CN111653273A - 一种基于智能手机的院外肺炎初步识别方法 - Google Patents
一种基于智能手机的院外肺炎初步识别方法 Download PDFInfo
- Publication number
- CN111653273A CN111653273A CN202010517812.9A CN202010517812A CN111653273A CN 111653273 A CN111653273 A CN 111653273A CN 202010517812 A CN202010517812 A CN 202010517812A CN 111653273 A CN111653273 A CN 111653273A
- Authority
- CN
- China
- Prior art keywords
- pneumonia
- patient
- cough
- suspected
- training
- 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.)
- Pending
Links
- 206010035664 Pneumonia Diseases 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 49
- 206010011224 Cough Diseases 0.000 claims abstract description 89
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 208000023504 respiratory system disease Diseases 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 43
- 238000012360 testing method Methods 0.000 claims description 36
- 239000013598 vector Substances 0.000 claims description 24
- 238000013145 classification model Methods 0.000 claims description 17
- 230000036760 body temperature Effects 0.000 claims description 13
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 11
- 201000010099 disease Diseases 0.000 claims description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 10
- 238000003745 diagnosis Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000007477 logistic regression Methods 0.000 claims 1
- 206010022000 influenza Diseases 0.000 abstract description 5
- 206010011409 Cross infection Diseases 0.000 abstract description 4
- 206010029803 Nosocomial infection Diseases 0.000 abstract description 4
- 238000012706 support-vector machine Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 3
- 210000004072 lung Anatomy 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 206010061218 Inflammation Diseases 0.000 description 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 206010057190 Respiratory tract infections Diseases 0.000 description 1
