CN112687281A - 一种异常肺部听诊音智能识别系统 - Google Patents
一种异常肺部听诊音智能识别系统 Download PDFInfo
- Publication number
- CN112687281A CN112687281A CN202011578543.3A CN202011578543A CN112687281A CN 112687281 A CN112687281 A CN 112687281A CN 202011578543 A CN202011578543 A CN 202011578543A CN 112687281 A CN112687281 A CN 112687281A
- Authority
- CN
- China
- Prior art keywords
- auscultation sound
- lung auscultation
- sound
- lung
- signal
- 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
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种异常肺部听诊音智能识别系统,系统包括肺部听诊音采集装置、控制器、终端和云端,肺部听诊音采集装置采集监测对象的数字肺部听诊音信号,控制器对数字肺部听诊音信号进行数字带通滤波,并将数字肺部听诊音信号转换为wav格式的肺部听诊音信号,终端将wav格式的肺部听诊音信号传输至云端,云端获得wav格式的肺部听诊音信号的肺部听诊音种类,当肺部听诊音种类为异常声音时,获得异常声音所在的呼吸周期,并将异常声音所在的呼吸周期和异常声音均传输至终端进行显示,实现了呼吸音的实时、自动识别。
Description
技术领域
本发明涉及声音识别领域,特别是涉及一种异常肺部听诊音智能识别系统。
背景技术
空气进出气道会因气管、支气管及肺泡的生理结构或病理变化而发出的正常呼吸音、异常呼吸音或啰音。在特定部位闻及特定类型、属性的异常肺部听诊音对鉴别呼吸系统疾病有重要意义。
其中:当空气进出气管,或在声门、气管、支气管形成湍流,或因肺泡弹性的变化和气流的振动时产生正常呼吸音,包括气管呼吸音(tracheal breath sound)、支气管呼吸音(bronchial breath sound)、支气管肺泡呼吸音(bronchovesicularbreath sound)及肺泡呼吸音(vesicularbreath sound)。
当肺泡内的空气流量减少或增多,进入肺内的空气流速减慢或加快时,或因下呼吸道部分阻塞、痉挛或狭窄、局部炎症、水肿等,导致呼气的阻力增加,气流进出不畅或不能均匀地进入肺泡,或因肺实变、积液、空腔、共鸣及(或)实变等病变区域与正常含气肺组织的不同组成结构等导致声音传导异常时,产生异常呼吸音例如异常肺泡呼吸音(abnormalvesicularbreath sound)、异常支气管呼吸音(abnormal trachealbreath sound)、异常支气管肺泡呼吸音(abnormal bronchovesicularbreath sound)。
当吸气气体通过呼吸道内的分泌物如渗出液、痰液、血液、黏液和脓液等,形成的水泡破裂时产生水泡音(bubble sound),或由于小支气管壁因分泌物黏着而陷闭,当吸气时突然张开重新充气时产生爆裂音。水泡音和爆裂音均称为湿啰音(moist crackles)。按呼吸道腔径大小和腔内渗出物的多寡,湿啰音又分粗、中、细湿啰音和捻发音。
当气管、支气管或细支气管狭窄或部分阻塞,空气吸入或呼出时形成湍流时产生音调较高、带乐性的呼吸附加音,称为干啰音(wheezes,rhonchi)。根据音调的高低,干啰音分为高调干啰音(哨笛音)和低调干啰音(鼾音)。
湿啰音和干啰音均为呼吸音以外的附加音。
当进行肺部听诊时,在非正常部位闻及不应出现的正常呼吸音,或闻及呼吸音以外的附加音(例如湿罗音、干啰音等),均提示可能有病变存在。例如在应闻及正常肺泡呼吸音的部位听到支气管呼吸音,或在应闻及正常肺泡呼吸音的区域内听到的支气管肺泡呼吸音。例如在支气管或肺炎炎症早期,支气管粘膜轻度水肿或炎症浸润造成不光滑或狭窄时,可闻及异常肺泡呼吸音。当肺组织实变、肺内大空腔、压迫性肺不张时可闻及异常支气管呼吸音。当支气管肺炎、肺结核、大叶性肺炎初期或在胸腔积液上方非膨胀不全时可闻及异常支气管肺泡呼吸音。当监测对象患有支气管炎、细支气管炎、肺炎、支气管肺炎、支气管扩张、肺水肿、肺结核或肺脓肿空洞、肺充血或肺梗死等疾病时,可闻及湿啰音。当监测对象气道有炎症或分泌物增加,管道狭窄或部分阻塞时,可闻及干啰音,其中高调干啰音/哨笛音起源于较小的支气管或细支气管,低调干啰音/鼾音起源于气管或主支气管。
异常呼吸音、啰音是呼吸道的疾病诊断、鉴别诊断及病情变化追踪的重要手段。传统的听诊需由有经验的医生操作,且易受经验、场景、个体多因素影响,变异较多。
此外,医生听诊获取的信息只能以文本记录或表述的形式记录,不能留存客观的声音证据。并且由医生通过听诊器进行听诊的方法还存在以下几个问题:
1、因为异常肺部听诊音种类繁多,需要专门的医学培训与临床经验,很多异常音听诊只能由临床医生完成,这种方法费时费力,消耗临床资源。
2、医疗听诊器无法实现对声音的实时监控,也无法复现某一时刻的声音,这对于临床中产生时刻随机性很强的异常肺部听诊音的诊断证据存证带来了极大的问题。
3、在一些肺部传染病(如新型冠状病毒肺炎)的治疗中,医生近距离听诊,增加了医护人员职业暴露的危险。
