[發(fā)明專利]一種肺音數(shù)據(jù)相似性匹配的方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202310495870.X
• 申請(qǐng)日: 2023-05-04
• 公開（公告）號(hào): CN116597867A
• 公開（公告）日: 2023-08-15
• 發(fā)明（設(shè)計(jì)）人: 胡波;陳潤偉
• 申請(qǐng)（專利權(quán)）人: 廣東白云學(xué)院
• 主分類號(hào): G10L25/66
• 分類號(hào): G10L25/66;G10L25/03;G10L25/30;G10L25/45;A61B7/02;G06F18/10;G06F18/15;G06F18/22
• 代理公司: 廣東廣盈專利商標(biāo)事務(wù)所(普通合伙) 44339
• 代理人: 李俊

1.一種肺音數(shù)據(jù)相似性匹配的方法，其特征在于，所述方法包括：

采集待匹配肺音數(shù)據(jù)，并對(duì)所述待匹配肺音數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理后的待匹配肺音數(shù)據(jù)；

基于小波變換法對(duì)所述預(yù)處理后的待匹配肺音數(shù)據(jù)進(jìn)行分解，提取所述預(yù)處理后的待匹配肺音數(shù)據(jù)的特征向量，并形成所述預(yù)處理后的待匹配肺音數(shù)據(jù)的特征矩陣；

構(gòu)建基于深度學(xué)習(xí)的肺音數(shù)據(jù)相似性匹配模型，基于所述預(yù)處理后的待匹配肺音數(shù)據(jù)的特征矩陣對(duì)所述肺音數(shù)據(jù)相似性匹配模型進(jìn)行訓(xùn)練，得到訓(xùn)練完成的肺音數(shù)據(jù)相似性匹配模型；

基于所述訓(xùn)練完成的肺音數(shù)據(jù)相似性匹配模型對(duì)所述待匹配肺音數(shù)據(jù)進(jìn)行相似性匹配，得到相似性匹配結(jié)果；

對(duì)所述相似性匹配結(jié)果進(jìn)行精度分析。

2.如權(quán)利要求1所述的肺音數(shù)據(jù)相似性匹配的方法，其特征在于，所述采集待匹配肺音數(shù)據(jù)，并對(duì)所述待匹配肺音數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理后的待匹配肺音數(shù)據(jù)包括：

基于采集設(shè)備采集待匹配肺音數(shù)據(jù)的原始肺音數(shù)據(jù)和待匹配肺音數(shù)據(jù)的環(huán)境噪聲數(shù)據(jù)；

基于所述環(huán)境噪聲數(shù)據(jù)對(duì)所述原始肺音數(shù)據(jù)進(jìn)行降噪，得到降噪處理后的待匹配肺音數(shù)據(jù)；

對(duì)所述降噪處理后的待匹配肺音數(shù)據(jù)依次進(jìn)行預(yù)加重、分幀、加窗、放大、濾波、模數(shù)轉(zhuǎn)換、采樣處理，得到初步處理后的待匹配肺音數(shù)據(jù)。

3.如權(quán)利要求2所述的肺音數(shù)據(jù)相似性匹配的方法，其特征在于，所述采集待匹配肺音數(shù)據(jù)，并對(duì)所述待匹配肺音數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理后的待匹配肺音數(shù)據(jù)還包括：

基于采集區(qū)域?qū)λ龀醪教幚砗蟮拇ヅ浞我魯?shù)據(jù)進(jìn)行標(biāo)注。

4.如權(quán)利要求3所述的肺音數(shù)據(jù)相似性匹配的方法，其特征在于，所述基于采集區(qū)域?qū)λ龀醪教幚砗蟮拇ヅ浞我魯?shù)據(jù)進(jìn)行標(biāo)注包括：

設(shè)置采集區(qū)域，所述采集區(qū)域包括喉部、左肺、右肺、氣管、支氣管、肺泡；

判斷所述初步處理后的待匹配肺音數(shù)據(jù)所屬的采集區(qū)域，并基于所屬的采集區(qū)域?yàn)樗龀醪教幚砗蟮拇ヅ浞我魯?shù)據(jù)添加標(biāo)注信息，生成預(yù)處理后的待匹配肺音數(shù)據(jù)。

5.如權(quán)利要求1所述的肺音數(shù)據(jù)相似性匹配的方法，其特征在于，所述基于小波變換法對(duì)所述預(yù)處理后的待匹配肺音數(shù)據(jù)進(jìn)行分解，提取所述預(yù)處理后的待匹配肺音數(shù)據(jù)的特征向量，并形成所述預(yù)處理后的待匹配肺音數(shù)據(jù)的特征矩陣包括：

基于所述預(yù)處理后的待匹配肺音數(shù)據(jù)的原始頻率范圍對(duì)所述預(yù)處理后的待匹配肺音數(shù)據(jù)進(jìn)行小波分解，得到若干層低頻小波系數(shù)；

對(duì)所述若干層低頻小波系數(shù)依次進(jìn)行小波分解，得到若干層高頻小波系數(shù)；

基于所述若干層高頻小波系數(shù)構(gòu)建所述預(yù)處理后的待匹配肺音數(shù)據(jù)的特征矩陣。

6.如權(quán)利要求5所述的肺音數(shù)據(jù)相似性匹配的方法，其特征在于，所述基于所述若干層高頻小波系數(shù)構(gòu)建所述預(yù)處理后的待匹配肺音數(shù)據(jù)的特征矩陣包括：

計(jì)算所述若干層高頻小波系數(shù)中的每一層高頻小波系數(shù)對(duì)應(yīng)的能量特征向量；

計(jì)算所述若干層高頻小波系數(shù)中的每一層高頻小波系數(shù)的平均值；

基于所述若干層高頻小波系數(shù)中的每一層高頻小波系數(shù)的平均值和初始值計(jì)算對(duì)應(yīng)的高頻小波系數(shù)的絕對(duì)值的最大值；

基于所述能量特征向量、平均值、絕對(duì)值的最大值構(gòu)建所述預(yù)處理后的待匹配肺音數(shù)據(jù)的特征矩陣。

7.如權(quán)利要求1所述的肺音數(shù)據(jù)相似性匹配的方法，其特征在于，所述構(gòu)建基于深度學(xué)習(xí)的肺音數(shù)據(jù)相似性匹配模型，基于所述預(yù)處理后的待匹配肺音數(shù)據(jù)的特征矩陣對(duì)所述肺音數(shù)據(jù)相似性匹配模型進(jìn)行訓(xùn)練，得到訓(xùn)練完成的肺音數(shù)據(jù)相似性匹配模型包括：

構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)框架的肺音數(shù)據(jù)相似性匹配模型；

將所述預(yù)處理后的待匹配肺音數(shù)據(jù)的特征矩陣分為訓(xùn)練集和測(cè)試集，基于所述訓(xùn)練集中的特征向量對(duì)所述肺音數(shù)據(jù)相似性匹配模型進(jìn)行訓(xùn)練，得到訓(xùn)練完成的肺音數(shù)據(jù)相似性匹配模型。