[發明專利]一種基于多信噪比模型的心肺音分離方法及系統

有效

• 申請號: 201910916679.1
• 申請日: 2019-09-26
• 公開（公告）號: CN110705624B
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 呂俊;陳駿霖;何昭水
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 郭帥

本申請一種基于多信噪比模型的心肺音分離方法及系統，通過建立基函數學習網絡，可以依據訓練數據自適應調整基函數，從而改善變換域的表示，由此建立的單信噪比分離模型以最大化心音和肺音信噪比之和為目標函數，可自適應學習時頻變換的基函數，在已知心肺音的能量比的情況下，實現了時域混合信號至時域心音和肺音信號的端到端的學習，以達到加強心肺音分離的效果的目的；基于單信噪比分離模型構建多信噪比集成的網絡，利用LSTM網絡學習未知能量比的心肺音混合信號到各個單信噪比分離模型的映射權重，該映射權重可以根據不同能量比的混合信號進行自適應調整，在心肺音能量比未知情況下，實現了時域混合信號至時域心音和肺音信號的端到端的學習。

技術領域

本發明屬于心肺音信號分離領域，具體涉及一種基于多信噪比模型的心肺音分離方法及系統。

背景技術

在臨床上心肺疾病診斷初步篩查中常用聽診醫療器械例如聽診器等對患者的心肺音進行聽診，但是心音和肺音在時域和頻域的串擾會降低臨床聽診的有效性，為此研究人員提出了各種關于如何分離心肺音的方法。其中基于非負矩陣分解(Non-NegativeMatrix Factorization,NMF)模型和基于長短時記憶(Long Short Time Memory,LSTM)網絡的心肺音分離方法取得了較好的效果。它們都是先通過短時傅里葉變換(Short-TimeFourier Transform,STFT)獲得心肺音混合信號的時頻譜，然后進行心肺音時頻譜分離和時域信號重構。但是， NMF屬于線性矩陣分解模型，無法挖掘心肺音時頻譜的非線性時序信息，而 LSTM網絡的方法是以分離心肺音的時頻譜為目標，沒有實現由時域混合信號到時域分離信號包括時域心音信號和時域肺音信號的端到端的優化。最重要的是，STFT固定的三角基函數集不一定最適于心肺音分離，而且現有的方法均假定輸入的混合心肺音信號的能量比是已知的，并據此選擇分離模型，但是臨床聽診信號中的心肺音的能量比是無法預先獲知的，這將造成分離模型選擇困難，制約了心肺音分離的性能。

因此，有必要針對這些弊端提出一種具有更優心肺音分離性能的分離方法。

發明內容

基于此，本發明旨在提出一種基于多信噪比模型的心肺音分離方法及系統，采用基函數學習網絡和時域重構網絡，根據訓練數據可以自適應調整基函數以此改善變換域的表示，把基函數學習網絡和LSTM分離網絡聯合優化，實現時域混合信號到時域分離信號的端到端的網絡學習，獲得單信噪比分離模型，并以該模型為基礎構建多信噪比集成模型，實現在未知心肺音能量比的情況下自適應選擇分離模型的目的，解決現有方法中無法對未知能量比的心肺音進行分離的技術問題。

本發明一種基于多信噪比模型的心肺音分離方法，包括：

在基函數學習網絡中對給定能量比的心肺音混合信號進行卷積運算，得到混合信號的時頻模和相位譜；利用LSTM分離網絡對時頻模進行計算得到心音和肺音的時頻掩碼，利用時頻掩碼得到對應的心音時頻譜和肺音時頻譜；在時域重構網絡中利用相位譜和時頻譜計算重構矩陣，對重構矩陣進行對稱擴展得到擴展矩陣，對擴展矩陣進行反卷積得到心音時域信號和肺音時域信號；

對不同能量比的心肺音混合信號重復上述操作，得到單信噪比分離模型；

把未知能量比的心肺音混合信號輸入至多個單信噪比分離模型，估計出心音和肺音的時域待選信號，基于混合信號的STFT時頻譜利用LSTM網絡計算混合信號映射到不同單信噪比分離模型的最佳權重，根據最佳權重線性集成不同單信噪比分離模型對應的待選信號的輸出得到心音時域信號和肺音時域信號。

優選地，單信噪比分離模型的目標函數為

ω為該模型所有可訓練的參數，c和r分別表示心音和肺音，y_π∈R^1×L為干凈的心音或肺音的時域信號，π∈{c,r}，為y_π的估計值，f(·) 表示單信噪比分離模型，x為給定能量比的心肺音混合信號，L表示時間采樣點個數。