因此,亟需开发一种可穿戴、便捷性、连续、智能的监测手段,为远程医疗、家庭、社区儿童健康管理、老人健康管理提供智能、远程、连续的健康监测服务,并可融入SLS(SmartLife System)智能家居生态系统,与社区、医院、公共卫生服务机构数据互通,可提出早期的预警及智能、个性化的健康管理及医疗服务建议,突破呼吸道疾病就诊与病情观察的医生短缺及地域、时间等方面的限制。
发明内容
本发明的目的是提供一种异常肺部听诊音智能识别系统,以实现异常肺部听诊音的实时、智能、自动识别。
为实现上述目的,本发明提供了如下方案:
一种异常肺部听诊音智能识别系统,所述系统包括:肺部听诊音采集装置、控制器、终端和云端;
所述肺部听诊音采集装置的信号输出端与所述控制器连接,所述肺部听诊音采集装置用于采集监测对象的数字肺部听诊音信号,并将所述数字肺部听诊音信号传输至所述控制器;
所述控制器与所述终端无线连接,所述控制器用于对所述数字肺部听诊音信号进行数字带通滤波,并将所述数字肺部听诊音信号转换为wav格式的肺部听诊音信号,并将所述wav格式的肺部听诊音信号无线传输至所述终端;
所述终端与所述云端连接,所述终端用于将所述wav格式的肺部听诊音信号传输至所述云端;
所述云端用于获得所述wav格式的肺部听诊音信号的肺部听诊音种类,当所述wav格式的肺部听诊音信号的肺部听诊音种类为异常声音时,获得异常声音所在的呼吸周期,并将所述异常声音所在的呼吸周期和所述异常声音均传输至所述终端进行显示;所述异常声音包括异常呼吸音和啰音,所述异常呼吸音包括异常肺泡呼吸音、异常支气管呼吸音和异常支气管肺泡呼吸音,所述啰音包括干啰音和湿啰音。
可选的,所述肺部听诊音采集装置包括:声音传感器和A/D转换器;
所述声音传感器的信号输出端与所述A/D转换器的输入端连接,所述声音传感器用于采集模拟肺部听诊音信号,并将所述模拟肺部听诊音信号传输至所述A/D转换器;
所述A/D转换器的输出端与所述控制器连接,所述A/D转换器用于将所述模拟肺部听诊音信号转换为数字肺部听诊音信号,并将所述数字肺部听诊音信号传输至所述控制器。
可选的,所述系统还包括:存储卡;
所述存储卡与所述控制器连接,所述控制器用于将所述wav格式的肺部听诊音信号传输至所述存储卡进行存储。
可选的,所述系统还包括:监控端;
所述云端与所述监控端连接,所述云端用于将所述异常声音所在的呼吸周期和所述异常声音传输至所述监控端。
可选的,所述云端包括:
wav格式的肺部听诊音信号获取模块,用于获取监测对象的wav格式的肺部听诊音信号;
滤波后的肺部听诊音信号获得模块,用于对所述wav格式的肺部听诊音信号进行滤波,获得滤波后的肺部听诊音信号;
多段肺部听诊音周期信号获得模块,用于基于Viola积分多尺度特征波形法的周期分段算法,对所述滤波后的肺部听诊音信号按照呼吸周期进行周期性分段,获得多段肺部听诊音周期信号;
特征向量获得模块,用于利用梅尔频率倒谱系数的提取方法对每段肺部听诊音周期信号分别进行特征提取,获得每段肺部听诊音周期信号的特征向量;
概率输出模块,用于将每段肺部听诊音周期信号的特征向量分别输入训练好的长短时记忆神经网络中,输出每段肺部听诊音周期信号为每种肺部听诊音种类的概率;
每段肺部听诊音周期信号的肺部听诊音种类分类模块,用于将概率最大的肺部听诊音种类确定为每段所述肺部听诊音周期信号的肺部听诊音种类;
异常肺部听诊音确定模块,用于提取所有段肺部听诊音周期信号的肺部听诊音种类中的异常声音,并将所有异常声音作为所述监测对象的异常肺部听诊音。
可选的,所述滤波后的肺部听诊音信号获得模块,具体包括:
肺部听诊音信号频率段获得子模块,用于对所述wav格式的肺部听诊音信号进行小波分解,获得多段肺部听诊音信号频率段;
第一判断结果获得子模块,用于判断每段肺部听诊音信号频率段的信噪比是否低于信噪比阈值,获得第一判断结果;
第一肺部听诊音去噪信号获得子模块,用于若所述第一判断结果表示是,则采用硬阈值滤波对噪声进行过滤,获得第一肺部听诊音去噪信号;
第二肺部听诊音去噪信号获得子模块,用于采用最小方差自适应滤波器过滤掉所述第一肺部听诊音去噪信号中的心音信号,获得第二肺部听诊音去噪信号;
第三肺部听诊音去噪信号获得子模块,用于若所述第一判断结果表示否,则采用软阈值滤波对噪声进行过滤,获得第三肺部听诊音去噪信号;
第四肺部听诊音去噪信号获得子模块,用于采用最小方差自适应滤波器过滤掉所述第三肺部听诊音去噪信号中的心音信号,获得第四肺部听诊音去噪信号;
滤波后的肺部听诊音信号获得子模块,用于将所述第二肺部听诊音去噪信号和所述第四肺部听诊音去噪信号进行小波重构,获得滤波后的肺部听诊音信号。
可选的,所述特征向量获得模块,具体包括:
肺部听诊音加重信号获得子模块,用于对每段所述肺部听诊音周期信号进行预加重,获得多段肺部听诊音加重信号;
肺部听诊音分帧信号获得子模块,用于对每段肺部听诊音加重信号分别进行分帧和加窗,获得每段肺部听诊音加重信号的多帧肺部听诊音分帧信号;
频谱获得子模块,用于对每帧肺部听诊音分帧信号分别进行傅里叶变换,获得每帧肺部听诊音分帧信号的频谱;
功率谱获得子模块,用于对每帧肺部听诊音分帧信号的频谱取模平方得到每帧肺部听诊音分帧信号的功率谱;
梅尔频谱获得子模块,用于利用梅尔滤波器组对所述功率谱进行滤波,获得每帧肺部听诊音分帧信号的梅尔频谱;
特征向量构成子模块,用于多个所述梅尔频率倒谱系数构成每段肺部听诊音周期信号的特征向量;