- 206010046306 Upper respiratory tract infection Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000002757 inflammatory effect Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 206010037833 rales Diseases 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000020029 respiratory tract infectious disease Diseases 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
Images
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
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/16—Speech classification or search using artificial neural networks
-
- 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
- G10L25/66—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 for extracting parameters related to health condition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种基于智能手机的院外肺炎初步识别方法,包括基于咳嗽音的肺炎疑似程度算法流程、基于患者的肺炎疑似程度算法流程以及基于智能手机的院外肺炎初步识别方法的整体检测流程;针对当前还没有针对医院以外的肺炎自动识别方法。流感爆发期间,大量呼吸道疾病患者涌入医院,造成医院就诊压力过大,同时对患者也造成不便。采用本发明技术方案,能够使患者在家中了解自己是否有可能患有肺炎,帮助患者决策是否有必要立即去医院就诊,从而减轻医院的就诊压力,减少患者交叉感染的风险,合理地调配医疗资源。
Description
技术领域
本发明涉及人工智能领域,具体涉及一种基于智能手机的院外肺炎初步识别方法。
背景技术
肺炎指终末气道、肺泡和肺间质发生炎症,是一种常见的呼吸系统疾病。目前在临床诊断过程中,通常由医生用听诊器听取患者肺部是否有湿罗音,若有则进一步作CT胸片检查,若肺部影像中可见炎性浸润阴影,则基本可判定为肺炎。因此,当前城市中的大中型医院对于肺炎的诊断并非难事。但在流感爆发期间,医院经常是人满为患的状态,患者不一定能在第一时间挂到号并作相应的检查,而其中大部分患者可能仅仅是普通上呼吸道感染,本可在家自行痊愈。
随着人工智能和大数据技术的发展,通过分析患者的咳嗽音和体征信息初步判断是否为肺炎已成为可能。将自动分析算法移植到手机App上,初步识别患者是否患有肺炎,若明显排除肺炎结果的,患者可先在家观察、休息,以缓解流感高峰时期医院的就诊压力,同时也可避免交叉感染的风险。
发明内容
有鉴于此,本发明提出一种基于智能手机的院外肺炎初步识别方法,目前已有大量研究表明咳嗽的特征取决于潜在疾病的种类,我们所听到的咳嗽音就包含了部分隐藏的病理信息。通过对咳嗽音的分析并结合患者的体温、呼吸率等体征信息,我们可以初步识别患者是否患有肺炎,若疑似肺炎则立即去医院就诊,若明显排除肺炎的可先在家休息、观察。
为实现上述目的,本发明提供如下技术方案:
一种基于智能手机的院外肺炎初步识别方法,主要包含两个算法模块,一是基于咳嗽音的肺炎疑似程度,二是在咳嗽音的基础上结合体征信息的患者疑似肺炎程度,以及基于智能手机的院外肺炎初步识别方法的整体检测流程;
(一)、基于咳嗽音的肺炎疑似程度算法流程:
步骤(1.1):利用智能手机的录音功能在医院大量采集咳嗽患者的咳嗽音信号并保存;
步骤(1.2):根据患者的诊断意见(医生所开具的诊断书结论,下同)将咳嗽音信号分为正负两类:正类为肺炎患者的咳嗽音信号,负类为非肺炎患者的咳嗽音信号;
步骤(1.3):将正负样本数据集分别随机划分为训练数据集和测试数据集;
步骤(1.4):构建一维CNN网络分类模型;
步骤(1.5):将训练数据集作为CNN模型的输入,将对应输出的类别概率与已经标注好的结果计算损失函数,反向传播训练模型。训练过程中,使用测试集数据对模型进行测试,若满足精度要求,则训练完成。
(二)、基于患者的肺炎疑似程度算法流程:
步骤(2.1):根据患者的就诊记录,采集大量患者的4个体征信息(年龄、体温、呼吸率、发病天数);
步骤(2.2):采集患者3-5个咳嗽音,利用基于咳嗽音的肺炎识别算法,求得多个咳嗽音的肺炎疑似概率值并取平均值;
步骤(2.3):将患者的4个体征信息归一化,与咳嗽音肺炎概率值结合组成一个5维特征向量;
步骤(2.4):根据患者的诊断意见将得到的5维特征向量样本分为正负两类:正类为所有肺炎患者的特征向量样本,负类为所有非肺炎患者的特征向量样本。并随机划分为训练数据集和测试数据集;
