CN112932525B - 一种肺音异常智能诊断系统、介质及设备 - Google Patents

一种肺音异常智能诊断系统、介质及设备 Download PDF

Info

Publication number
CN112932525B
CN112932525B CN202110111083.1A CN202110111083A CN112932525B CN 112932525 B CN112932525 B CN 112932525B CN 202110111083 A CN202110111083 A CN 202110111083A CN 112932525 B CN112932525 B CN 112932525B
Authority
CN
China
Prior art keywords
abnormal
lung
lung sound
sound
graph
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
CN202110111083.1A
Other languages
English (en)
Other versions
CN112932525A (zh
Inventor
卢国梁
欧德怀
许云泉
谢兆宏
尚伟
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.)
Shandong University
Original Assignee
Shandong 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 Shandong University filed Critical Shandong University
Priority to CN202110111083.1A priority Critical patent/CN112932525B/zh
Publication of CN112932525A publication Critical patent/CN112932525A/zh
Application granted granted Critical
Publication of CN112932525B publication Critical patent/CN112932525B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B7/00—Instruments for auscultation
    • A61B7/003—Detecting lung or respiration 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Acoustics & Sound (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Pulmonology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种肺音异常智能诊断系统、介质及设备，包括：信号分解模块，被配置为对获取的肺音信号进行局部均值分解后得到若干个分量信号；图建模模块，被配置为对分量信号根据时间节点以无重叠滑动窗方式进行图建模，并对滑动窗内构建的图模型求均值后得到均值图；状态检测模块，被配置为根据相邻时刻均值图的距离检测肺音信号的异常状态；诊断模块，被配置为对检测到的异常肺音信号进行肺部异常音类型的识别。通过采集患者实时状态下的肺音信号，能够对肺部异常音进行自动监测与识别，从而分辨出肺部异常音，实现对哮鸣音、鼾音、粗爆裂音、细爆裂音四种异常音的自动检测及智能识别。