其中,s(m)为梅尔滤波器组中第m个梅尔滤波器输出的对数能量,Xa(k)为梅尔频谱中k时刻的频率,N-1为肺部听诊音分帧信号的帧长,m为三角滤波器峰值点的个数,M为梅尔滤波器组中梅尔滤波器的数量,Hm(k)为梅尔滤波器系数,f(m-1)为第m个三角滤波器的峰值点,f(m+1)为第m+2个三角滤波器的峰值点,f(m)为第m+1个三角滤波器的峰值点,C(n)为第n个梅尔频率倒谱系数,n为采样点,L为离散余弦变换的长度。
可选的,所述云端还包括:
呼吸周期确定模块,用于当所述监测对象的肺部听诊音种类为异常声音时,获得异常声音所在的呼吸周期。
可选的,所述训练好的长短时记忆神经网络的输出层为6层,总层数为50层,损失函数采用多尺度交叉熵,优化器为Adam优化器。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种异常肺部听诊音智能识别系统,肺部听诊音采集装置采集监测对象的数字肺部听诊音信号,控制器对数字肺部听诊音信号进行数字带通滤波,并将数字肺部听诊音信号转换为wav格式的肺部听诊音信号,终端将wav格式的肺部听诊音信号传输至云端,云端获得wav格式的肺部听诊音信号的肺部听诊音种类,当肺部听诊音种类为异常声音时,获得异常声音所在的呼吸周期,并将异常声音所在的呼吸周期和异常声音均传输至终端进行显示,实现了肺部听诊音的实时、智能、自动识别。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种异常肺部听诊音智能识别系统的结构图;
图2为本发明提供的云端的工作原理图;
图3为本发明提供的模拟肺部听诊音信号的示意图;
图4为本发明提供的小波分解后的多段肺部听诊音信号频率段的示意图;图4(a)为第一段肺部听诊音信号频率段的示意图,图4(b)为第二段肺部听诊音信号频率段的示意图,图4(c)为第三段肺部听诊音信号频率段的示意图,图4(d)为第四段肺部听诊音信号频率段的示意图,图4(e)为第五段肺部听诊音信号频率段的示意图,图4(f)为第六段肺部听诊音信号频率段的示意图,图4(g)为第七段肺部听诊音信号频率段的示意图,图4(h)为第八段肺部听诊音信号频率段的示意图,图4(i)为第九段肺部听诊音信号频率段的示意图,图4(j)为第十段肺部听诊音信号频率段的示意图;
图5为本发明提供的滤波后的肺部听诊音信号的示意图;
图6为本发明提供的特征向量获得模块的工作原理图。
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,都属于本发明保护的范围。
本发明的目的是提供一种异常肺部听诊音智能识别系统,以实现异常肺部听诊音的实时、智能、自动识别。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供了一种异常肺部听诊音智能识别系统,如图1所示,系统包括:肺部听诊音采集装置、控制器、终端和云端。
肺部听诊音采集装置的信号输出端与控制器连接,肺部听诊音采集装置用于采集监测对象的数字肺部听诊音信号,并将数字肺部听诊音信号传输至控制器。
控制器与终端无线连接,控制器用于对数字肺部听诊音信号进行数字带通滤波,并将数字肺部听诊音信号转换为wav格式的肺部听诊音信号,并将wav格式的肺部听诊音信号无线传输至终端。无线传输方式可为蓝牙传输、WIFI传输、4G或5G传输等。
终端与云端连接,终端用于将wav格式的肺部听诊音信号通过无线网络传输至云端。同时wav格式的肺部听诊音信号还可以通过终端的显示屏显示、播放出来。
云端用于获得wav格式的肺部听诊音信号的肺部听诊音种类,当wav格式的肺部听诊音信号的肺部听诊音种类为异常声音时,获得异常声音所在的呼吸周期,并将异常声音所在的呼吸周期和异常声音均传输至终端进行显示。异常声音包括异常呼吸音和啰音,其中异常呼吸音包括异常肺泡呼吸音、异常支气管呼吸音和异常支气管肺泡呼吸音,啰音包括干啰音和湿啰音。
在数据管理方面,云端建立针对异常肺部听诊音的实时检测大数据平台,完整记录每一个监测对象的生理关键参数,包括基本信息与关键生理参数。其中,基本信息如姓名、性别、年龄等通过终端显示屏填写,存入云端数据平台。而肺部听诊音信号等生理参数信息由肺部听诊音采集装置采集,并通过终端传入数据库。数据平台记录监测对象每一次检测的声音信号,并记录该声音信号中是否含异常肺部听诊音,如果含有,是哪个呼吸周期中含有异常肺部听诊音,并判断肺部听诊音种类。
肺部听诊音采集装置包括:声音传感器和A/D转换器。声音传感器的信号输出端与A/D转换器的输入端连接,声音传感器用于采集模拟肺部听诊音信号,并将模拟肺部听诊音信号传输至A/D转换器。A/D转换器的输出端与控制器连接,A/D转换器用于将模拟肺部听诊音信号转换为数字肺部听诊音信号,并将数字肺部听诊音信号传输至控制器。声音传感器可为压电陶瓷声音传感器等声音传感器。
系统还包括:存储卡。存储卡与控制器连接,控制器用于将wav格式的肺部听诊音信号传输至存储卡进行存储。存储可卡为SD卡等存储装置。
系统还包括:监控端。云端与监控端连接,云端用于将异常声音所在的呼吸周期和异常声音通过WIFI传输至监控端,实现对监测对象的实时监控。
依照图2所示的云端的工作原理图,云端包括:
wav格式的肺部听诊音信号获取模块,用于获取监测对象的wav格式的肺部听诊音信号。
滤波后的肺部听诊音信号获得模块,用于对wav格式的肺部听诊音信号进行滤波,获得滤波后的肺部听诊音信号。
多段肺部听诊音周期信号获得模块,用于基于Viola积分多尺度特征波形法的周期分段算法,对滤波后的肺部听诊音信号按照呼吸周期进行周期性分段,获得多段肺部听诊音周期信号。
