CN112883812B - 一种基于深度学习的肺音分类方法、系统及存储介质 - Google Patents

一种基于深度学习的肺音分类方法、系统及存储介质 Download PDF

Info

Publication number
CN112883812B
CN112883812B CN202110100701.2A CN202110100701A CN112883812B CN 112883812 B CN112883812 B CN 112883812B CN 202110100701 A CN202110100701 A CN 202110100701A CN 112883812 B CN112883812 B CN 112883812B
Authority
CN
China
Prior art keywords
lung sound
tested
feature
training
neural network
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
Application number
CN202110100701.2A
Other languages
English (en)
Other versions
CN112883812A (zh
Inventor
胡波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Baiyun University
Original Assignee
Guangdong Baiyun University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Baiyun University filed Critical Guangdong Baiyun University
Priority to CN202110100701.2A priority Critical patent/CN112883812B/zh
Publication of CN112883812A publication Critical patent/CN112883812A/zh
Application granted granted Critical
Publication of CN112883812B publication Critical patent/CN112883812B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种基于深度学习的肺音分类方法、系统及存储介质，其方法包括：采集待测试肺音信号，并对所述待测试肺音信号进行预处理；基于小波变换法对预处理后的待测试肺音信号进行特征提取，得到待测试肺音特征矩阵；从样本数据库中均匀抽取已知分类结果的若干个训练肺音特征矩阵，利用所述若干个训练肺音特征矩阵对深度卷积神经网络进行训练；将所述待测试肺音特征矩阵导入训练好的深度卷积神经网络进行特征匹配，输出所述待测试肺音信号的分类结果。在本发明实施例中，通过利用深度卷积神经网络对肺音信号进行多类特征识别，具有较好的分类效果。

