[發明專利]一種基于深度學習的肺音分類方法、系統及存儲介質

在審

• 申請號: 202110100701.2
• 申請日: 2021-01-22
• 公開（公告）號: CN112883812A
• 公開（公告）日: 2021-06-01
• 發明（設計）人: 胡波
• 申請（專利權）人: 廣州聯智信息科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣東廣盈專利商標事務所(普通合伙) 44339
• 代理人: 李俊

1.一種基于深度學習的肺音分類方法，其特征在于，所述方法包括：

采集待測試肺音信號，并對所述待測試肺音信號進行預處理；

基于小波變換法對預處理后的待測試肺音信號進行特征提取，得到待測試肺音特征矩陣；

從樣本數據庫中均勻抽取已知分類結果的若干個訓練肺音特征矩陣，利用所述若干個訓練肺音特征矩陣對深度卷積神經網絡進行訓練；

將所述待測試肺音特征矩陣導入訓練好的深度卷積神經網絡進行特征匹配，輸出所述待測試肺音信號的分類結果。

2.根據權利要求1所述的基于深度學習的肺音分類方法，其特征在于，所述采集待測試肺音信號，并對所述待測試肺音信號進行預處理包括：

采集人體在吸氣狀態下的第一肺音信號以及在呼氣狀態下的第二肺音信號，并對所述第一肺音信號和所述第二肺音信號封裝為待測試肺音信號；

利用一階高通濾波器對所述待測試肺音信號的高頻部分進行預加重，再對預加重后的待測試肺音信號進行分幀加窗處理。

3.根據權利要求1所述的基于深度學習的肺音分類方法，其特征在于，所述基于小波變換法對預處理后的待測試肺音信號進行特征提取，得到待測試肺音特征矩陣包括：

基于預處理后的待測試肺音信號的原始頻率范圍，對所述預處理后的待測試肺音信號進行五層小波分解，得到五層高頻小波系數；

基于所述五層高頻小波系數中的每一層高頻小波系數所對應的能量值，從所述五層高頻小波系數中提取出有效的N(N≤5)層高頻小波系數；

計算所述N層高頻小波系數中的每一層高頻小波系數的標準偏差，得到所述預處理后的待測試肺音信號所對應的第一組特征向量；

計算所述N層高頻小波系數中的每一層高頻小波系數的有效平均值，得到所述預處理后的待測試肺音信號所對應的第二組特征向量；

以所述N層高頻小波系數中的每一層高頻小波系數的能量值為第三組特征向量，同時結合所述第一組特征向量和所述第二組特征向量構建出所述預處理后的待測試肺音信號所對應的待測試肺音特征矩陣。

4.根據權利要求1所述的基于深度學習的肺音分類方法，其特征在于，所述利用所述若干個訓練肺音特征矩陣對深度卷積神經網絡進行訓練包括：

基于所述若干個訓練肺音特征矩陣中的每一個訓練肺音特征矩陣所包含的特征向量組數，確定深度卷積神經網絡的各層結構；

對所述深度卷積神經網絡的各層結構進行參數初始化。

5.根據權利要求4所述的基于深度學習的肺音分類方法，其特征在于，所述深度卷積神經網絡的各層結構包括一個輸入層、三個卷積層、三個池化層、四個全連接層和一個輸出層。

6.根據權利要求5所述的基于深度學習的肺音分類方法，其特征在于，所述利用所述若干個訓練肺音特征矩陣對深度卷積神經網絡進行訓練還包括：

將所述若干個訓練肺音特征矩陣劃分為訓練集和測試集；

利用所述訓練集對所述深度卷積神經網絡進行訓練，并利用訓練后的特征結果創建出SVM分類器組件；

將所述測試集導入當前深度卷積神經網絡進行特征提取，再利用所述SVM分類器組件對所述測試集的特征結果進行分類輸出；

以所述測試集的已知分類結果為基準，計算所述SVM分類器組件輸出的所述測試集的分類結果的正確率，并判斷所述正確率是否超過預設閾值；

若是，則將所述當前深度卷積神經網絡直接定義為訓練好的深度卷積神經網絡；

若否，則以最大迭代次數為限定條件，利用誤差反向傳播算法對所述當前深度卷積神經網絡的各層權值參數進行調整，并返回利用所述訓練集對二次調整后的深度卷積神經網絡進行訓練。

7.根據權利要求6所述的基于深度學習的肺音分類方法，其特征在于，所述SVM分類器組件包括依次連接的第一SVM分類器和第二SVM分類器；其中，

所述第一SVM分類器用于執行對正常肺音信號和異常肺音信號的分類識別；所述第二SVM分類器用于執行對干羅音信號和濕羅音信號的分類識別，且所述干羅音信號和所述濕羅音信號統稱為所述異常肺音信號。