特征向量获得模块,用于利用梅尔频率倒谱系数的提取方法对每段肺部听诊音周期信号分别进行特征提取,获得每段肺部听诊音周期信号的特征向量。
概率输出模块,用于将每段肺部听诊音周期信号的特征向量分别输入训练好的长短时记忆神经网络中,输出每段肺部听诊音周期信号为每种肺部听诊音种类的概率。
每段肺部听诊音周期信号的肺部听诊音种类分类模块,用于将概率最大的肺部听诊音种类确定为每段肺部听诊音周期信号的肺部听诊音种类。
异常肺部听诊音确定模块,用于提取所有段肺部听诊音周期信号的肺部听诊音种类中的异常声音,并将所有异常声音作为监测对象的异常肺部听诊音。
由于采集到的声音信号(如图3所示,横坐标表示时间,纵坐标表示信号幅值)因为外部环境与设备噪声的原因而存在一些环境高低频噪声、周围人说话的声音与心音的干扰。所以需要通过滤波算法将干扰滤除。本发明通过小波分解的方式,将信号分为不同的频率段,并通过阈值滤波的方式,将信号中高低频噪声信号过滤掉,并将人声抑制。针对呼吸音的噪声问题,对呼吸音进行小波分解,小波分解后的多段肺部听诊音信号频率段如图4所示,图4(a)-(f)分别表示每段肺部听诊音信号频率段,且一段肺部听诊音信号频率段是一个小波层的分解结果。图4(a)-(f)的横坐标均表示小波系数点的系数,纵坐标均表示小波系数。不同的音频成分在不同的小波层内具有不同的信号性质,根据不同层内小波系数的性质,进行相应的阈值处理:针对噪声成分较高的小波层,采用硬阈值滤波处理;针对噪声成分较低而有用信号较高的小波层,采用软阈值滤波进行处理,从而实现呼吸音的去噪,提高了呼吸音的信噪比。而对于存在频率段有交集的心音信号,采用自适应滤波的方式进行过滤,完成对心音的过滤。
详细地,滤波后的肺部听诊音信号获得模块,具体包括:
肺部听诊音信号频率段获得子模块,用于对wav格式的肺部听诊音信号进行小波分解,获得多段肺部听诊音信号频率段。
第一判断结果获得子模块,用于判断每段肺部听诊音信号频率段的信噪比是否低于信噪比阈值,获得第一判断结果。优选地,信噪比阈值为30%。
第一肺部听诊音去噪信号获得子模块,用于若第一判断结果表示是,则采用硬阈值滤波对噪声进行过滤,获得第一肺部听诊音去噪信号。
第二肺部听诊音去噪信号获得子模块,用于采用最小方差自适应滤波器过滤掉第一肺部听诊音去噪信号中的心音信号,获得第二肺部听诊音去噪信号。
第三肺部听诊音去噪信号获得子模块,用于若第一判断结果表示否,则采用软阈值滤波对噪声进行过滤,获得第三肺部听诊音去噪信号。
第四肺部听诊音去噪信号获得子模块,用于采用最小方差自适应滤波器过滤掉第三肺部听诊音去噪信号中的心音信号,获得第四肺部听诊音去噪信号。
滤波后的肺部听诊音信号获得子模块,用于将第二肺部听诊音去噪信号和第四肺部听诊音去噪信号进行小波重构,获得滤波后的肺部听诊音信号。滤波后的肺部听诊音信号如图5所示,图5的横坐标表示时间,纵坐标表示振幅。
多段肺部听诊音周期信号获得模块通过基于Viola积分多尺度特征波形法的周期分段算法将信号按照呼吸周期进行分段,将一段肺部听诊音的信号通过周期分段算法分为多段单呼吸周期的信号,这样一方面可以增加训练样本的数量,另一方面,在对监测对象的肺部听诊音进行异常声音检测时,可以确定监测对象的具体周期是否含有异常声音,既减少了医生的工作量,又可以帮助医生对监测对象进行筛查诊断。Viola积分多尺度特征波形法的周期分段算法是通过计算肺部听诊音信号的Viola积分,获取信号的能量积累,并通过设置阈值对信号进行周期切割。大于阈值的信号属于呼吸音信号,小于阈值的属于噪声信号。
经过周期分割的信号因为纬度过大而需要进行特征提取步骤进行降纬处理。针对特征提取阶段,系统采用Mel频率的倒谱系数提取表征异常肺部听诊音的声谱特征,将呼吸音的频率特性通过梅尔滤波器组转换为符合人耳性质的梅尔频率特性,通过计算梅尔频率下的频谱倒谱系数,获得肺部听诊音的时频特性。基于呼吸声音频谱分析,对表征声谱进行分类及量化,构建一个简化呼吸系统力学模型,并根据量化指标,即梅尔倒谱系数,从而得到特征向量,作为接下来分类器的输入。
特征向量获得模块,如图6所示,具体包括:
肺部听诊音加重信号获得子模块,用于对每段肺部听诊音周期信号进行预加重,获得多段肺部听诊音加重信号。预加重的目的是进行高频信号的提升。预加重的公式为H(Z)=1-μz-1,其中,H(Z)为数字滤波器系数,z-1为数字化滤波器的z变换,u是预加重系数。
肺部听诊音分帧信号获得子模块,用于对每段肺部听诊音加重信号分别进行固定长度的分帧和加窗,获得每段肺部听诊音加重信号的多帧肺部听诊音分帧信号。帧长为512,窗函数采用汉明窗,从而实现信号的短时分解。汉明窗的公式为0≤n≤N-1,其中,W(n,a)为汉明窗系数,a为系数,一般为0.5,n为信号采样点,N为帧长。
频谱获得子模块,用于对每帧肺部听诊音分帧信号分别进行傅里叶变换(FastFourier Transform,FFT),获得每帧肺部听诊音分帧信号的频谱。
功率谱获得子模块,用于对每帧肺部听诊音分帧信号的频谱取模平方得到每帧肺部听诊音分帧信号的功率谱。
梅尔频谱获得子模块,用于利用梅尔滤波器组(MEL滤波器组)对功率谱进行滤波,获得每帧肺部听诊音分帧信号的梅尔频谱。
梅尔频率倒谱系数确定子模块,用于对对数能量进行离散余弦变换(DiscreteCosine Transform,DCT),利用公式n=1,2,...,L,确定每段肺部听诊音加重信号的多个梅尔频率倒谱系数。
特征向量构成子模块,用于多个梅尔频率倒谱系数构成每段肺部听诊音周期信号的特征向量。