Description

一种基于深度学习的肺音分类方法、系统及存储介质
技术领域
本发明涉及生物医学信号识别技术领域，尤其涉及一种基于深度学习的肺音分类方法、系统及存储介质。
背景技术
肺音信号作为人类呼吸系统与外界环境在气体交换中所产生的一种生理信号，包含丰富的病理学信息和生理学信息。随着听诊器的问世，临床医生将其作为诊断肺部疾病的一种手段，从医生角度来考虑，是根据呼吸音的声量大小、声音粗细、延时长短等经验判断人体肺部病理状况，使得检测结果难免有所偏差。与主观听诊方式相比，目前已有很多学者关注于对肺音信号的计算机辅助分析，如采用表征人耳听觉特性的梅尔频率倒谱系数作为声学特征、并结合基于最大似然估计的高斯混合模型完成异常肺音识别等，但在大多数方法中所利用到的训练特征值较为单一，且采用模型的功能未扩展至肺音的细类区分，仍存在一定的局限性。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于深度学习的肺音分类方法、系统及存储介质，通过利用深度卷积神经网络对肺音信号进行多类特征识别，具有较好的分类效果。
为了解决上述问题，本发明提出了一种基于深度学习的肺音分类方法，所述方法包括：
采集待测试肺音信号，并对所述待测试肺音信号进行预处理；
基于小波变换法对预处理后的待测试肺音信号进行特征提取，得到待测试肺音特征矩阵；
从样本数据库中均匀抽取已知分类结果的若干个训练肺音特征矩阵，利用所述若干个训练肺音特征矩阵对深度卷积神经网络进行训练；
将所述待测试肺音特征矩阵导入训练好的深度卷积神经网络进行特征匹配，输出所述待测试肺音信号的分类结果。
可选的实施方式，所述采集待测试肺音信号，并对所述待测试肺音信号进行预处理包括：
采集人体在吸气状态下的第一肺音信号以及在呼气状态下的第二肺音信号，并对所述第一肺音信号和所述第二肺音信号封装为待测试肺音信号；
利用一阶高通滤波器对所述待测试肺音信号的高频部分进行预加重，再对预加重后的待测试肺音信号进行分帧加窗处理。
可选的实施方式，所述基于小波变换法对预处理后的待测试肺音信号进行特征提取，得到待测试肺音特征矩阵包括：
基于预处理后的待测试肺音信号的原始频率范围，对所述预处理后的待测试肺音信号进行五层小波分解，得到五层高频小波系数；
基于所述五层高频小波系数中的每一层高频小波系数所对应的能量值，从所述五层高频小波系数中提取出有效的N(N≤5)层高频小波系数；
计算所述N层高频小波系数中的每一层高频小波系数的标准偏差，得到所述预处理后的待测试肺音信号所对应的第一组特征向量；
计算所述N层高频小波系数中的每一层高频小波系数的有效平均值，得到所述预处理后的待测试肺音信号所对应的第二组特征向量；
以所述N层高频小波系数中的每一层高频小波系数的能量值为第三组特征向量，同时结合所述第一组特征向量和所述第二组特征向量构建出所述预处理后的待测试肺音信号所对应的待测试肺音特征矩阵。
可选的实施方式，所述利用所述若干个训练肺音特征矩阵对深度卷积神经网络进行训练包括：
基于所述若干个训练肺音特征矩阵中的每一个训练肺音特征矩阵所包含的特征向量组数，确定深度卷积神经网络的各层结构；
对所述深度卷积神经网络的各层结构进行参数初始化。
可选的实施方式，所述深度卷积神经网络的各层结构包括一个输入层、三个卷积层、三个池化层、四个全连接层和一个输出层。
可选的实施方式，所述利用所述若干个训练肺音特征矩阵对深度卷积神经网络进行训练还包括：
将所述若干个训练肺音特征矩阵划分为训练集和测试集；
利用所述训练集对所述深度卷积神经网络进行训练，并利用训练后的特征结果创建出SVM分类器组件；
将所述测试集导入当前深度卷积神经网络进行特征提取，再利用所述SVM分类器组件对所述测试集的特征结果进行分类输出；
以所述测试集的已知分类结果为基准，计算所述SVM分类器组件输出的所述测试集的分类结果的正确率，并判断所述正确率是否超过预设阈值；
若是，则将所述当前深度卷积神经网络直接定义为训练好的深度卷积神经网络；
若否，则以最大迭代次数为限定条件，利用误差反向传播算法对所述当前深度卷积神经网络的各层权值参数进行调整，并返回利用所述训练集对二次调整后的深度卷积神经网络进行训练。
可选的实施方式，所述SVM分类器组件包括依次连接的第一SVM分类器和第二SVM分类器；其中，
所述第一SVM分类器用于执行对正常肺音信号和异常肺音信号的分类识别；所述第二SVM分类器用于执行对干罗音信号和湿罗音信号的分类识别，且所述干罗音信号和所述湿罗音信号统称为所述异常肺音信号。