Description

一种肺音异常智能诊断系统、介质及设备
技术领域
本发明涉及医疗器械技术领域，尤其涉及一种肺音异常智能诊断系统、介质及设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
肺音是反映呼吸系统生理和病理特性的一项重要指标，在临床上常用作诊断呼吸系统疾病的重要依据。发明人发现，目前临床中大多使用机械式听诊器，尽管机械式听诊器测量灵敏、信号保真度高，但在使用中需要依靠医务人员专业知识进行操作和听诊，无法满足家庭中不具备医务知识的个人使用，而且机械式听诊器无法实现对肺音信号的自动识别，夹杂在肺音信号中的杂音会干扰机械式听诊器的诊断结果；另外，市面上已有的电子听诊器虽然在使用过程中简单、方便，但却不具备智能诊断的功能。
发明内容
针对现有技术存在的不足，本发明提出了一种肺音异常智能诊断系统、介质及设备，通过采集患者实时状态下的肺音信号，能够对肺部异常音进行自动监测与识别，从而分辨出肺部异常音，实现对哮鸣音、鼾音、粗爆裂音、细爆裂音四种异常音的自动检测及智能识别。
为了实现上述目的，本发明采用如下技术方案：
第一方面，本发明提供一种肺音异常智能诊断系统，包括：
信号分解模块，被配置为对获取的肺音信号进行局部均值分解后得到若干个分量信号；
图建模模块，被配置为对分量信号根据时间节点以无重叠滑动窗方式进行图建模，并对滑动窗内构建的图模型求均值后得到均值图；
状态检测模块，被配置为根据相邻时刻均值图的距离检测肺音信号的异常状态；
诊断模块，被配置为对检测到的异常肺音信号进行肺部异常音类型的识别。
第二方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如下步骤：
对获取的肺音信号进行局部均值分解后得到若干个分量信号；
对分量信号根据时间节点以无重叠滑动窗方式进行图建模，并对滑动窗内构建的图模型求均值后得到均值图；
根据相邻时刻均值图的距离检测肺音信号的异常状态；
对检测到的异常肺音信号进行肺部异常音类型的识别。
第三方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成如下步骤：
对获取的肺音信号进行局部均值分解后得到若干个分量信号；
对分量信号根据时间节点以无重叠滑动窗方式进行图建模，并对滑动窗内构建的图模型求均值后得到均值图；
根据相邻时刻均值图的距离检测肺音信号的异常状态；
对检测到的异常肺音信号进行肺部异常音类型的识别。
第四方面，本发明提供一种智能听诊器，包括：肺音传感器和第一方面所述的肺音异常智能诊断系统，所述肺音传感器用于获取肺音信号并发送至肺音异常智能诊断系统。
与现有技术相比，本发明的有益效果为：
(1)本发明的一个或多个实施方式通过对肺音信号进行图建模、异常状态检测、异常肺音诊断，能够识别出不同类型的肺音数据；使用时只需将传感器贴于皮肤对应肺部位置即可实现对肺音信号的实时数据采集，使用方便可靠，患者可以自行诊断，操作难度较低。
(2)本发明的一个或多个实施方式监测、采集的数据一方面可以实时处理诊断以发现使用者肺部的健康状况，另一方面将患者的数据进行存储，方便后续的数据收集分析。
(3)本发明的一个或多个实施方式具有数据采集模块和数据分析模块，极大地优化了传统的听诊器的使用功能，且能够采集到患者实时状态下的肺音状态监测，用以记录分析患者肺功能的健康状态分析。
(4)本发明的一个或多个实施方式通过对肺音信号进行LMD局部均值分解能够过滤肺音信号里的心音等杂音信号，有效地将心音噪声等冗余信息进行隔离。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例1提供的肺音异常智能诊断系统流程图；
图2是本发明实施例1提供的数据获取模块结构示意图；
图3是本发明实施例1提供的肺部异常音类型识别示意图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1：
如图1所示，本实施例提供了一种肺音异常智能诊断系统，包括：
信号分解模块，被配置为对获取的肺音信号进行局部均值分解后得到若干个分量信号；
图建模模块，被配置为对分量信号根据时间节点以无重叠滑动窗方式进行图建模，并对滑动窗内构建的图模型求均值后得到均值图；
状态检测模块，被配置为根据相邻时刻均值图的距离检测肺音信号的异常状态；
诊断模块，被配置为对检测到的异常肺音信号进行肺部异常音类型的识别。