其中,s(m)为梅尔滤波器组中第m个梅尔滤波器输出的对数能量,Xa(k)为梅尔频谱中k时刻的频率,N-1为肺部听诊音分帧信号的帧长,m为三角滤波器峰值点的个数,M为梅尔滤波器组中梅尔滤波器的数量,Hm(k)为梅尔滤波器系数,f(m-1)为第m个三角滤波器的峰值点,f(m+1)为第m+2个三角滤波器的峰值点,f(m)为第m+1个三角滤波器的峰值点,C(n)为第n个梅尔频率倒谱系数,n为采样点,L为离散余弦变换的长度。
云端还包括:呼吸周期确定模块,用于当监测对象的肺部听诊音种类为异常声音时,获得异常声音所在的呼吸周期。
针对提取到的特征向量,根据机器学习算法,进行呼吸音的种类进行分类。由于梅尔倒谱系数是关于时间与频率的二维特征,因此采用长短记忆神经网络(LSTM)作为本系统的分类算法,判断声音的种类,如干啰音、湿啰音等,从而实现对异常肺部听诊音的智能诊断。
训练好的长短时记忆神经网络的输出层为6层,总层数为50层,损失函数采用多尺度交叉熵,优化器为Adam优化器。
本发明基于机器学习的异常肺部听诊音识别系统,通过数字化声音技术与人工智能技术,可以在监测对象体外进行实时监控,并通过SD卡实现对肺部听诊音的存储,实现肺部听诊音的回放功能。本发明可以自动诊断异常呼吸音或啰音,并可以由监测对象或其监护人进行操作,从而缓解临床医疗资源的短缺。同时智能、无线、远程,非接触式听诊功能可以避免医护人员因为近距离听诊造成的医疗职业暴露问题。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种异常肺部听诊音智能识别系统,其特征在于,所述系统包括:肺部听诊音采集装置、控制器、终端和云端;
所述肺部听诊音采集装置的信号输出端与所述控制器连接,所述肺部听诊音采集装置用于采集监测对象的数字肺部听诊音信号,并将所述数字肺部听诊音信号传输至所述控制器;
所述控制器与所述终端无线连接,所述控制器用于对所述数字肺部听诊音信号进行数字带通滤波,并将所述数字肺部听诊音信号转换为wav格式的肺部听诊音信号,并将所述wav格式的肺部听诊音信号无线传输至所述终端;
所述终端与所述云端连接,所述终端用于将所述wav格式的肺部听诊音信号传输至所述云端;
所述云端用于获得所述wav格式的肺部听诊音信号的肺部听诊音种类,当所述wav格式的肺部听诊音信号的肺部听诊音种类为异常声音时,获得异常声音所在的呼吸周期,并将所述异常声音所在的呼吸周期和所述异常声音均传输至所述终端进行显示;所述异常声音包括异常呼吸音和啰音,所述异常呼吸音包括异常肺泡呼吸音、异常支气管呼吸音和异常支气管肺泡呼吸音,所述啰音包括干啰音和湿啰音。
2.根据权利要求1所述的异常肺部听诊音智能识别系统,其特征在于,所述肺部听诊音采集装置包括:声音传感器和A/D转换器;
所述声音传感器的信号输出端与所述A/D转换器的输入端连接,所述声音传感器用于采集模拟肺部听诊音信号,并将所述模拟肺部听诊音信号传输至所述A/D转换器;
所述A/D转换器的输出端与所述控制器连接,所述A/D转换器用于将所述模拟肺部听诊音信号转换为数字肺部听诊音信号,并将所述数字肺部听诊音信号传输至所述控制器。
3.根据权利要求1所述的异常肺部听诊音智能识别系统,其特征在于,所述系统还包括:存储卡;
所述存储卡与所述控制器连接,所述控制器用于将所述wav格式的肺部听诊音信号传输至所述存储卡进行存储。
4.根据权利要求1所述的异常肺部听诊音智能识别系统,其特征在于,所述系统还包括:监控端;
所述云端与所述监控端连接,所述云端用于将所述异常声音所在的呼吸周期和所述异常声音传输至所述监控端。
5.根据权利要求1所述的异常肺部听诊音智能识别系统,其特征在于,所述云端包括:
wav格式的肺部听诊音信号获取模块,用于获取监测对象的wav格式的肺部听诊音信号;
滤波后的肺部听诊音信号获得模块,用于对所述wav格式的肺部听诊音信号进行滤波,获得滤波后的肺部听诊音信号;
多段肺部听诊音周期信号获得模块,用于基于Viola积分多尺度特征波形法的周期分段算法,对所述滤波后的肺部听诊音信号按照呼吸周期进行周期性分段,获得多段肺部听诊音周期信号;
特征向量获得模块,用于利用梅尔频率倒谱系数的提取方法对每段肺部听诊音周期信号分别进行特征提取,获得每段肺部听诊音周期信号的特征向量;
概率输出模块,用于将每段肺部听诊音周期信号的特征向量分别输入训练好的长短时记忆神经网络中,输出每段肺部听诊音周期信号为每种肺部听诊音种类的概率;
每段肺部听诊音周期信号的肺部听诊音种类分类模块,用于将概率最大的肺部听诊音种类确定为每段所述肺部听诊音周期信号的肺部听诊音种类;
异常肺部听诊音确定模块,用于提取所有段肺部听诊音周期信号的肺部听诊音种类中的异常声音,并将所有异常声音作为所述监测对象的异常肺部听诊音。
6.根据权利要求5所述的异常肺部听诊音智能识别系统,其特征在于,所述滤波后的肺部听诊音信号获得模块,具体包括:
肺部听诊音信号频率段获得子模块,用于对所述wav格式的肺部听诊音信号进行小波分解,获得多段肺部听诊音信号频率段;
第一判断结果获得子模块,用于判断每段肺部听诊音信号频率段的信噪比是否低于信噪比阈值,获得第一判断结果;
第一肺部听诊音去噪信号获得子模块,用于若所述第一判断结果表示是,则采用硬阈值滤波对噪声进行过滤,获得第一肺部听诊音去噪信号;
第二肺部听诊音去噪信号获得子模块,用于采用最小方差自适应滤波器过滤掉所述第一肺部听诊音去噪信号中的心音信号,获得第二肺部听诊音去噪信号;
第三肺部听诊音去噪信号获得子模块,用于若所述第一判断结果表示否,则采用软阈值滤波对噪声进行过滤,获得第三肺部听诊音去噪信号;