另外，本发明实施例还提供了一种基于深度学习的肺音分类系统，所述系统包括：
数据预处理模块，用于采集待测试肺音信号，并对所述待测试肺音信号进行预处理；
特征提取模块，用于基于小波变换法对预处理后的待测试肺音信号进行特征提取，得到待测试肺音特征矩阵；
网络训练模块，用于从样本数据库中均匀抽取已知分类结果的若干个训练肺音特征矩阵，利用所述若干个训练肺音特征矩阵对深度卷积神经网络进行训练；
信息匹配模块，用于将所述待测试肺音特征矩阵导入训练好的深度卷积神经网络进行特征匹配，输出所述待测试肺音信号的分类结果。
另外，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述中任意一项所述的基于深度学习的肺音分类方法。
在本发明实施例中，通过从待测试肺音信号中提炼出多类特征值来构建出相应的特征矩阵，可提高对待测试肺音信号的识别效果；利用深度卷积神经网络的自我学习优势，基于特征矩阵的向量组成情况对深度卷积神经网络的各层结构进行适应性改进，同时与SVM分类器有机结合，可保障对待测试肺音信号的分类准确度。
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，显而易见的，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它的附图。
图1是本发明实施例中的基于深度学习的肺音分类方法的流程示意图；
图2是本发明实施例中的基于深度学习的肺音分类系统的组成示意图。
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。
实施例
请参阅图1，图1示出了本发明实施例中的基于深度学习的肺音分类方法的流程示意图。
如图1所示，一种基于深度学习的肺音分类方法，所述方法包括如下步骤：
S101、采集待测试肺音信号，并对所述待测试肺音信号进行预处理；
本发明实施过程包括：
(1)采集人体在吸气状态下的第一肺音信号以及在呼气状态下的第二肺音信号，并对所述第一肺音信号和所述第二肺音信号封装为待测试肺音信号，且所述第一肺音信号和所述第二肺音信号的采集时间长度相同；
(2)利用一阶高通滤波器对所述待测试肺音信号的高频部分进行预加重，再对预加重后的待测试肺音信号进行分帧加窗处理。
具体的，首先对所述待测试肺音信号的高频部分进行预加重，表现为：假设t(t≥1)时刻下的待测试肺音采样值为x(t)，对其进行预加重后的当前采样值将替换为x′(t)＝x(t)-αx(t-1)，式中的α为预加重系数，以此循环完成对整个待测试肺音信号的预加重；
其次，对预加重后的待测试肺音信号进行分帧加窗处理，表现为：设置帧长度为25ms、帧移为10ms，将预加重后的待测试肺音信号划分为若干帧肺音信号，再调用汉明窗函数对所述若干帧肺音信号进行加权处理。
S102、基于小波变换法对预处理后的待测试肺音信号进行特征提取，得到待测试肺音特征矩阵；
本发明实施过程包括：
(1)基于预处理后的待测试肺音信号的原始频率范围，对所述预处理后的待测试肺音信号进行五层小波分解，得到五层高频小波系数；
具体表现如下：
基于预处理后的待测试肺音信号的原始频率范围为0～2000Hz，对所述预处理后的待测试肺音信号进行第一层分解，得到低频小波系数a1(频带为0～1000Hz)和高频小波系数d1(频带为1000Hz～2000Hz)；
对所述低频小波系数a1进行第二层分解，得到低频小波系数a2(频带为0～500Hz)和高频小波系数d2(频带为500Hz～1000Hz)；
对所述低频小波系数a2进行第三层分解，得到低频小波系数a3(频带为0～250Hz)和高频小波系数d3(频带为250Hz～500Hz)；
对所述低频小波系数a3进行第四层分解，得到低频小波系数a4(频带为0～125Hz)和高频小波系数d4(频带为125Hz～250Hz)；
对所述低频小波系数a4进行第五层分解，得到低频小波系数a5(频带为0～63Hz)和高频小波系数d5(频带为63Hz～125Hz)；
此时，按照频带范围由高到低进行排列，可得到五层高频小波系数为[d1，d2，d3，d4，d5]；
(2)基于所述五层高频小波系数中的每一层高频小波系数所对应的能量值，从所述五层高频小波系数中提取出有效的N(N≤5)层高频小波系数；
具体的，首先计算每一层高频小波系数所对应的能量值为：
式中：Ei为第i层高频小波系数di所对应的能量值，di，j为第i层高频小波系数di中的第j个元素，n为第i层高频小波系数di的维数；