步骤(2.5):分类器采用SVM(支持向量机)模型,将训练数据集的5维特征向量作为输入,反向传播训练模型,使得模型的目标函数最小。训练过程中,使用测试集数据对模型进行测试,若满足精度要求,则训练完成。
(三)、基于智能手机的院外肺炎初步识别方法的整体检测流程如下,其中智能手机应用软件App包含3个功能模块,这3个功能模块说明如下:
体征信息输入模块(1),用于输入患者的4项体征信息,基于患者的肺炎疑似程度算法流程作归一化处理;
咳嗽音录制模块(2),用于录制患者的多个咳嗽音并标记,且计算患者的咳嗽音肺炎疑似概率值;
结果显示模块(3),通过上述体征信息输入模块(1)和咳嗽音录制模块(2)得到的信息,综合计算患者的总体肺炎疑似概率值,并显示分析结果;
其中使用和检测步骤如下:
步骤(1):在智能手机应用App中依次输入年龄、体温、呼吸率、发病天数4项体征信息;
步骤(2):录制咳嗽音片段:
(2.1)、患者在有咳嗽感觉时,开始录制咳嗽音,在咳嗽动作完成后,结束录音;该步骤重复多次,以提升最终肺炎识别结果的准确率;
(2.2)、对音频中的所有咳嗽音片段都进行标记操作;
步骤(3):分析、检测并显示最终结果:
(3.1)、基于咳嗽音的肺炎疑似程度算法流程对多个标记的咳嗽音片段计算肺炎疑似概率值并求平均值,基于患者的肺炎疑似程度算法流程提取该患者的5维特征向量并计算最终的肺炎疑似概率值;
(3.2)、显示检测报告,提醒患者是否为疑似肺炎。
与现有技术相比,本发明的有益效果为:
针对当前还没有针对医院以外的肺炎自动识别方法。流感爆发期间,大量呼吸道疾病患者涌入医院,造成医院就诊压力过大,同时对患者也造成不便。采用本发明技术方案,能够使患者在家中了解自己是否有可能患有肺炎,帮助患者决策是否有必要立即去医院就诊,从而减轻医院的就诊压力,减少患者交叉感染的风险,合理地调配医疗资源。
附图说明
为了更清楚地说明本发明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为本发明实施例中提供的识别单个咳嗽音片段是否为疑似肺炎的算法流程图;
图2为本发明实施例中提供的CNN模型构建的结构示意图;
图3为本发明实施例中提供的识别患者是否为疑似肺炎的算法流程图;
图4为本发明实施例中提供的一种基于智能手机的院外肺炎初步识别方法的整体检测流程图;
图5为本发明实施例中提供的智能手机App的界面图。
具体实施方式
下面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。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
如图1~5所示,本发明实施例提供一种基于智能手机的院外肺炎初步识别方法,包括基于咳嗽音的肺炎疑似程度算法流程、基于患者的肺炎疑似程度算法流程以及基于智能手机的院外肺炎初步识别方法的整体检测流程;
(一)、基于咳嗽音的肺炎疑似程度算法流程如图1所示,其主要包括如下步骤:
步骤(S1):采集大量咳嗽音信号样本;
(S1.1)、利用智能手机的录音功能在医院连续录制呼吸道疾病患者的咳嗽音信号;
(S1.2)、使用音频截取工具只提取音频中的咳嗽音片段;一般咳嗽的发生时间小于0.5s,因此截取的窗口长度固定为1s,截取时尽可能将咳嗽音片段居中于截取窗口;
(S1.3)、将每一个截取的咳嗽音片段单独保存成波形文件(.wav格式),并将同一患者的咳嗽音片段保存在一起;
步骤(S2):根据患者的诊断意见(根据医生所开具的诊断书结论,下同),将步骤(S1)得到的咳嗽音信号样本分为正负两类:正类为肺炎患者的咳嗽音信号样本,负类为非肺炎患者的咳嗽音信号样本;
步骤(S3):将正负样本数据集分别随机划分为训练数据集和测试数据集,其中测试数据集占20%;
步骤(S4):构建一维CNN网络分类模型;
(S4.1)、CNN网络分类模型的网络结构图如图2所示,输入为固定长度的一维信号,因为智能手机的采样频率为8KHz,采样时长为1s,因此信号长度为8000;
(S4.2)、CNN网络分类模型的主干网络使用5次一维卷积操作,并在每一次卷积操作后都加入了归一化和激活操作,使得网络的泛化能力更强;同时设置每次卷积操作的滑步为4,因此每次卷积操作输出的长度为输入的1/4;
(S4.3)、经过5次卷积操作后,信号的输出尺度为512×8,通过尺度重塑:收尾相接,由二维变为一维,长度变为4096;再经过2个全连接层并作逻辑回归后得到最终的输出结果;输出结果的长度为2([y0,y1]),2个值y0,y1分别代表正负两类的概率值;
步骤(S5):训练步骤(S4)构建的CNN网络分类模型;
(S5.1)、将训练样本分批次输入到CNN网络分类模型中;
(S5.2)、训练过程中,将CNN网络分类模型输出的正负类别概率值与之前标注的结果(正类为[1,0],负类为[0,1])计算损失函数,采用随机梯度下降法不断更新模型参数,损失函数如下所示:
(S5.3)、经过大量迭代训练后,CNN网络分类模型输出的loss值收敛到较低;之后,每一轮迭代训练完成后,在测试集上对CNN网络分类模型进行测试;若测试准确率(测试集上正确判断正负样本的数量占测试集总数的百分比)超过90%,则完成了整个训练过程,若测试精度没有达到要求,则回到步骤(S5.1),继续训练;
(二)、基于患者的肺炎疑似程度算法流程如图3所示,其主要包括如下步骤:
步骤(T1):根据上述基于咳嗽音的肺炎疑似程度算法流程中采集患者的就诊记录,提取患者的4个体征信息:分别是年龄、体温、呼吸率、发病天数;
步骤(T2):从患者的测试集中随机选取3-5个咳嗽音,利用基于咳嗽音的肺炎疑似程度算法流程,求得多个咳嗽音的肺炎疑似概率值并取平均值ycough;
步骤(T3):将患者的4个体征信息归一化,并将归一化后的4个体征信息与咳嗽音肺炎概率值结合组成一个5维特征向量;
其中每个体征信息归一化的方式如下:
步骤(T4):根据患者的诊断意见,将步骤(T3)得到的5维特征向量样本分为正负两类:正类为肺炎患者的5维特征向量样本,负类为非肺炎患者的5维特征向量样本;
步骤(T5):将正负样本数据集分别随机划分为训练数据集和测试数据集,其中测试集占20%;
步骤(T6):构建分类器模型;
(T6.1):分类器模型采用SVM(支持向量机)模型,该SVM模型可在线性可分或不可分的情况下寻找样本中用于构造最大间隔超平面的支持向量,其本质可归结为求解一个带约束条件的二次凸优化问题;
(T6.2):训练过程中,分批次将训练样本的5维特征向量输入到SVM模型中,采用随机梯度下降法训练SVM模型,使得训练的目标函数最小,目标函数如下所示:
其中,αi为第i个样本的拉格朗日乘子,即模型待优化的参数;N为样本总数;yi为第i个样本标注的结果(正类为1,负类为0);xi为第i个样本的5维特征向量;φ(·)为核函数,用于高维映射;C为惩罚项系数,用于控制惩罚的程度,本例中取常数1;
(T6.3)、经过大量迭代训练后,SVM模型输出的最小目标值收敛到较低;之后,每一轮迭代训练完成后,在测试集上对SVM模型进行测试;若测试准确率(测试集上正确判断正负样本的数量占测试集总数的百分比)超过90%,则完成了整个训练过程,若测试精度没有达到要求,则回到步骤(T6.2),继续训练;
(三)、基于智能手机的院外肺炎初步识别方法的整体检测流程如图4所示,其中智能手机应用软件App(界面如图5所示)主要包含3个功能模块,各功能模块说明如下:
体征信息输入模块(1),用于输入患者的4项体征信息,基于患者的肺炎疑似程度算法流程作归一化处理;
咳嗽音录制模块(2),用于录制患者的多个咳嗽音并标记,且计算患者的咳嗽音肺炎疑似概率值;
结果显示模块(3),通过上述体征信息输入模块(1)和咳嗽音录制模块(2)得到的信息,综合计算患者的总体肺炎疑似概率值,并显示分析结果;
其中主要使用和检测步骤如下:
步骤(V1):在智能手机应用App中依次输入年龄、体温、呼吸率、发病天数4项体征信息;
步骤(V2):录制咳嗽音片段:
(V2.1)、患者在有咳嗽感觉时,点击“开始录音”进行咳嗽音的录制,咳嗽动作完成后,点击“结束录音”;该步骤能够重复多次,以提升最终肺炎识别结果的准确率;
(V2.2)、点击“标记”按钮,会出现1s的固定窗口,滑动该窗口使咳嗽音片段尽可能居中;对音频中的所有咳嗽音片段都进行标记操作;
步骤(V3):分析、检测并显示最终结果:
(V3.1)、基于咳嗽音的肺炎疑似程度算法流程对多个标记的咳嗽音片段计算肺炎疑似概率值并求平均值,基于患者的肺炎疑似程度算法流程提取该患者的5维特征向量并计算最终的肺炎疑似概率值;
(V3.2)、显示检测报告,提醒患者是否为疑似肺炎。
针对当前还没有针对医院以外的肺炎自动识别方法。流感爆发期间,大量呼吸道疾病患者涌入医院,造成医院就诊压力过大,同时对患者也造成不便。采用本发明技术方案,能够使患者在家中了解自己是否有可能患有肺炎,帮助患者决策是否有必要立即去医院就诊,从而减轻医院的就诊压力,减少患者交叉感染的风险,合理地调配医疗资源。
利用本发明所述技术方案,或本领域的技术人员在本发明技术方案的启发下,设计出类似的技术方案,而达到上述技术效果的,均是落入本发明的保护范围。
Claims (4)
1.一种基于智能手机的院外肺炎初步识别方法,其特征在于,包括基于咳嗽音的肺炎疑似程度算法流程、基于患者的肺炎疑似程度算法流程以及基于智能手机的院外肺炎初步识别方法的整体检测流程;
(一)、基于咳嗽音的肺炎疑似程度算法流程,包括如下步骤:
步骤(S1):采集大量咳嗽音信号样本;
步骤(S2):根据患者的诊断意见,将步骤(S1)得到的咳嗽音信号样本分为正负两类:正类为肺炎患者的咳嗽音信号样本,负类为非肺炎患者的咳嗽音信号样本;
步骤(S3):将正负样本数据集分别随机划分为训练数据集和测试数据集,其中测试数据集占20%;
步骤(S4):构建一维CNN网络分类模型;
步骤(S5):训练步骤(S4)构建的CNN网络分类模型;
(S5.1)、将训练样本分批次输入到CNN网络分类模型中;
