一种听诊器制造技术

一种智能电子听诊器，包括听诊头，听音管，听音管的末端链接音频采集系统、放大装置、音频信号分类系统、音频信号识别系统、模板数据库和语音播报系统。以上系统依次运行，并设有GUI程序控制界面和迁移到智能移动设备上的控制操作界面，所述控制界面上设置跟各程序相对应的控制键，当按下控制键时在Matlab程序中会运行对应系统程序，从而实现各系统所对应功能。该智听诊器成本低、易于操作、携带方便、快速诊断，并且可以应用于手机、平板电脑等智能移动设备，适合于家庭应用。

【技术实现步骤摘要】
一种听诊器
本专利技术属于医疗器械
，尤其涉及一种听诊器。 技术背景 心音和呼吸音等人体内脏的音频信号是人体内脏运动所产生的生理特征，它们蕴 含着相关器官的生理和病理信息。在医学临床中对音频信号的病理分析能够方便快捷的早 期预测各种疾病。但是传统听诊方式中，由于我们人耳听音功能的局限，是难以实现对人体 内脏音频信号的准确把握。 听诊器的音频信号分析单元在向电子式的发展过程中只是在硬件环节上进行创 新，所需硬件设施复杂，成本很高，同时普通群众无法负担和使用。因此需要一种准确性高、 易于操作、携带方便、快速诊断、价格便宜并且能够提供相关病情处理方法的听诊器，既可 以用于临床诊断也可以被普通群众用于平时生活的疾病预防。
技术实现思路
本专利技术为了解决现有技术中存在的技术问题，提供了一种准确性高、易于操作、携 带方便、快速诊断、成本低的听诊器。 本专利技术提供的一种听诊器包括包括听诊头，听音管，听诊头连接听音管，听音管末 端连接芯片电路等，所述芯片电路包括显示装置、音频采集系统、放大装置、音频信号分类 系统、音频信号识别系统、模板数据库和语音播报系统 设有相应GUI控制应用程序，该GUI程序界面上设置跟各程序相对应的控制键，以 上系统存储于计算机架构的硬件装置中，当按下控制键时程序会运行对应模块程序，从而 实现t吴块对应功能。 本专利技术是分模块设计，总体的设计思路为：首先设计一个声音采集系统，实现对声 音控制命令的实时采集；其次，要设计一个声音特征分类模块，搭建声音分类框架，实现对 声音信号的分类；再次，设计声音识别模块，识别采集到的声音控制命令；最后完成控制界 面的设计。 音频采集系统实时采集人体内脏的声音和回放，经过听音管传递到放大装置，放 大装置将声音有效放大，开始声音信号的实时采集和声音录制，并将采集到的声音信号保 存到工作区间；然后读取该声音信号并将其赋给某一变量，保存该变量生成一个.mat的数 据文件。 声音分类系统的根本是KNN算法。这里，首先要用到采集声音信号时生成的文件 名后缀为.mat的数据文件，通过加载该文件生成训练样本集矩阵；然后通过加载模板数据 库中后缀为.mat的数据文件生成样本集矩阵。随后就是搭建KNN分类框架。 利用KNN算法进行声音分类的步骤为： 第一步：将采集到的声音信号转化为数据集，然后将其分为训练集和测试集，并根 据声音信号的时域特征对训练集作预处理，构造 KNN分类器； 第二步：对测试集进行预处理，并确定其向量表示； 第三步：用公式（2-1)计算训练集向量与测试集向量的欧式距离，即相似度； 式中，待测样本特征向量，p j为训练样本中j类样本特征向量，X lk、Xjk为向 量对应的第K维。 第四步：以第三步计算的相似度为标准，选出与测试数据向量最相似的K个训练 数据向量，并用公式（2-2)依次计算每个训练数据向量所属类的权重； =Σ sim(Pi, Pj)g(pj, dx) (2-2) 式中，g(Pj，dx)为类别属性函数，判别标准为：若 Pj属于屯类，则g(p j，dx)函数值 为I ;若Pj不属于d表，则g(p y dx)函数值为0。 第五步：比较第四步中计算的每一个权重值，将测试数据分到权重值最大的那个 类别中； 第六步：确定分类结果并评价。 