其次，从所述五层高频小波系数中提取出能量值大于零的N(N≤5)层高频小波系数。
(3)计算所述N层高频小波系数中的每一层高频小波系数的标准偏差，得到所述预处理后的待测试肺音信号所对应的第一组特征向量，由N个标准偏差组成；
(4)计算所述N层高频小波系数中的每一层高频小波系数的有效平均值，得到所述预处理后的待测试肺音信号所对应的第二组特征向量，由N个有效平均值组成；
其中，计算第i层高频小波系数di的有效平均值包括：对第i层高频小波系数di中所包含的所有元素取绝对值，使得所有元素均为正值，再计算当前所有元素的平均值。
(5)以所述N层高频小波系数中的每一层高频小波系数的能量值为第三组特征向量，同时结合所述第一组特征向量和所述第二组特征向量构建出所述预处理后的待测试肺音信号所对应的待测试肺音特征矩阵，且所述待测试肺音特征矩阵的行数为3、列数为N。
S103、从样本数据库中均匀抽取已知分类结果的若干个训练肺音特征矩阵，利用所述若干个训练肺音特征矩阵对深度卷积神经网络进行训练；
在本发明实施例中，所述样本数据库内部划分有三大类子数据库，一类子数据库用于存储正常类型下的所有训练肺音特征矩阵，一类子数据库用于存储干罗音类型下的所有训练肺音特征矩阵，另一类子数据库用于存储湿罗音类型下的所有训练肺音特征矩阵，且上述提及到的任意一个训练肺音特征矩阵的组成形式与所述待测试肺音特征矩阵一致，均包含有三组特征向量；此外，该均匀抽取方式限定为按照规定比例从三大类子数据库中合理抽取。具体实施过程如下：
(1)基于所述若干个训练肺音特征矩阵中的每一个训练肺音特征矩阵所包含的特征向量组数，确定深度卷积神经网络的各层结构包括：一个输入层、三个卷积层、三个池化层、四个全连接层和一个输出层；
其中，由所述输入层对单个训练肺音特征矩阵进行分解输出三组特征向量，再利用单个卷积层、单个池化层和单个全连接层的相互配合对一组特征向量进行特征提取与二维映射，以此类推，最后经由最后一个全连接层对三组特征向量的提取结果进行融合后，经由所述输出层标记导出，便于后续构建分类器。
(2)对所述深度卷积神经网络的各层结构进行参数初始化，即在区间[-1,+1]内随机抽取一个值作为某一层结构的权值；
(3)将所述若干个训练肺音特征矩阵划分为训练集和测试集，且本发明实施例可规定所述训练集与所述测试集的数据比例为8:2；
(4)利用所述训练集对所述深度卷积神经网络进行训练，并利用训练后的特征结果创建出SVM分类器组件；
具体的，由于SVM(support vector machine，支持向量机)分类器为一种二分类线性模型，根据本发明实施例的分类需要，所述SVM分类器组件包括依次连接的第一SVM分类器和第二SVM分类器；其中，所述第一SVM分类器用于执行对正常肺音信号和异常肺音信号的分类识别；所述第二SVM分类器用于执行对干罗音信号和湿罗音信号的分类识别，且所述干罗音信号和所述湿罗音信号统称为所述异常肺音信号。
(5)将所述测试集导入当前深度卷积神经网络进行特征提取，再利用所述SVM分类器组件对所述测试集的特征结果进行分类输出；
(6)以所述测试集的已知分类结果为基准，计算所述SVM分类器组件输出的所述测试集的分类结果的正确率，并判断所述正确率是否超过预设阈值，相应的判断结果为：若所述正确率超过所述预设阈值，则将所述当前深度卷积神经网络直接定义为训练好的深度卷积神经网络；若所述正确率不超过所述预设阈值，则继续执行步骤(7)；
其中，计算所述SVM分类器组件输出的所述测试集的分类结果的正确率包括：假设所述测试集所包含的已知分类结果(此处说明为原始分类结果)的训练肺音特征矩阵总数量为M，当M个训练肺音特征矩阵通过所述当前深度卷积神经网络进行识别输出后，若核查到存在P(P≤M)个训练肺音特征矩阵的分类结果对应与其原始分类结果相同，则得到所述当前深度卷积神经网络的识别正确率为(P/M)*100％。
(7)以最大迭代次数为限定条件，利用误差反向传播算法对所述当前深度卷积神经网络的各层权值参数进行调整，并返回利用所述训练集对二次调整后的深度卷积神经网络进行训练，即：将二次调整后的深度卷积神经网络定义为当前深度卷积神经网络，并返回执行步骤(4)。
S104、将所述待测试肺音特征矩阵导入训练好的深度卷积神经网络进行特征匹配，输出所述待测试肺音信号的分类结果。