(S5.2)、训练过程中,将CNN网络分类模型输出的正负类别概率值与之前标注的结果计算损失函数,采用随机梯度下降法不断更新模型参数,损失函数如下所示:
(S5.3)、经过大量迭代训练后,CNN网络分类模型输出的loss值收敛到较低;之后,每一轮迭代训练完成后,在测试集上对CNN网络分类模型进行测试;若测试准确率超过90%,则完成了整个训练过程,若测试精度没有达到要求,则回到步骤(S5.1),继续训练;
(二)、基于患者的肺炎疑似程度算法流程,包括如下步骤:
步骤(T1):根据上述基于咳嗽音的肺炎疑似程度算法流程中采集患者的就诊记录,提取患者的4个体征信息:分别是年龄、体温、呼吸率、发病天数;
步骤(T2):从患者的测试集中随机选取3-5个咳嗽音,利用基于咳嗽音的肺炎疑似程度算法流程,求得多个咳嗽音的肺炎疑似概率值并取平均值ycough;
步骤(T3):将患者的4个体征信息归一化,并将归一化后的4个体征信息与咳嗽音肺炎概率值结合组成一个5维特征向量;
步骤(T4):根据患者的诊断意见,将步骤(T3)得到的5维特征向量样本分为正负两类:正类为肺炎患者的5维特征向量样本,负类为非肺炎患者的5维特征向量样本;
步骤(T5):将正负样本数据集分别随机划分为训练数据集和测试数据集,其中测试集占20%;
步骤(T6):构建分类器模型;
(T6.1):分类器模型采用SVM模型,该SVM模型能够在线性可分或不可分的情况下寻找样本中用于构造最大间隔超平面的支持向量,其本质可归结为求解一个带约束条件的二次凸优化问题;
(T6.2):训练过程中,分批次将训练样本的5维特征向量输入到SVM模型中,采用随机梯度下降法训练SVM模型,使得训练的目标函数最小,目标函数如下所示:
其中,αi为第i个样本的拉格朗日乘子,即模型待优化的参数;N为样本总数;yi为第i个样本标注的结果(正类为1,负类为0);xi为第i个样本的5维特征向量;φ(·)为核函数,用于高维映射;C为惩罚项系数,用于控制惩罚的程度,取常数1;
(T6.3)、经过大量迭代训练后,SVM模型输出的最小目标值收敛到较低;之后,每一轮迭代训练完成后,在测试集上对SVM模型进行测试;若测试准确率超过90%,则完成了整个训练过程,若测试精度没有达到要求,则回到步骤(T6.2),继续训练;
(三)、基于智能手机的院外肺炎初步识别方法的整体检测流程如下,其中智能手机应用软件App包含3个功能模块,3个功能模块说明如下:
体征信息输入模块(1),用于输入患者的4项体征信息,基于患者的肺炎疑似程度算法流程作归一化处理;
咳嗽音录制模块(2),用于录制患者的多个咳嗽音并标记,且计算患者的咳嗽音肺炎疑似概率值;
结果显示模块(3),通过上述体征信息输入模块(1)和咳嗽音录制模块(2)得到的信息,综合计算患者的总体肺炎疑似概率值,并显示分析结果;
其中使用和检测步骤如下:
步骤(V1):在智能手机应用App中依次输入年龄、体温、呼吸率、发病天数4项体征信息;
步骤(V2):录制咳嗽音片段:
(V2.1)、患者在有咳嗽感觉时,开始录制咳嗽音,在咳嗽动作完成后,结束录音;该步骤重复多次,以提升最终肺炎识别结果的准确率;
(V2.2)、对音频中的所有咳嗽音片段都进行标记操作;
步骤(V3):分析、检测并显示最终结果:
(V3.1)、基于咳嗽音的肺炎疑似程度算法流程对多个标记的咳嗽音片段计算肺炎疑似概率值并求平均值,基于患者的肺炎疑似程度算法流程提取该患者的5维特征向量并计算最终的肺炎疑似概率值;
(V3.2)、显示检测报告,提醒患者是否为疑似肺炎。
2.根据权利要求1中所述的一种基于智能手机的院外肺炎初步识别方法,其特征在于,步骤(S1)中采集大量咳嗽音信号样本的具体流程如下:
(S1.1)、利用智能手机的录音功能在医院连续录制呼吸道疾病患者的咳嗽音信号;
(S1.2)、使用音频截取工具只提取音频中的咳嗽音片段;一般咳嗽的发生时间小于0.5s,因此截取的窗口长度固定为1s,截取时尽可能将咳嗽音片段居中于截取窗口;
(S1.3)、将每一个截取的咳嗽音片段单独保存成波形文件,并将同一患者的咳嗽音片段保存在一起。
3.根据权利要求1中所述的一种基于智能手机的院外肺炎初步识别方法,其特征在于,在步骤(S4)中构建一维CNN网络分类模型的具体流程如下:
(S4.1)、输入为固定长度的一维信号,因为智能手机的采样频率为8KHz,采样时长为1s,因此信号长度为8000;
(S4.2)、CNN网络分类模型的主干网络使用5次一维卷积操作,并在每一次卷积操作后都加入了归一化和激活操作,使得网络的泛化能力更强;同时设置每次卷积操作的滑步为4,因此每次卷积操作输出的长度为输入的1/4;
