961448A (zh) * | 2019-04-10 | 2019-07-02 | 杭州智团信息技术有限公司 | 组织病变区域勾勒方法及系统 |
CN109961059A (zh) * | 2019-04-10 | 2019-07-02 | 杭州智团信息技术有限公司 | 检测肾脏感兴趣组织区域的方法及系统 |
Non-Patent Citations (8)
Title |
---|
Bowel Sound Detection Based on MFCC Feature and LSTM Neural Network;(Liu, Juzheng);(Yin, Yue);(Jiang, Hanjun);《Biomedical Circuits and Systems Conference》;20181231;全文 * |
Bowel sound signal enhancement using adaptive filtering - Separating heart sounds from gastrointestinal acoustic phenomena;Mansy, HA (Mansy, HA); Sandler, RH (Sandler, RH);《IEEE ENGINEERING IN MEDICINE AND BIOLOGY MAGAZINE》;19971231;第16卷(第6期);全文 * |
Comparison of parametric representations for monosyllabic word recognition in continuously spoken sentences;Davis, S.B.Mermelstein, P.;《IEEE Transactions on Acoustics, Speech and Signal Processing》;19800831;第ASSP-28卷(第4期);全文 * |
WaveNet: a generative model for raw audio;van den Oord, A.Dieleman, S.Zen, H.Simonyan, K.Vinyals, O.Graves;《arXiv》;20160912;全文 * |
中国人HD EDNRB/EDN3基因突变筛选及RET+3位点的多态性分析;周妙妮;《万方》;20061117;全文 * |
人体肠鸣音检测系统研制及肠鸣音信号处理方法研究;张和华;《万方》;20100201;全文 * |
肠鸣音数据采集及其特征提取方法;李欢;《万方》;20190118;全文 * |
肠鸣音的检测分析及其应用进展;张和华 王希龙 吴宝明;《张和华 王希龙 吴宝明》;20091231;第26卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110432924A (zh) | 2019-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Robin et al. | Evaluation of speech-based digital biomarkers: review and recommendations | |
CN106725532B (zh) | 基于语音特征与机器学习的抑郁症自动评估系统和方法 | |
CN107622797B (zh) | 一种基于声音的身体状况确定系统及方法 | |
CN106653001B (zh) | 婴儿哭声的辩识方法及其系统 | |
JP5041202B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
EP3367908A1 (en) | Programmable electronic stethoscope devices, algorithms, systems, and methods | |
Messner et al. | Crackle and breathing phase detection in lung sounds with deep bidirectional gated recurrent neural networks | |
Kwak et al. | Cardiac disorder classification by heart sound signals using murmur likelihood and hidden Markov model state likelihood | |
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 | |
CN110197235B (zh) | 一种基于独特性注意力机制的人体活动识别方法 | |
WO2017041651A1 (zh) | 一种用户数据分类的方法和设备 | |
Arora et al. | Smartphone speech testing for symptom assessment in rapid eye movement sleep behavior disorder and Parkinson’s disease | |
CN109616097A (zh) | 语音数据处理方法、装置、设备及存储介质 | |
CN110432924B (zh) | 肠鸣音检测装置、方法和电子设备 | |
CN107239897A (zh) | 一种人格职业类型测试方法及系统 | |
CN109448758A (zh) | 语音韵律异常评估方法、装置、计算机设备和存储介质 | |
CN109124606A (zh) | 一种血压计算模型构建方法及构建系统 | |
CN113223498A (zh) | 基于喉部语音信息的吞咽障碍识别方法、设备及装置 | |
Deperlioglu | Classification of segmented phonocardiograms by convolutional neural networks | |
CN114863185A (zh) | 一种轻量化超声心动图标准切面识别方法、装置和介质 | |
CN109192226A (zh) | 一种信号处理方法及装置 | |
Selvakumari et al. | A voice activity detector using SVM and Naïve Bayes classification algorithm | |
CN111938691B (zh) | 一种基础心音识别方法及设备 | |
CN112820405A (zh) | 基于喉部振动信息的吞咽障碍识别方法、设备及装置 | |
CN112802598A (zh) | 基于语音诊疗数据的实时辅助诊疗方法及系统 |
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 |