在本发明实施例中，通过从待测试肺音信号中提炼出多类特征值来构建出相应的特征矩阵，可提高对待测试肺音信号的识别效果；利用深度卷积神经网络的自我学习优势，基于特征矩阵的向量组成情况对深度卷积神经网络的各层结构进行适应性改进，同时与SVM分类器有机结合，可保障对待测试肺音信号的分类准确度。
实施例
请参阅图2，图2示出了本发明实施例中的基于深度学习的肺音分类系统的组成示意图。
如图2所示，一种基于深度学习的肺音分类系统，所述系统包括如下：
数据预处理模块201，用于采集待测试肺音信号，并对所述待测试肺音信号进行预处理；
具体实施过程包括：
(1)采集人体在吸气状态下的第一肺音信号以及在呼气状态下的第二肺音信号，并对所述第一肺音信号和所述第二肺音信号封装为待测试肺音信号，且所述第一肺音信号和所述第二肺音信号的采集时间长度相同；
(2)利用一阶高通滤波器对所述待测试肺音信号的高频部分进行预加重，再对预加重后的待测试肺音信号进行分帧加窗处理。
具体的，首先对所述待测试肺音信号的高频部分进行预加重，表现为：假设t(t≥1)时刻下的待测试肺音采样值为x(t)，对其进行预加重后的当前采样值将替换为x′(t)＝x(t)-αx(t-1)，式中的α为预加重系数，以此循环完成对整个待测试肺音信号的预加重；
其次，对预加重后的待测试肺音信号进行分帧加窗处理，表现为：设置帧长度为25ms、帧移为10ms，将预加重后的待测试肺音信号划分为若干帧肺音信号，再调用汉明窗函数对所述若干帧肺音信号进行加权处理。
特征提取模块202，用于基于小波变换法对预处理后的待测试肺音信号进行特征提取，得到待测试肺音特征矩阵；
具体实施过程包括：
(1)基于预处理后的待测试肺音信号的原始频率范围，对所述预处理后的待测试肺音信号进行五层小波分解，得到五层高频小波系数；
具体表现如下：
基于预处理后的待测试肺音信号的原始频率范围为0～2000Hz，对所述预处理后的待测试肺音信号进行第一层分解，得到低频小波系数a1(频带为0～1000Hz)和高频小波系数d1(频带为1000Hz～2000Hz)；
对所述低频小波系数a1进行第二层分解，得到低频小波系数a2(频带为0～500Hz)和高频小波系数d2(频带为500Hz～1000Hz)；
对所述低频小波系数a2进行第三层分解，得到低频小波系数a3(频带为0～250Hz)和高频小波系数d3(频带为250Hz～500Hz)；
对所述低频小波系数a3进行第四层分解，得到低频小波系数a4(频带为0～125Hz)和高频小波系数d4(频带为125Hz～250Hz)；
对所述低频小波系数a4进行第五层分解，得到低频小波系数a5(频带为0～63Hz)和高频小波系数d5(频带为63Hz～125Hz)；
此时，按照频带范围由高到低进行排列，可得到五层高频小波系数为[d1，d2，d3，d4，d5]；
(2)基于所述五层高频小波系数中的每一层高频小波系数所对应的能量值，从所述五层高频小波系数中提取出有效的N(N≤5)层高频小波系数；
具体的，首先计算每一层高频小波系数所对应的能量值为：
式中：Ei为第i层高频小波系数di所对应的能量值，di，j为第i层高频小波系数di中的第j个元素，n为第i层高频小波系数di的维数；
其次，从所述五层高频小波系数中提取出能量值大于零的N(N≤5)层高频小波系数。
(3)计算所述N层高频小波系数中的每一层高频小波系数的标准偏差，得到所述预处理后的待测试肺音信号所对应的第一组特征向量，由N个标准偏差组成；
(4)计算所述N层高频小波系数中的每一层高频小波系数的有效平均值，得到所述预处理后的待测试肺音信号所对应的第二组特征向量，由N个有效平均值组成；
其中，计算第i层高频小波系数di的有效平均值包括：对第i层高频小波系数di中所包含的所有元素取绝对值，使得所有元素均为正值，再计算当前所有元素的平均值。
(5)以所述N层高频小波系数中的每一层高频小波系数的能量值为第三组特征向量，同时结合所述第一组特征向量和所述第二组特征向量构建出所述预处理后的待测试肺音信号所对应的待测试肺音特征矩阵，且所述待测试肺音特征矩阵的行数为3、列数为N。
网络训练模块203，用于从样本数据库中均匀抽取已知分类结果的若干个训练肺音特征矩阵，利用所述若干个训练肺音特征矩阵对深度卷积神经网络进行训练；
在本发明实施例中，所述样本数据库内部划分有三大类子数据库，一类子数据库用于存储正常类型下的所有训练肺音特征矩阵，一类子数据库用于存储干罗音类型下的所有训练肺音特征矩阵，另一类子数据库用于存储湿罗音类型下的所有训练肺音特征矩阵，且上述提及到的任意一个训练肺音特征矩阵的组成形式与所述待测试肺音特征矩阵一致，均包含有三组特征向量；此外，该均匀抽取方式限定为按照规定比例从三大类子数据库中合理抽取。具体实施过程如下：
