[发明专利]一种基于深度学习的肺音分类方法、系统及存储介质

权利要求书

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；

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。

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。

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。

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。

6.根据权利要求5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。

7.根据权利要求6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。