第四肺部听诊音去噪信号获得子模块,用于采用最小方差自适应滤波器过滤掉所述第三肺部听诊音去噪信号中的心音信号,获得第四肺部听诊音去噪信号;
滤波后的肺部听诊音信号获得子模块,用于将所述第二肺部听诊音去噪信号和所述第四肺部听诊音去噪信号进行小波重构,获得滤波后的肺部听诊音信号。
7.根据权利要求5所述的异常肺部听诊音智能识别系统,其特征在于,所述特征向量获得模块,具体包括:
肺部听诊音加重信号获得子模块,用于对每段所述肺部听诊音周期信号进行预加重,获得多段肺部听诊音加重信号;
肺部听诊音分帧信号获得子模块,用于对每段肺部听诊音加重信号分别进行分帧和加窗,获得每段肺部听诊音加重信号的多帧肺部听诊音分帧信号;
频谱获得子模块,用于对每帧肺部听诊音分帧信号分别进行傅里叶变换,获得每帧肺部听诊音分帧信号的频谱;
功率谱获得子模块,用于对每帧肺部听诊音分帧信号的频谱取模平方得到每帧肺部听诊音分帧信号的功率谱;
梅尔频谱获得子模块,用于利用梅尔滤波器组对所述功率谱进行滤波,获得每帧肺部听诊音分帧信号的梅尔频谱;
特征向量构成子模块,用于多个所述梅尔频率倒谱系数构成每段肺部听诊音周期信号的特征向量;
8.根据权利要求5所述的异常肺部听诊音智能识别系统,其特征在于,所述云端还包括:
呼吸周期确定模块,用于当所述监测对象的肺部听诊音种类为异常声音时,获得异常声音所在的呼吸周期。
9.根据权利要求5所述的异常肺部听诊音智能识别系统,其特征在于,所述训练好的长短时记忆神经网络的输出层为6层,总层数为50层,损失函数采用多尺度交叉熵,优化器为Adam优化器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011578543.3A CN112687281B (zh) | 2020-12-28 | 2020-12-28 | 一种异常肺部听诊音智能识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011578543.3A CN112687281B (zh) | 2020-12-28 | 2020-12-28 | 一种异常肺部听诊音智能识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112687281A true CN112687281A (zh) | 2021-04-20 |
CN112687281B CN112687281B (zh) | 2022-08-30 |
Family
ID=75452585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011578543.3A Active CN112687281B (zh) | 2020-12-28 | 2020-12-28 | 一种异常肺部听诊音智能识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112687281B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763985A (zh) * | 2021-10-15 | 2021-12-07 | 广州蓝仕威克医疗科技有限公司 | 一种基于声音识别生理现象的装置 |
CN115089206A (zh) * | 2022-05-09 | 2022-09-23 | 吴先洪 | 一种对心音信号的预测方法及使用其的心脏听诊装置 |
CN115120247A (zh) * | 2022-07-19 | 2022-09-30 | 天津工业大学 | 一种实现多生理信号联合分析的系统 |
CN116499920A (zh) * | 2023-06-30 | 2023-07-28 | 青岛冠宝林活性炭有限公司 | 一种尾气活性炭吸附状态在线监测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080082018A1 (en) * | 2003-04-10 | 2008-04-03 | Sackner Marvin A | Systems and methods for respiratory event detection |
CN105686846A (zh) * | 2016-01-18 | 2016-06-22 | 重庆大学 | 心音信号特征自动提取方法 |
CN106022258A (zh) * | 2016-05-18 | 2016-10-12 | 成都济森科技有限公司 | 数字听诊器与滤除心音提取肺音的方法 |
US20180125444A1 (en) * | 2015-04-16 | 2018-05-10 | Koninklijke Philips N.V. | Device, system and method for detecting a cardiac and/or respiratory disease of a subject |
US20190008475A1 (en) * | 2017-07-04 | 2019-01-10 | Tata Consultancy Services Limited | Systems and methods for detecting pulmonary abnormalities using lung sounds |