(1)基于所述若干个训练肺音特征矩阵中的每一个训练肺音特征矩阵所包含的特征向量组数，确定深度卷积神经网络的各层结构包括：一个输入层、三个卷积层、三个池化层、四个全连接层和一个输出层；
其中，由所述输入层对单个训练肺音特征矩阵进行分解输出三组特征向量，再利用单个卷积层、单个池化层和单个全连接层的相互配合对一组特征向量进行特征提取与二维映射，以此类推，最后经由最后一个全连接层对三组特征向量的提取结果进行融合后，经由所述输出层标记导出，便于后续构建分类器。
(2)对所述深度卷积神经网络的各层结构进行参数初始化，即在区间[-1,+1]内随机抽取一个值作为某一层结构的权值；
(3)将所述若干个训练肺音特征矩阵划分为训练集和测试集，且本发明实施例可规定所述训练集与所述测试集的数据比例为8∶2；
(4)利用所述训练集对所述深度卷积神经网络进行训练，并利用训练后的特征结果创建出SVM分类器组件；
具体的，由于SVM(support vector machine，支持向量机)分类器为一种二分类线性模型，根据本发明实施例的分类需要，所述SVM分类器组件包括依次连接的第一SVM分类器和第二SVM分类器；其中，所述第一SVM分类器用于执行对正常肺音信号和异常肺音信号的分类识别；所述第二SVM分类器用于执行对干罗音信号和湿罗音信号的分类识别，且所述干罗音信号和所述湿罗音信号统称为所述异常肺音信号。
(5)将所述测试集导入当前深度卷积神经网络进行特征提取，再利用所述SVM分类器组件对所述测试集的特征结果进行分类输出；
(6)以所述测试集的已知分类结果为基准，计算所述SVM分类器组件输出的所述测试集的分类结果的正确率，并判断所述正确率是否超过预设阈值，相应的判断结果为：若所述正确率超过所述预设阈值，则将所述当前深度卷积神经网络直接定义为训练好的深度卷积神经网络；若所述正确率不超过所述预设阈值，则继续执行步骤(7)；
其中，计算所述SVM分类器组件输出的所述测试集的分类结果的正确率包括：假设所述测试集所包含的已知分类结果(此处说明为原始分类结果)的训练肺音特征矩阵总数量为M，当M个训练肺音特征矩阵通过所述当前深度卷积神经网络进行识别输出后，若核查到存在P(P≤M)个训练肺音特征矩阵的分类结果对应与其原始分类结果相同，则得到所述当前深度卷积神经网络的识别正确率为(P/M)*100％。
(7)以最大迭代次数为限定条件，利用误差反向传播算法对所述当前深度卷积神经网络的各层权值参数进行调整，并返回利用所述训练集对二次调整后的深度卷积神经网络进行训练，即：将二次调整后的深度卷积神经网络定义为当前深度卷积神经网络，并返回执行步骤(4)。
信息匹配模块204，用于将所述待测试肺音特征矩阵导入训练好的深度卷积神经网络进行特征匹配，输出所述待测试肺音信号的分类结果。
在本发明实施例中，通过从待测试肺音信号中提炼出多类特征值来构建出相应的特征矩阵，可提高对待测试肺音信号的识别效果；利用深度卷积神经网络的自我学习优势，基于特征矩阵的向量组成情况对深度卷积神经网络的各层结构进行适应性改进，同时与SVM分类器有机结合，可保障对待测试肺音信号的分类准确度。
本发明实施例提供的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可执行的计算机程序，该程序被处理器执行时实现上述实施例所提出的基于深度学习的肺音分类方法。其中，所述计算机可读存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory，只读存储器)、RAM(Random AcceSSMemory，随即存储器)、EPROM(EraSable Programmable Read-Only Memory，可擦写可编程只读存储器)、EEPROM(Electrically EraSable ProgrammableRead-Only Memory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是说，存储设备包括由设备(如计算机、手机等)以可读的形式存储或传输信息的任何介质，可以是只读存储器、磁盘或光盘等。
以上对本发明实施例所提供的一种基于深度学习的肺音分类方法、系统及存储介质进行了详细介绍，本文中采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 (7)

