[发明专利]基于时域全卷积深度神经网络电子听诊器自适应消噪方法

权利要求书

1.基于时域全卷积深度神经网络电子听诊器自适应消噪方法，其特征在于：包括以下步骤：

S1、电子听诊器通过主采集通道采集带背景音干扰的心肺音信号，并通过远端采集通道同时采集背景音信号，输入到原始信号缓存空间；

S2、对原始信号缓存空间中主采集通道和远端采集通道分别进行归一化处理，得到归一化后的带背景音干扰的心肺音信号s和背景音信号x；

S3、将带背景音干扰的心肺音信号s和背景音信号x输入到包含自适应滤波器和自适应算法的ANC系统中，得到自适应滤波器输出y和系统误差e；

S4、将自适应滤波器输出y和系统误差e输入到训练好的全卷积深度神经网络中，得到干净心肺音信号

2.根据权利要求1所述的基于时域全卷积深度神经网络电子听诊器自适应消噪方法，其特征在于：所述输入到原始信号缓存空间之后，当缓存空间数据累计到设定时长T时，执行S2，否则重复执行S1；

所述对原始信号缓存空间中主采集通道和远端采集通道分别进行归一化处理之后，清空缓存空间数据，并同步执行S1；

所述得到干净心肺音信号之后，当缓存空间数据累计到下一个设定时长T时，返回S2继续执行。

3.根据权利要求1所述的基于时域全卷积深度神经网络电子听诊器自适应消噪方法，其特征在于：S3中所述自适应滤波器为一个M阶的FIR横向滤波器，具体滤波过程为：

y(k)＝w^T(k)x(k)，其中k为迭代次数，w(k)＝[w₀(k),w₁(k),...,w_M-1(k)]表示滤波器抽头权重向量，x(k)＝[x(k),x(k-1),...,x(k-M+1)]表示迭代遍历背景音信号x产生滤波器抽头输入向量；

将带背景音干扰的心肺音信号s中的每个采样点s(k)与迭代完成后y(k)作差，得到每个采样点的系统误差e(k)；

迭代完成后对y(k)进行保存，得到自适应滤波器输出y，对每个采样点的系统误差e(k)进行保存，得到系统误差e。

4.根据权利要求1所述的基于时域全卷积深度神经网络电子听诊器自适应消噪方法，其特征在于：S3中所述自适应算法为归一化最小均方误差NLMS算法，用于更新滤波器抽头权重向量w(k)，更新过程为：

其中，μ₀为收敛因子，取值范围为(0,1]，ζ为一个很小的正数，用于限制步长过大和避免分母为0。

5.根据权利要求1所述的基于时域全卷积深度神经网络电子听诊器自适应消噪方法，其特征在于：S4中所述全卷积深度神经网络包括编码器、消除器和解码器，其中的网络参数是由一个带有标注的数据训练集训练得到。

6.根据权利要求5所述的基于时域全卷积深度神经网络电子听诊器自适应消噪方法，其特征在于：所述编码器由I个一维卷积层组成，其中，第一个一维卷积层的卷积核数为N，卷积核的长度为K，卷积步长为K/2，余下I-1个一维卷积层为堆叠的膨胀卷积层，按堆叠顺序各个膨胀卷积层的膨胀因子为d＝1,2,...,2^I-1，且每个膨胀卷积层输出端都串联一个参数修正线性单元PReLU，自适应滤波器输出y、系统误差e分别输入两个并行的编码器中，得到各自的编码特征

所述消除器包括用于提取多层次特征的时间卷积网络模块，输入端的交互模块，以及输出端的掩码生成模块，所述消除器接收编码特征给出用于增益特征的掩码M，通过矩阵点乘获得增益编码特征F^G，计算过程为

所述解码器由I个一维反卷积层组成，其中，前I-1个一维反卷积层为堆叠的膨胀反卷积层，按堆叠顺序各个膨胀反卷积层的膨胀因子d＝2^I-1,2^i-2,...,1，且每个膨胀反卷积层输出端都串联一个参数修正线性单元PReLU，第I个一维反卷积层的卷积核数为N，卷积核的长度为K，卷积步长为K/2，增益编码特征F^G输入到解码器便可得到干净心肺音信号