由于肺音从产生处开始经过肺部及胸腔壁通过固体振动形式传播至胸腔壁体表，产生的固体振动经过处理后可以被本实施例的系统监测到，所以，在本实施例中，该系统还包括数据获取模块，用于对肺音信号的实时采集；
具体地，如图2所示，所述数据获取模块包括依次连接的肺音传感器、信号放大模块和模数转换器；所述肺音传感器采集到的数据首先经过信号放大模块实现对肺音测量数据的放大，再通过模数转换器将肺音模拟量数据转换成肺音数字量数据。
优选地，所述肺音传感器采用美国MEAS的CM-01传感器，在使用时只需将带有肺音传感器的电极贴贴在肺部即可实现对肺音信号的实时采集；
优选地，所述模数转换器采用AD7606模数转换器。
优选地，在本实施例中，采用树莓派作为处理器，由处理器对肺音数字量数据进行智能分析和处理，包括图建模、异常状态检测、异常肺音诊断等过程，实现对肺音状态的智能诊断，并将诊断结果传输到智能客户端，同时还可以对采集的肺音数据和诊断结果进行保存；
在本实施例中，所述肺音状态的诊断结果中，肺部异常音包括哮鸣音、鼾音、粗爆裂音和细爆裂音；其中：
哮鸣音(干/连续罗音)：时间长于250毫秒的连续的声音，音调高，主要频率在400Hz或更高，呈嘶嘶声，最高峰处频率fp＞200HZ。
鼾音(干/连续罗音)：时间长于250毫秒的连续的声音，音调低，主要频率约为200Hz或更低，呈鼾音声，振幅呈单或双峰，振幅两侧中央有侧襻旁幅，振幅歪斜不规则，非正态分布。
粗爆裂音(粗/间断罗音)：不连续间断突发音，声音大，音调低，振幅接近于正态分布。
细爆裂音(细/间断罗音)：不连续间断突发音，与粗爆裂音相比，声音较小，时间较短，音调较高，振幅接近于正态分布。
本实施例通过采集患者实时状态下的肺音信号，能够更加科学有效的获得肺部疾病相关的信息，能够对肺部异常音进行实时智能监测与识别，从而分辨出肺部异常音，实现对哮鸣音、鼾音、粗爆裂音、细爆裂音四种异常音的自动检测及智能识别，与传统的机械式听诊器相比，本实施例可以自动识别肺部异常音，从而实现对肺部疾病的辅助诊断；
然而，在采集肺音信号的过程中不可避免的会伴随心音等其他杂音，所以，为了保证得到准确的肺音识别结果，本实施例采用局部均值分解LMD进行多尺度分析，以过滤肺音信号中的心音等杂音信号，可以有效地将心音噪声等冗余信息进行隔离。
在信号分解模块中，LMD作为一种自适应分解方法，将得到的原始肺音信号数据分解为一系列具有物理意义的分量信号，反映信号能量在多尺度空间下的分布情况；LMD分解的具体步骤如下：
(1)记x(t)为获取的肺音信号，首先以xt为截止点，确定滑动窗L，滑动窗口内数据即为X(t)＝{x(t-L),x(t-L+1),...,x(t)}，该滑动窗口内极值点记为ni，那么前一个滑动窗口内的极值点即为ni-1；
(2)根据所有的局部极值点ni,i∈N+，计算所有局部极值平均值mi和包络估计值ai，采用滑动平均法处理后得到局部均值函数m11(t)和a11(t)：
Figure BDA0002919368870000071
Figure BDA0002919368870000072
(3)从肺音信号x(t)中将局部均值函数m11(t)分离出来，得到函数h11(t)：
h11(t)＝x(t)-m11(t)   (3)
(4)将函数h11(t)进行多次迭代解调，直到满足-1≤s1n(t)≤1及a1(n+1)(t)＝1，得到调频信号，调频信号如下：
Figure BDA0002919368870000073
多次迭代过程如下：
Figure BDA0002919368870000074
其中s11(t)、s12(t)、s1n(t)分别如下：
Figure BDA0002919368870000075
Figure BDA0002919368870000076
(5)将a1(t)和s1n(t)进行求积运算，得到肺音信号的第一个PF分量：
PF1(t)＝a1(t)s1n(t)   (8)
(6)将PF1(t)分量从肺音信号x(t)中去除，得到第一个残余分量，记作μ1(t)，重复上述步骤n次，直到μn(t)的极小值≤1：
Figure BDA0002919368870000081
(7)肺音信号完成分解后，得到一系列PF分量和残余分量：
Figure BDA0002919368870000082
在本实施例中，为了提取肺音信号的动态特性，本实施例采用图结构对提取的PF分量信号进行图建模，以对肺音健康状态进行动态评估；肺音信号图建模的过程为：
