[发明专利]一种基于深度学习的辅助电子听诊器信号判别方法

说明书

一种基于深度学习的辅助电子听诊器信号判别方法，基于心脏跳动复杂的声音信号，利用小波变换滤除无用的声音信号，将心脏跳动信号的心音进行杂音滤除处理，基于心脏跳动周期的各个阶段具有不同的特征，通过将心音信号进行分段处理，提取相对应的声学特征，并通过人工神经网络算法进行处理，实现判断心音信号正常与否，辅助医生判断患者的疾病，实现更好的去噪效果，精确度更高，鲁棒性更好；与传统电子听诊器相比，本发明对心音信号处理更精细，获得更具体完整的结果，同时可以辅助医生进行诊断，在未来远程医疗诊断进一步发展后，本发明的优势将会进一步凸显。

技术领域

本发明属于医疗信息处理技术领域，特别涉及一种基于深度学习的辅助电子听诊器信号判别方法。

背景技术

现代医学即始于听诊器的发明，听诊器主要用于收集和放大从心脏、肺部、动脉、静脉和其他内脏器官处发出的声音。传统听诊器自从1817年3月8日应用于临床以来，外形及传音方式有不断的改进，但其基本结构变化不大，主要由拾音部分，传导部分及听音部分组成。

电子听诊器是利用电子技术放大身体的声音，克服了声学听诊器噪音高的缺点。电子听诊器可将需要转换的声音的声波电信号，进行放大和处理，以获得最佳聆听。但和传统的声学听诊器相比，它们都是基于相同的物理原理，普通电子听诊器只是将人体的声音提取优化，使医生能够更好的聆听人体内的声音。但是，对于获取的声音信号完全需要由医生来做出判断，本质上和普通听诊器没有不同，都是完全依赖于医生的经验与医学知识来进行诊断，起不到很好的辅助作用。

发明内容

为了克服上述现有技术的缺陷，本发明的目的在于提供一种基于深度学习的辅助电子听诊器信号判别方法，基于心脏跳动复杂的声音信号，利用小波变换滤除无用的声音信号，通过将心音信号进行分段处理，提取相对应的声学特征，并通过人工神经网络算法进行处理，实现判断心音信号正常与否，辅助医生判断患者的疾病，实现更好的去噪效果，精确度更高，鲁棒性更好。

为了达到上述目的，本发明的技术方案为：

一种基于深度学习的辅助电子听诊器信号判别方法，包括以下步骤：

步骤1：利用小波变换滤除心音信号的杂音

步骤1.1：心音信号的小波分解

采集心音信号，利用小波分析算法，若原信号s(t)＝A_0，k，则其分解算法为：

其中，t为离散时间序列号，t＝1，2，3....，N；j为层数，j＝1，2，3，...，J，J＝log₂N；H，G分别为小波低通滤波器和带通滤波器系数，A_j，k和D_j，k分别为信号s(t)在第j层的低频部分和高频部分的小波系数；

步骤1.2：小波分解高频系数的阈值量化；对每一层高频系数进行阈值量化处理，采用阈值函数：

其中，λ₁为下阈值；λ₂为上阈值，定义上阈值λ₂＝(a+1)λ₁，0≤a＜1；

步骤1.3：小波的重构；对小波分解后的第J层低频系数和经过阈值量化处理后的第1层到第J层的高频系数进行重构，得到消噪后的信号，重构算法为：

步骤2：利用HMM进行心音信号切分