[發(fā)明專利]一種基于可視化的呼吸音信號(hào)識(shí)別方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201910658420.1
• 申請(qǐng)日: 2019-07-22
• 公開（公告）號(hào): CN110731778B
• 公開（公告）日: 2022-04-29
• 發(fā)明（設(shè)計(jì)）人: 張金區(qū);歐建榮;宋立國;羅虎;魯玉佳;錢朗
• 申請(qǐng)（專利權(quán)）人: 華南師范大學(xué);廣州愛聽貝科技有限公司
• 主分類號(hào): A61B5/08
• 分類號(hào): A61B5/08;A61B5/00;A61B7/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明涉及聲頻信號(hào)識(shí)別領(lǐng)域，公開了一種基于可視化的呼吸音信號(hào)識(shí)別方法及系統(tǒng)，使用短時(shí)傅里葉變換對(duì)已切割好的呼吸音周期信號(hào)進(jìn)行時(shí)頻分析，將一維音頻信號(hào)轉(zhuǎn)換為二維可視化信號(hào)，通過對(duì)圖像的處理與分析，形成數(shù)據(jù)集，來進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的圖片分類，實(shí)現(xiàn)正常與三種病理呼吸音的區(qū)分。病理呼吸音信號(hào)雜音明顯，在呼氣與吸氣過程中形成的雜音擁有特殊的語譜信息，本發(fā)明運(yùn)用時(shí)頻分析方法，使用短時(shí)傅里葉變換對(duì)已切割好的呼吸音周期信號(hào)進(jìn)行時(shí)頻分析，將一維音頻信號(hào)轉(zhuǎn)換為二維可視化信號(hào)，通過對(duì)圖像的處理與分析，形成數(shù)據(jù)集，基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)可視化圖片分類，區(qū)分正常與三種病理呼吸音。

技術(shù)領(lǐng)域

本發(fā)明涉及聲頻信號(hào)識(shí)別領(lǐng)域，更具體地說，特別涉及一種基于可視化的呼吸音信號(hào)識(shí)別方法及系統(tǒng)。

背景技術(shù)

呼吸音信號(hào)是人體呼吸系統(tǒng)與外界在換氣過程中產(chǎn)生的一種生理信號(hào)。呼吸音中含有大量的生理和病理信息，能夠很好地反映人體呼吸系統(tǒng)的健康情況，因而在呼吸音學(xué)與臨床醫(yī)學(xué)等都有著十分重要的研究意義。近年來，頻發(fā)的霧霾天氣等環(huán)境問題所帶來的呼吸道疾病發(fā)病率的提高，也使得對(duì)呼吸道疾病診斷的快速性與準(zhǔn)確性的需求大幅提升。

心肺聽診以其迅捷便利和無創(chuàng)等優(yōu)良特性重新引發(fā)人們的廣泛關(guān)注，但非熟練的醫(yī)務(wù)人員直接用聽診器進(jìn)行監(jiān)聽，診斷會(huì)比較困難。而自動(dòng)呼吸音診斷技術(shù)的發(fā)展無疑會(huì)對(duì)呼吸道疾病診斷帶來重要的幫助。電子聽診器以及其他信號(hào)采集技術(shù)等硬件設(shè)備和自動(dòng)識(shí)別與疾病預(yù)警等軟件方面的發(fā)展進(jìn)一步促進(jìn)了現(xiàn)代呼吸音信號(hào)的分析和識(shí)別技術(shù)的研究與進(jìn)步。

常見的呼吸音特征提取算法有自回歸系數(shù)(Auto-Regressive,AR)算法、基于功率譜密度(Power spectral density,PSD)的算法、基于倒譜的(Mel-frequency cepstrum)MFCC系數(shù)法、以及基于小波變換技術(shù)(Wavelet Transform，WT)的離散小波分解和小波包分解法等。這些方法提取的特征不具有可視化性，且魯棒性不強(qiáng)，給臨床醫(yī)生的信息參考價(jià)值不大。目前采用的手段一般通過信號(hào)的時(shí)域波形與頻譜圖來進(jìn)行人工分析判斷，沒有實(shí)現(xiàn)自動(dòng)化與可視化的結(jié)合分析。

本發(fā)明使用短時(shí)傅里葉變換對(duì)已切割好的呼吸音周期信號(hào)進(jìn)行時(shí)頻分析，將一維音頻信號(hào)轉(zhuǎn)換為二維可視化信號(hào)，通過對(duì)圖像的處理與分析，形成數(shù)據(jù)集，來進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的圖片分類，實(shí)現(xiàn)正常與三種病理呼吸音的區(qū)分。病理呼吸音信號(hào)雜音明顯，在呼氣與吸氣過程中形成的雜音擁有特殊的語譜信息。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于可視化的呼吸音信號(hào)識(shí)別方法及系統(tǒng)，本發(fā)明運(yùn)用時(shí)頻分析方法，使用短時(shí)傅里葉變換對(duì)已切割好的呼吸音周期信號(hào)進(jìn)行時(shí)頻分析，將一維音頻信號(hào)轉(zhuǎn)換為二維可視化信號(hào)，通過對(duì)圖像的處理與分析，形成數(shù)據(jù)集，基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)可視化圖片分類，區(qū)分正常與三種病理呼吸音。

為了達(dá)到上述目的，本發(fā)明采用的技術(shù)方案如下：

一種基于可視化的呼吸音信號(hào)識(shí)別方法，包括：S1、收集原始呼吸音信號(hào)，對(duì)該信號(hào)進(jìn)行濾波分離處理得到預(yù)處理呼吸音信號(hào)；S2、對(duì)預(yù)處理呼吸音信號(hào)進(jìn)行周期劃分得到設(shè)定周期的呼吸音信號(hào)，并確定呼吸音信號(hào)的分割點(diǎn)；S3、對(duì)設(shè)定周期的呼吸音信號(hào)進(jìn)行傅里葉變換，得到呼吸音信號(hào)的頻率信息；S4、根據(jù)呼吸音周期信號(hào)的分割點(diǎn)，對(duì)呼吸音信號(hào)的二維頻譜圖進(jìn)行處理得到單周期的二維頻譜圖；S5、根據(jù)該二維頻譜圖建立頻圖數(shù)據(jù)集；S6、根據(jù)頻圖數(shù)據(jù)集建立卷積神經(jīng)網(wǎng)絡(luò)模型，S7、通過卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)新的各類呼吸音進(jìn)行預(yù)測分析。

進(jìn)一步地，所述步驟S1中的濾波分離處理的具體過程包括：S100、對(duì)原始呼吸音信號(hào)進(jìn)行高通濾波處理，可有效取出原始呼吸音信號(hào)中的環(huán)境雜音、電流雜音等雜音，得到心音及呼吸音混合信號(hào)并對(duì)其進(jìn)行復(fù)制；S101、對(duì)心音及呼吸音混合信號(hào)進(jìn)行小波變換得到呼吸音中的心音干擾信號(hào)并將其單獨(dú)分離出來；S102、通過心音及呼吸音混合信號(hào)減去心音干擾信號(hào)得到預(yù)處理呼吸音信號(hào)(較為純凈的呼吸音信號(hào))。