肺音信号x(t)被LMD分解后，得到一系列称为乘积函数的分量信号，即x(t)→{PF1,PF2,...,PFn}；
对分量信号按时间节点顺序取滑动窗，定义vi为当前时间点在第i个分量PFi下的数值，vi则为图模型的节点，vi与vj之间的距离为图模型的边lij，每条边lij的权重dij为节点i和节点j之间的欧式距离，即
Figure BDA0002919368870000083
然后对其进行赋值，在每个滑动窗内部根据滑动窗的长度构建若干个图模型；
将计算得到的节点间欧式距离以邻接矩阵形式表示，得到图模型的矩阵表示：
Figure BDA0002919368870000084
其中，n是由x(t)分解得到的PF分量信号的个数。
考虑到某单一时刻噪声信号的影响，本实施例对每个滑动窗内部构建的多个图模型采用求均值的方法得到均值图，均值图作为该滑动窗内部信号的特征，表示滑动窗内部的平均水平，使得到的图模型更加准确地反应出真实的运动状态，这样原始肺音信号可以由一系列图模型进行动态描述；
那么，每个滑动窗内部的均值图
Figure BDA0002919368870000091
如下：
Figure BDA0002919368870000092
在状态检测模块中，本实施例为解决图模型由于高维度而不方便直接引用的问题，采用相似度量方法，通过计算相邻时刻均值图模型之间的欧式距离，当肺音信号变动比较大时，两个图模型之间欧式距离值比较大，故可以用来检测肺音信号的异常变动；
本实施例对肺音检测过程中的变化进行量化分析为：
Figure BDA0002919368870000093
其中，Gt和Gt-1分别为t和t-1时刻的均值图模型；n为图模型节点数；d(i,j)和d′(i,j)为每条边的权重；st为得到的异常分数，反映健康指标状况，设置原假设条件和对立假设条件为：
原假设H0：当前时刻肺音信号数据与历史肺音信号数据服从同一分布，患者肺音处于正常状态；即H0：|st-μt-1|≤6σt-1，肺音信号无异常；
对立假设H1：当前时刻肺音信号数据出现异于正常的状态变化，该时刻为检测到肺音信号的异常状态，即H1:|st-μt-1|＞6σt-1，肺音信号发生异常；
μt-1和σt-1分别为健康肺音数据{s1,s2,…,st-1}的平均值和标准差；计算公式如下：
Figure BDA0002919368870000101
Figure BDA0002919368870000102
在诊断模块中，如图3所示，对于检测到的异常肺音信号，本实施例采用模式识别方法(如SVM、ANN、深度学习等)实现肺部异常音的类型识别；优选地，本实施例采用已训练好的SVM分类器进行肺部异常音类型的识别，SVM分类器训练和识别的具体步骤如下：
(1)将收集到的哮鸣音、鼾音、粗爆裂音、细爆裂音的肺音信号按滑动窗进行分解，构建分类器训练样本；
(2)对训练样本进行图结构建模，并将建模得到的图结构邻接矩阵作为该样本的特征向量，根据该特征向量对SVM分类器进行训练；
(3)在肺部异常音的类型识别时，将监测到的肺音异常状态的信号片段输入至训练好的SVM分类器中，即可实现异常音的类型识别。
在更多实施例中，还提供：
一种智能听诊器，包括：肺音传感器和实施例1所述的肺音异常智能诊断系统，所述肺音传感器用于获取肺音信号并发送至肺音异常智能诊断系统。
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如下步骤：
对获取的肺音信号进行局部均值分解后得到若干个分量信号；
对分量信号根据时间节点以无重叠滑动窗方式进行图建模，并对滑动窗内构建的图模型求均值后得到均值图；
根据相邻时刻均值图的距离检测肺音信号的异常状态；
对检测到的异常肺音信号进行肺部异常音类型的识别。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成如下步骤：
对获取的肺音信号进行局部均值分解后得到若干个分量信号；
对分量信号根据时间节点以无重叠滑动窗方式进行图建模，并对滑动窗内构建的图模型求均值后得到均值图；
根据相邻时刻均值图的距离检测肺音信号的异常状态；
对检测到的异常肺音信号进行肺部异常音类型的识别。
该方法可以直接体现为硬件处理器执行完成，或者用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，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (6)