1.一种基于深度学习的肺音分类方法，其特征在于，所述方法包括：
采集待测试肺音信号，并对所述待测试肺音信号进行预处理；
基于小波变换法对预处理后的待测试肺音信号进行特征提取，得到待测试肺音特征矩阵，所述基于小波变换法对预处理后的待测试肺音信号进行特征提取，得到待测试肺音特征矩阵包括：基于预处理后的待测试肺音信号的原始频率范围，对所述预处理后的待测试肺音信号进行五层小波分解，得到五层高频小波系数，基于所述五层高频小波系数中的每一层高频小波系数所对应的能量值，从所述五层高频小波系数中提取出有效的N层高频小波系数，N≤5，计算所述N层高频小波系数中的每一层高频小波系数的标准偏差，得到所述预处理后的待测试肺音信号所对应的第一组特征向量，计算所述N层高频小波系数中的每一层高频小波系数的有效平均值，得到所述预处理后的待测试肺音信号所对应的第二组特征向量，以所述N层高频小波系数中的每一层高频小波系数的能量值为第三组特征向量，同时结合所述第一组特征向量和所述第二组特征向量构建出所述预处理后的待测试肺音信号所对应的待测试肺音特征矩阵；
从样本数据库中均匀抽取已知分类结果的若干个训练肺音特征矩阵，利用所述若干个训练肺音特征矩阵对深度卷积神经网络进行训练，所述利用所述若干个训练肺音特征矩阵对深度卷积神经网络进行训练包括：基于所述若干个训练肺音特征矩阵中的每一个训练肺音特征矩阵所包含的特征向量组数，确定深度卷积神经网络的各层结构，对所述深度卷积神经网络的各层结构进行参数初始化；
将所述待测试肺音特征矩阵导入训练好的深度卷积神经网络进行特征匹配，输出所述待测试肺音信号的分类结果。
2.根据权利要求1所述的基于深度学习的肺音分类方法，其特征在于，所述采集待测试肺音信号，并对所述待测试肺音信号进行预处理包括：
采集人体在吸气状态下的第一肺音信号以及在呼气状态下的第二肺音信号，并对所述第一肺音信号和所述第二肺音信号封装为待测试肺音信号；
利用一阶高通滤波器对所述待测试肺音信号的高频部分进行预加重，再对预加重后的待测试肺音信号进行分帧加窗处理。
3.根据权利要求1所述的基于深度学习的肺音分类方法，其特征在于，所述深度卷积神经网络的各层结构包括一个输入层、三个卷积层、三个池化层、四个全连接层和一个输出层。
4.根据权利要求1所述的基于深度学习的肺音分类方法，其特征在于，所述利用所述若干个训练肺音特征矩阵对深度卷积神经网络进行训练还包括：
将所述若干个训练肺音特征矩阵划分为训练集和测试集；
利用所述训练集对所述深度卷积神经网络进行训练，并利用训练后的特征结果创建出SVM分类器组件；
将所述测试集导入当前深度卷积神经网络进行特征提取，再利用所述SVM分类器组件对所述测试集的特征结果进行分类输出；
以所述测试集的已知分类结果为基准，计算所述SVM分类器组件输出的所述测试集的分类结果的正确率，并判断所述正确率是否超过预设阈值；
若是，则将所述当前深度卷积神经网络直接定义为训练好的深度卷积神经网络；
若否，则以最大迭代次数为限定条件，利用误差反向传播算法对所述当前深度卷积神经网络的各层权值参数进行调整，并返回利用所述训练集对二次调整后的深度卷积神经网络进行训练。
5.根据权利要求4所述的基于深度学习的肺音分类方法，其特征在于，所述SVM分类器组件包括依次连接的第一SVM分类器和第二SVM分类器；其中，
所述第一SVM分类器用于执行对正常肺音信号和异常肺音信号的分类识别；所述第二SVM分类器用于执行对干罗音信号和湿罗音信号的分类识别，且所述干罗音信号和所述湿罗音信号统称为所述异常肺音信号。
6.一种基于深度学习的肺音分类系统，其特征在于，所述系统包括：
数据预处理模块，用于采集待测试肺音信号，并对所述待测试肺音信号进行预处理；
特征提取模块，用于基于小波变换法对预处理后的待测试肺音信号进行特征提取，得到待测试肺音特征矩阵，所述基于小波变换法对预处理后的待测试肺音信号进行特征提取，得到待测试肺音特征矩阵包括：基于预处理后的待测试肺音信号的原始频率范围，对所述预处理后的待测试肺音信号进行五层小波分解，得到五层高频小波系数，基于所述五层高频小波系数中的每一层高频小波系数所对应的能量值，从所述五层高频小波系数中提取出有效的N层高频小波系数，N≤5，计算所述N层高频小波系数中的每一层高频小波系数的标准偏差，得到所述预处理后的待测试肺音信号所对应的第一组特征向量，计算所述N层高频小波系数中的每一层高频小波系数的有效平均值，得到所述预处理后的待测试肺音信号所对应的第二组特征向量，以所述N层高频小波系数中的每一层高频小波系数的能量值为第三组特征向量，同时结合所述第一组特征向量和所述第二组特征向量构建出所述预处理后的待测试肺音信号所对应的待测试肺音特征矩阵；
网络训练模块，用于从样本数据库中均匀抽取已知分类结果的若干个训练肺音特征矩阵，利用所述若干个训练肺音特征矩阵对深度卷积神经网络进行训练，所述利用所述若干个训练肺音特征矩阵对深度卷积神经网络进行训练包括：基于所述若干个训练肺音特征矩阵中的每一个训练肺音特征矩阵所包含的特征向量组数，确定深度卷积神经网络的各层结构，对所述深度卷积神经网络的各层结构进行参数初始化；
信息匹配模块，用于将所述待测试肺音特征矩阵导入训练好的深度卷积神经网络进行特征匹配，输出所述待测试肺音信号的分类结果。
7.一种计算机可读存储介质，其上存储有计算机程序，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5中任意一项所述的基于深度学习的肺音分类方法。
CN202110100701.2A 2021-01-22 2021-01-22 一种基于深度学习的肺音分类方法、系统及存储介质 Active CN112883812B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110100701.2A CN112883812B (zh) 2021-01-22 2021-01-22 一种基于深度学习的肺音分类方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110100701.2A CN112883812B (zh) 2021-01-22 2021-01-22 一种基于深度学习的肺音分类方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN112883812A CN112883812A (zh) 2021-06-01
CN112883812B true CN112883812B (zh) 2024-05-03

