[发明专利]一种基于多信噪比模型的心肺音分离方法及系统

说明书

本申请一种基于多信噪比模型的心肺音分离方法及系统，通过建立基函数学习网络，可以依据训练数据自适应调整基函数，从而改善变换域的表示，由此建立的单信噪比分离模型以最大化心音和肺音信噪比之和为目标函数，可自适应学习时频变换的基函数，在已知心肺音的能量比的情况下，实现了时域混合信号至时域心音和肺音信号的端到端的学习，以达到加强心肺音分离的效果的目的；基于单信噪比分离模型构建多信噪比集成的网络，利用LSTM网络学习未知能量比的心肺音混合信号到各个单信噪比分离模型的映射权重，该映射权重可以根据不同能量比的混合信号进行自适应调整，在心肺音能量比未知情况下，实现了时域混合信号至时域心音和肺音信号的端到端的学习。

技术领域

本发明属于心肺音信号分离领域，具体涉及一种基于多信噪比模型的心肺音分离方法及系统。

背景技术

在临床上心肺疾病诊断初步筛查中常用听诊医疗器械例如听诊器等对患者的心肺音进行听诊，但是心音和肺音在时域和频域的串扰会降低临床听诊的有效性，为此研究人员提出了各种关于如何分离心肺音的方法。其中基于非负矩阵分解(Non-NegativeMatrix Factorization,NMF)模型和基于长短时记忆(Long Short Time Memory,LSTM)网络的心肺音分离方法取得了较好的效果。它们都是先通过短时傅里叶变换(Short-TimeFourier Transform,STFT)获得心肺音混合信号的时频谱，然后进行心肺音时频谱分离和时域信号重构。但是， NMF属于线性矩阵分解模型，无法挖掘心肺音时频谱的非线性时序信息，而 LSTM网络的方法是以分离心肺音的时频谱为目标，没有实现由时域混合信号到时域分离信号包括时域心音信号和时域肺音信号的端到端的优化。最重要的是，STFT固定的三角基函数集不一定最适于心肺音分离，而且现有的方法均假定输入的混合心肺音信号的能量比是已知的，并据此选择分离模型，但是临床听诊信号中的心肺音的能量比是无法预先获知的，这将造成分离模型选择困难，制约了心肺音分离的性能。

因此，有必要针对这些弊端提出一种具有更优心肺音分离性能的分离方法。

发明内容

基于此，本发明旨在提出一种基于多信噪比模型的心肺音分离方法及系统，采用基函数学习网络和时域重构网络，根据训练数据可以自适应调整基函数以此改善变换域的表示，把基函数学习网络和LSTM分离网络联合优化，实现时域混合信号到时域分离信号的端到端的网络学习，获得单信噪比分离模型，并以该模型为基础构建多信噪比集成模型，实现在未知心肺音能量比的情况下自适应选择分离模型的目的，解决现有方法中无法对未知能量比的心肺音进行分离的技术问题。

本发明一种基于多信噪比模型的心肺音分离方法，包括：

在基函数学习网络中对给定能量比的心肺音混合信号进行卷积运算，得到混合信号的时频模和相位谱；利用LSTM分离网络对时频模进行计算得到心音和肺音的时频掩码，利用时频掩码得到对应的心音时频谱和肺音时频谱；在时域重构网络中利用相位谱和时频谱计算重构矩阵，对重构矩阵进行对称扩展得到扩展矩阵，对扩展矩阵进行反卷积得到心音时域信号和肺音时域信号；

对不同能量比的心肺音混合信号重复上述操作，得到单信噪比分离模型；

把未知能量比的心肺音混合信号输入至多个单信噪比分离模型，估计出心音和肺音的时域待选信号，基于混合信号的STFT时频谱利用LSTM网络计算混合信号映射到不同单信噪比分离模型的最佳权重，根据最佳权重线性集成不同单信噪比分离模型对应的待选信号的输出得到心音时域信号和肺音时域信号。

优选地，单信噪比分离模型的目标函数为

ω为该模型所有可训练的参数，c和r分别表示心音和肺音，y_π∈R^1×L为干净的心音或肺音的时域信号，π∈{c,r}，为y_π的估计值，f(·) 表示单信噪比分离模型，x为给定能量比的心肺音混合信号，L表示时间采样点个数。