US20190059824A1 (en) * | 2017-08-23 | 2019-02-28 | Boe Technology Group Co., Ltd. | Lung-sound signal processing method, processing device, and readable storage medium |
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 |
CN109961017A (zh) * | 2019-02-26 | 2019-07-02 | 杭州电子科技大学 | 一种基于卷积循环神经网络的心音信号分类方法 |
CN111700636A (zh) * | 2020-07-03 | 2020-09-25 | 广州呼吸健康研究院 | 一种电子心肺音数据标注管理方法及装置 |
CN111789629A (zh) * | 2020-06-29 | 2020-10-20 | 中南大学 | 一种基于深度学习的呼吸音智能诊疗系统及方法 |
CN111956259A (zh) * | 2020-08-13 | 2020-11-20 | 厦门大学 | 基于深度神经网络架构的肺音识别方法、装置和设备 |
-
2020
- 2020-12-28 CN CN202011578543.3A patent/CN112687281B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080082018A1 (en) * | 2003-04-10 | 2008-04-03 | Sackner Marvin A | Systems and methods for respiratory event detection |
US20180125444A1 (en) * | 2015-04-16 | 2018-05-10 | Koninklijke Philips N.V. | Device, system and method for detecting a cardiac and/or respiratory disease of a subject |
CN105686846A (zh) * | 2016-01-18 | 2016-06-22 | 重庆大学 | 心音信号特征自动提取方法 |
CN106022258A (zh) * | 2016-05-18 | 2016-10-12 | 成都济森科技有限公司 | 数字听诊器与滤除心音提取肺音的方法 |
US20190008475A1 (en) * | 2017-07-04 | 2019-01-10 | Tata Consultancy Services Limited | Systems and methods for detecting pulmonary abnormalities using lung sounds |
US20190059824A1 (en) * | 2017-08-23 | 2019-02-28 | Boe Technology Group Co., Ltd. | Lung-sound signal processing method, processing device, and readable storage medium |
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 |
CN109961017A (zh) * | 2019-02-26 | 2019-07-02 | 杭州电子科技大学 | 一种基于卷积循环神经网络的心音信号分类方法 |
CN111789629A (zh) * | 2020-06-29 | 2020-10-20 | 中南大学 | 一种基于深度学习的呼吸音智能诊疗系统及方法 |
CN111700636A (zh) * | 2020-07-03 | 2020-09-25 | 广州呼吸健康研究院 | 一种电子心肺音数据标注管理方法及装置 |
CN111956259A (zh) * | 2020-08-13 | 2020-11-20 | 厦门大学 | 基于深度神经网络架构的肺音识别方法、装置和设备 |
Non-Patent Citations (2)
Title |
---|
崔星星: "呼吸音分类识别系统的设计与实现", 《中国优秀博硕士学位论文全文数据库(硕士)》 * |
高鸣蕾: "《基于EMD 的肺音信号去噪及特征提取方法研究》", 《中国优秀博硕士学位论文全文数据库(硕士)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763985A (zh) * | 2021-10-15 | 2021-12-07 | 广州蓝仕威克医疗科技有限公司 | 一种基于声音识别生理现象的装置 |
CN113763985B (zh) * | 2021-10-15 | 2024-04-02 | 广州蓝仕威克医疗科技有限公司 | 一种基于声音识别生理现象的装置 |
CN115089206A (zh) * | 2022-05-09 | 2022-09-23 | 吴先洪 | 一种对心音信号的预测方法及使用其的心脏听诊装置 |
CN115120247A (zh) * | 2022-07-19 | 2022-09-30 | 天津工业大学 | 一种实现多生理信号联合分析的系统 |
CN116499920A (zh) * | 2023-06-30 | 2023-07-28 | 青岛冠宝林活性炭有限公司 | 一种尾气活性炭吸附状态在线监测方法 |