Family

ID=76051819

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110100701.2A Active CN112883812B (zh) 2021-01-22 2021-01-22 一种基于深度学习的肺音分类方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN112883812B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096561A (zh) * 2016-06-16 2016-11-09 重庆邮电大学 基于图像块深度学习特征的红外行人检测方法
CN106226845A (zh) * 2016-08-11 2016-12-14 国家电网公司 一种从opgw振动信号中识别冰雹分布区域的方法
CN107798350A (zh) * 2017-11-08 2018-03-13 华南师范大学 一种心肺音信号识别方法和系统
WO2018107810A1 (zh) * 2016-12-15 2018-06-21 平安科技（深圳）有限公司 声纹识别方法、装置、电子设备及介质
WO2019214026A1 (zh) * 2018-05-09 2019-11-14 吉林大学珠海学院 一种基于PCANet的心电特征提取方法
CN110532424A (zh) * 2019-09-26 2019-12-03 西南科技大学 一种基于深度学习和云平台的肺音特征分类系统及方法
CN111860246A (zh) * 2020-07-08 2020-10-30 南通大学 面向深度卷积神经网络的心音信号分类的数据扩充方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096561A (zh) * 2016-06-16 2016-11-09 重庆邮电大学 基于图像块深度学习特征的红外行人检测方法
CN106226845A (zh) * 2016-08-11 2016-12-14 国家电网公司 一种从opgw振动信号中识别冰雹分布区域的方法
WO2018107810A1 (zh) * 2016-12-15 2018-06-21 平安科技（深圳）有限公司 声纹识别方法、装置、电子设备及介质
CN107798350A (zh) * 2017-11-08 2018-03-13 华南师范大学 一种心肺音信号识别方法和系统
WO2019214026A1 (zh) * 2018-05-09 2019-11-14 吉林大学珠海学院 一种基于PCANet的心电特征提取方法
CN110532424A (zh) * 2019-09-26 2019-12-03 西南科技大学 一种基于深度学习和云平台的肺音特征分类系统及方法
CN111860246A (zh) * 2020-07-08 2020-10-30 南通大学 面向深度卷积神经网络的心音信号分类的数据扩充方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于多尺度小波包分析的肺音特征提取与分类;刘毅;张彩明;赵玉华;董亮;;计算机学报(05);全文 *
基于小波系数聚类的特征提取分类方法;周维忠, 冯心海, 孙国基;计算机研究与发展(08);第982-987页 *

Also Published As

Publication number Publication date
CN112883812A (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
CN111461176B (zh) 基于归一化互信息的多模态融合方法、装置、介质及设备
CN107492382B (zh) 基于神经网络的声纹信息提取方法及装置
CN111429938B (zh) 一种单通道语音分离方法、装置及电子设备
CN109620152B (zh) 一种基于MutiFacolLoss-Densenet的心电信号分类方法
CN110755108A (zh) 一种基于智能听诊器的心脏声音分类方法、系统、装置及可读存储介质
CN108597601B (zh) 基于支持向量机的慢性阻塞性肺疾病诊断辅助系统及方法
CN109044396B (zh) 一种基于双向长短时记忆神经网络的智能心音识别方法
Mesgarani et al. Discrimination of speech from nonspeech based on multiscale spectro-temporal modulations
US20200294509A1 (en) Method and apparatus for establishing voiceprint model, computer device, and storage medium
CN116705337B (zh) 一种健康数据采集及智能分析方法
CN109961017A (zh) 一种基于卷积循环神经网络的心音信号分类方法
CN101023469B (zh) 数字滤波方法和装置
CN110459225B (zh) 一种基于cnn融合特征的说话人辨认系统
CN110310647A (zh) 一种语音身份特征提取器、分类器训练方法及相关设备
CN110070895B (zh) 一种基于监督变分编码器因素分解的混合声音事件检测方法
CN112349297A (zh) 一种基于麦克风阵列的抑郁症检测方法
CN108847279B (zh) 一种基于脉搏波数据的睡眠呼吸状态自动判别方法及系统
WO2018166316A1 (zh) 融合多种端到端神经网络结构的说话人感冒症状识别方法
CN108520753A (zh) 基于卷积双向长短时记忆网络的语音测谎方法
CN112669820B (zh) 基于语音识别的考试作弊识别方法、装置及计算机设备
CN111951824A (zh) 一种基于声音判别抑郁症的检测方法
CN115587337A (zh) 车门异响识别方法、设备和存储介质
CN111489763A (zh) 一种基于gmm模型的复杂环境下说话人识别自适应方法
CN114224288A (zh) 检测癫痫脑电信号的微型胶囊神经网络训练方法及设备
CN112883812B (zh) 一种基于深度学习的肺音分类方法、系统及存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240319

Address after: No.1, Xueyuan Road, Jianggao Town, Baiyun District, Guangzhou City, Guangdong Province, 510450

Applicant after: GUANGDONG BAIYUN University

Country or region after: China

Address before: Room 102, building 1, Guangdong Pharmaceutical College, 280 Waihuan East Road, Xiaoguwei street, Panyu District, Guangzhou, Guangdong 511400

Applicant before: GUANGZHOU DEVICEGATE INFORMATION TECHNOLOGY Co.,Ltd.

Country or region before: China

GR01 Patent grant
GR01 Patent grant