1.一种肺音异常智能诊断系统，其特征在于，包括：
信号分解模块，被配置为对获取的肺音信号进行局部均值分解后得到若干个分量信号；
图建模模块，被配置为对分量信号根据时间节点以无重叠滑动窗方式进行图建模，并对滑动窗内构建的图模型求均值后得到均值图；
状态检测模块，被配置为根据相邻时刻均值图的距离检测肺音信号的异常状态；
诊断模块，被配置为对检测到的异常肺音信号进行肺部异常音类型的识别；
在所述诊断模块中，根据肺音异常状态检测结果，若肺音信号异常，则采用预训练的SVM分类器进行肺部异常音类型的识别；
SVM分类器的训练和识别的具体步骤包括：
将哮鸣音、鼾音、粗爆裂音、细爆裂音的肺音信号按滑动窗进行分解，构建分类器训练样本；
对训练样本进行图结构建模，并将建模得到的图结构邻接矩阵作为训练样本的特征向量；
根据训练样本的特征向量对SVM分类器进行训练，以训练好的SVM分类器对检测到的异常肺音信号进行肺部异常音类型的识别；
肺部异常音类型包括哮鸣音、鼾音、粗爆裂音和细爆裂音。
2.如权利要求1所述的一种肺音异常智能诊断系统，其特征在于，在所述图建模模块中，在每个滑动窗内，以分量信号的时间点为节点，以两个分量信号时间点的距离为边权重构建图模型。
3.如权利要求1所述的一种肺音异常智能诊断系统，其特征在于，在所述状态检测模块中，根据健康肺音数据的平均值和标准差设置肺音信号无异常和肺音信号有异常的原假设条件和对立假设条件；
采用相似度量方法，根据相邻时刻均值图之间的欧式距离计算当前时刻肺音信号的异常分数；
根据原假设条件、对立假设条件和异常分数判断当前时刻肺音信号是否异常。
4.如权利要求1所述的一种肺音异常智能诊断系统，其特征在于，所述诊断系统还包括数据获取模块，所述数据获取模块包括依次连接的肺音传感器、信号放大模块和模数转换器；所述肺音传感器实时采集肺音信号数据，所述信号放大模块对肺音信号数据进行放大后，由所述模数转换器将肺音信号模拟量数据转换成肺音信号数字量数据。
5.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如下步骤：
对获取的肺音信号进行局部均值分解后得到若干个分量信号；
对分量信号根据时间节点以无重叠滑动窗方式进行图建模，并对滑动窗内构建的图模型求均值后得到均值图；
根据相邻时刻均值图的距离检测肺音信号的异常状态；
对检测到的异常肺音信号进行肺部异常音类型的识别；
根据肺音异常状态检测结果，若肺音信号异常，则采用预训练的SVM分类器进行肺部异常音类型的识别；
SVM分类器的训练和识别的具体步骤包括：
将哮鸣音、鼾音、粗爆裂音、细爆裂音的肺音信号按滑动窗进行分解，构建分类器训练样本；
对训练样本进行图结构建模，并将建模得到的图结构邻接矩阵作为训练样本的特征向量；
根据训练样本的特征向量对SVM分类器进行训练，以训练好的SVM分类器对检测到的异常肺音信号进行肺部异常音类型的识别；
肺部异常音类型包括哮鸣音、鼾音、粗爆裂音和细爆裂音。
6.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成如下步骤：
对获取的肺音信号进行局部均值分解后得到若干个分量信号；
对分量信号根据时间节点以无重叠滑动窗方式进行图建模，并对滑动窗内构建的图模型求均值后得到均值图；
根据相邻时刻均值图的距离检测肺音信号的异常状态；
对检测到的异常肺音信号进行肺部异常音类型的识别；
根据肺音异常状态检测结果，若肺音信号异常，则采用预训练的SVM分类器进行肺部异常音类型的识别；
SVM分类器的训练和识别的具体步骤包括：
将哮鸣音、鼾音、粗爆裂音、细爆裂音的肺音信号按滑动窗进行分解，构建分类器训练样本；
对训练样本进行图结构建模，并将建模得到的图结构邻接矩阵作为训练样本的特征向量；
根据训练样本的特征向量对SVM分类器进行训练，以训练好的SVM分类器对检测到的异常肺音信号进行肺部异常音类型的识别；
肺部异常音类型包括哮鸣音、鼾音、粗爆裂音和细爆裂音。
CN202110111083.1A 2021-01-27 2021-01-27 一种肺音异常智能诊断系统、介质及设备 Active CN112932525B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110111083.1A CN112932525B (zh) 2021-01-27 2021-01-27 一种肺音异常智能诊断系统、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110111083.1A CN112932525B (zh) 2021-01-27 2021-01-27 一种肺音异常智能诊断系统、介质及设备