CN116499920B (zh) * | 2023-06-30 | 2023-09-12 | 青岛冠宝林活性炭有限公司 | 一种尾气活性炭吸附状态在线监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112687281B (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112687281B (zh) | 一种异常肺部听诊音智能识别系统 | |
Andrès et al. | Respiratory sound analysis in the era of evidence-based medicine and the world of medicine 2.0 | |
Matos et al. | An automated system for 24-h monitoring of cough frequency: the leicester cough monitor | |
Abeyratne et al. | Pitch jump probability measures for the analysis of snoring sounds in apnea | |
JP5878067B2 (ja) | 呼吸事象検出システムおよび方法 | |
CN107622797B (zh) | 一种基于声音的身体状况确定系统及方法 | |
US7479115B2 (en) | Computer aided diagnosis of lung disease | |
Moussavi | Fundamentals of respiratory sounds and analysis | |
Song | Diagnosis of pneumonia from sounds collected using low cost cell phones | |
WO2018011801A1 (en) | Estimation of sleep quality parameters from whole night audio analysis | |
WO2021114761A1 (zh) | 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 | |
WO2019216320A1 (ja) | 機械学習装置、解析装置、機械学習方法および解析方法 | |
CN111685774B (zh) | 基于概率集成回归模型的osahs诊断方法 | |
Schmidt et al. | Coronary artery disease and low frequency heart sound signatures | |
Holi | Automatic detection of neurological disordered voices using mel cepstral coefficients and neural networks | |
De Silva et al. | A method to screen obstructive sleep apnea using multi-variable non-intrusive measurements | |
Carvalho et al. | Wavelet transform and artificial neural networks applied to voice disorders identification | |
Vatanparvar et al. | Speechspiro: Lung function assessment from speech pattern as an alternative to spirometry for mobile health tracking | |
CN114467142A (zh) | 通过声音分析的肺部健康感测 | |
CN113974607A (zh) | 一种基于脉冲神经网络的睡眠鼾声检测系统 | |
Yadav et al. | Comparison of cough, wheeze and sustained phonations for automatic classification between healthy subjects and asthmatic patients | |
Kala et al. | An objective measure of signal quality for pediatric lung auscultations | |
Shanthakumari et al. | Spectrogram-based detection of crackles from lung sounds | |
Yin et al. | Athlete’s respiratory frequency and physical energy consumption model based on speech recognition technology | |
Kim et al. | Non-invasive way to diagnose dysphagia by training deep learning model with voice spectrograms |
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 |