(S4.3)、经过5次卷积操作后,信号的输出尺度为512×8,通过尺度重塑:收尾相接,由二维变为一维,长度变为4096;再经过2个全连接层并作逻辑回归后得到最终的输出结果;输出结果的长度为2([y0,y1]),2个值y0,y1分别代表正负两类的概率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010517812.9A CN111653273A (zh) | 2020-06-09 | 2020-06-09 | 一种基于智能手机的院外肺炎初步识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010517812.9A CN111653273A (zh) | 2020-06-09 | 2020-06-09 | 一种基于智能手机的院外肺炎初步识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111653273A true CN111653273A (zh) | 2020-09-11 |
Family
ID=72344913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010517812.9A Pending CN111653273A (zh) | 2020-06-09 | 2020-06-09 | 一种基于智能手机的院外肺炎初步识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111653273A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598033A (zh) * | 2020-12-09 | 2021-04-02 | 兰州大学 | 生理信号处理方法、装置、设备及存储介质 |
CN113724845A (zh) * | 2021-08-30 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的医护人员配比检测方法及相关装置 |
WO2023138660A1 (zh) * | 2022-01-21 | 2023-07-27 | 华为技术有限公司 | 一种音频检测的方法及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493874A (zh) * | 2018-11-23 | 2019-03-19 | 东北农业大学 | 一种基于卷积神经网络的生猪咳嗽声音识别方法 |
CN110353685A (zh) * | 2012-03-29 | 2019-10-22 | 昆士兰大学 | 用于处理患者声音的方法与装置 |
US20200015709A1 (en) * | 2017-02-01 | 2020-01-16 | ResApp Health Limited | Methods and apparatus for cough detection in background noise environments |
US20200060604A1 (en) * | 2017-02-24 | 2020-02-27 | Holland Bloorview Kids Rehabilitation Hospital | Systems and methods of automatic cough identification |
-
2020
- 2020-06-09 CN CN202010517812.9A patent/CN111653273A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110353685A (zh) * | 2012-03-29 | 2019-10-22 | 昆士兰大学 | 用于处理患者声音的方法与装置 |
US20200015709A1 (en) * | 2017-02-01 | 2020-01-16 | ResApp Health Limited | Methods and apparatus for cough detection in background noise environments |
US20200060604A1 (en) * | 2017-02-24 | 2020-02-27 | Holland Bloorview Kids Rehabilitation Hospital | Systems and methods of automatic cough identification |
CN109493874A (zh) * | 2018-11-23 | 2019-03-19 | 东北农业大学 | 一种基于卷积神经网络的生猪咳嗽声音识别方法 |
Non-Patent Citations (1)
Title |
---|
俞一奇: "基于咳嗽音的儿童肺炎院外诊断识别研究" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598033A (zh) * | 2020-12-09 | 2021-04-02 | 兰州大学 | 生理信号处理方法、装置、设备及存储介质 |