Publications (2)

Publication Number Publication Date
CN112932525A CN112932525A (zh) 2021-06-11
CN112932525B true CN112932525B (zh) 2023-04-07

Family

ID=76237840

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110111083.1A Active CN112932525B (zh) 2021-01-27 2021-01-27 一种肺音异常智能诊断系统、介质及设备

Country Status (1)

Country Link
CN (1) CN112932525B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6139505A (en) * 1998-10-14 2000-10-31 Murphy; Raymond L. H. Method and apparatus for displaying lung sounds and performing diagnosis based on lung sound analysis

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5010889A (en) * 1988-02-04 1991-04-30 Bloodline Technology Intelligent stethoscope
CN103245518A (zh) * 2013-03-29 2013-08-14 燕山大学 基于微分局部均值分解的旋转机械故障诊断方法
EP3424432B1 (en) * 2017-07-04 2020-09-30 Tata Consultancy Services Limited Systems and methods for detecting pulmonary abnormalities using lung sounds
CN107545906B (zh) * 2017-08-23 2021-01-22 京东方科技集团股份有限公司 肺音信号处理方法、处理设备以及可读存储介质
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
CN111721534B (zh) * 2020-06-18 2021-09-24 山东大学 一种滚动轴承健康状态在线评估方法及系统
CN111870273A (zh) * 2020-07-13 2020-11-03 中国人民解放军联勤保障部队第九二〇医院 一种远程肺音监测装置、系统及其方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6139505A (en) * 1998-10-14 2000-10-31 Murphy; Raymond L. H. Method and apparatus for displaying lung sounds and performing diagnosis based on lung sound analysis

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张柯欣 ; 王雪峰 ; 魏巍 ; 龙哲 ; 王春武 ; 赵宏 ; .基于数学形态学的病理性附加肺音时频谱图分析.中华中医药学刊.(第07期),全文. *
李佳芮 ; 洪缨 ; .喘鸣音的声谱图熵特征分析及检测.声学学报.(第01期),全文. *

Also Published As

Publication number Publication date
CN112932525A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
TWI596600B (zh) 識別生理聲音的方法以及系統
Leng et al. The electronic stethoscope
Potes et al. Ensemble of feature-based and deep learning-based classifiers for detection of abnormal heart sounds
De Vos et al. Automated pediatric cardiac auscultation
US9168018B2 (en) System and method for classifying a heart sound
JP4819687B2 (ja) 特異値分解を使用する聴診音を分析する方法および診断装置
US20100094152A1 (en) System and method for acoustic detection of coronary artery disease
Lin et al. Automatic Wheezing Detection Based on Signal Processing of Spectrogram and Back‐Propagation Neural Network
CN112654286A (zh) 筛选结构性心脏病的设备、方法及系统
Schmidt et al. Segmentation of heart sound recordings from an electronic stethoscope by a duration dependent Hidden-Markov model
Nassralla et al. Classification of normal and abnormal heart sounds
Mandal et al. Development of cardiac prescreening device for rural population using ultralow-power embedded system
Leal et al. Noise detection in phonocardiograms by exploring similarities in spectral features
Bhoi et al. Multidimensional analytical study of heart sounds: A review
Roy et al. A novel melspectrogram snippet representation learning framework for severity detection of chronic obstructive pulmonary diseases
EP4167835A1 (en) Systems and methods for screening obstructive sleep apnea during wakefulness using anthropometric information and tracheal breathing sounds
CN112932525B (zh) 一种肺音异常智能诊断系统、介质及设备
Ghaemmaghami et al. Automatic segmentation and classification of cardiac cycles using deep learning and a wireless electronic stethoscope
Golpaygani et al. Detection and identification of S1 and S2 heart sounds using wavelet decomposition method
Balbin et al. Arrhythmia Detection using Electrocardiogram and Phonocardiogram Pattern using Integrated Signal Processing Algorithms with the Aid of Convolutional Neural Networks
Paila et al. Detection and Analysis of Cardiac Arrhythmias from Heartbeat Classification
Samanta et al. Identification of coronary artery diseased subjects using spectral featuries
CN113449636A (zh) 一种基于人工智能的主动脉瓣狭窄严重程度自动分类方法
Chowdhury et al. Combining deep learning with traditional machine learning to improve phonocardiography classification accuracy
TWI822508B (zh) 多維度人工智能聽診裝置

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