[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

说明书

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。

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：