CN113724845A (zh) * | 2021-08-30 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的医护人员配比检测方法及相关装置 |
CN113724845B (zh) * | 2021-08-30 | 2023-06-23 | 深圳平安智慧医健科技有限公司 | 基于人工智能的医护人员配比检测方法及相关装置 |
WO2023138660A1 (zh) * | 2022-01-21 | 2023-07-27 | 华为技术有限公司 | 一种音频检测的方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107137072B (zh) | 一种基于1d卷积神经网络的室性异位搏动检测方法 | |
EP3776586B1 (en) | Managing respiratory conditions based on sounds of the respiratory system | |
Thiyagaraja et al. | A novel heart-mobile interface for detection and classification of heart sounds | |
JP6435257B2 (ja) | 患者音を処理するための方法および装置 | |
CN111653273A (zh) | 一种基于智能手机的院外肺炎初步识别方法 | |
Alaskar et al. | The implementation of pretrained AlexNet on PCG classification | |
CN111990989A (zh) | 一种基于生成对抗及卷积循环网络的心电信号识别方法 | |
US20230100732A1 (en) | Screening device, method, and system for structural heart disease | |
CN109009102B (zh) | 一种基于脑电图深度学习的辅助诊断方法及系统 | |
CN108778097A (zh) | 用于评估心力衰竭的装置和方法 | |
WO2021151295A1 (zh) | 患者治疗方案的确定方法、装置、计算机设备及介质 | |
CN113436726B (zh) | 一种基于多任务分类的肺部病理音自动化分析方法 | |
US20210338171A1 (en) | Tensor amplification-based data processing | |
US11531851B2 (en) | Sequential minimal optimization algorithm for learning using partially available privileged information | |
CN114190897B (zh) | 睡眠分期模型的训练方法、睡眠分期方法及装置 | |
CN111899250A (zh) | 基于区块链和医学图像的远程疾病智能诊断系统 | |
Kaddoura et al. | Acoustic diagnosis of pulmonary hypertension: automated speech-recognition-inspired classification algorithm outperforms physicians | |
CN114121266A (zh) | 一种智能化的辅助诊断方法和系统 | |
Huai et al. | Heart sound recognition technology based on convolutional neural network | |
WO2023097780A1 (zh) | 机械通气过程中人机异步现象的分类方法和分类装置 | |
CN116631558B (zh) | 一种基于互联网的医学检测项目的构建方法 | |
Bahuguna et al. | Normal and Abnormal ECG Signal Classification using Deep Learning | |
CN116030828A (zh) | 一种面向先天性心脏病筛查的心音分析方法 | |
US20230018077A1 (en) | Medical information processing system, medical information processing method, and storage medium | |
CN215349053U (zh) | 一种先天性心脏病智能筛查机器人 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200911 |
|
RJ01 | Rejection of invention patent application after publication |