KNN是一种无监督分类方法，算法速度快，精度高，实现简单。 KNN算法最基本的东西就是训练集的确定和声音特征的选择以及K值的确定。训 练集的好坏和特征参数选取的合适与否将直接影响分类算法的性能；而K值的确定则直接 影响到预测结果的好坏。K值过低容易引起预测目标的不确定性，同时K值过高，预测目标 会出现过平滑现象。这样就显得一个合适的K值是十分必要的。由于有效参数的数目是和 K值相关，因此可以通过有效参数的数目这个概念来确定一个合适的K值。 声音识别系统的基础是DTW算法，该系统的设计过程就是算法的实现过程。在实 现DTW算法的过程中，首先要对采集到的声音控制命令信号进行端点检测和声音特征参数 提取，然后根据提取到的MFCC特征参数进行声音识别。 音频信号识别系统使用动态时间规整（STW)算法，首先要对采集到的音频控制命 令信号进行端点检测和声音特征参数提取，然后根据提取到的MFCC特征参数进行声音识 另IJ。声音信号的特点是短时平定，长时时变，它具有瞬时稳态性，因此对声音信号的处理一 般可以采用短时处理技术，这种处理可以作为声音识别前的预处理。在对声音信号进行主 要预处理就是声音信号端点检测和声音特征系数提取。在DTW算法中，端点检测是在训练 和建立模板以及识别阶段中确定有效声音信号起点和终点的必不可少的方法；而声音特征 系数提取则是声音识别的根本，是建立训练样本的主要依据。在这两者的基础上，声音识别 的过程就是一个模板匹配的过程。此过程包含端点检测、声音特征参数提取、测试模板和参 考模板的训练以及测试模板与参考模板的匹配等一系列过程。在这些过程结束之后，就可 以根据DTW算法进行声音识别，然后将识别结果输出。 声音信号的端点检测技术是指用数字声音处理技术提取一段有效声音信号，而存 储和处理的过程也只针对那段有效声音信号。声音信号的端点检测是声音分析、合成和识 别中必不可少的一个重要环节，其算法的性能在一定程度上也直接影响了整个声音识别系 统的性能。在端点检测的过程中主要用到的基本参数有短时平均过零率、短时能量、相关函 数相等。在进行端点检测时最常用的方法是利用短时能量和短时过零率这两个参数设置双 门限对声音信号进行检测，这种方法被称为双门限端点检测法。 在声音识别
中，声音识别中可以用到的声音特征参数有倒谱系数、短时 能量、信号基频、共振峰值等声音特征参数，目前在声音识别算法中较为常用且实用的是两 种倒谱系数，这两种倒谱系数分别为线性预测倒谱系数（LPCC)和Mel倒谱系数（Mel-fre-quency-cepstrum-coefficient，MFCC)。这两种倒谱系数都是先将声音信号从时域变换到 倒谱域上，然后在倒谱域上求倒谱系数。但前者是在人的声学模型的基础上，利用线性预测 编码（LPC)来对声音信号求取倒谱系数；后者是在人的听觉模型基础上，对声音信号进行 检测，然后以声音信号通过该模型的输出为声音声学特征，直接对声音信号进行离散傅里 叶变换（DFT)，最后再通过一系列变换求取倒谱系数。在本专利技术中，主要提取的特征参数为 MFCC，主要是因为经过与LPCC参数的比较，MFCC参数的优点如下： 声音信号的低频部分包含了大部分的有效声音信息，而环境噪声会干扰信号的高 频部分，致使声音信号产生失真；但MFCC参数采用的是Mel频标，这样就加强了对声音信号 低频信息的保护，从而保护了有利于参数提取和声音识别的低频声音信息，因此就避免了 噪声对声音信号识别产生的干扰。 MFCC在各种情况下均可使用，无任何前提假设。 在本专利技术中，动态时间规整（DTW)算法是在进行声首识别过程中米用的主要算 法。该算法是一种非线性时间规整技术，该技术以距离测度函数和时间规整函数为基础来 实现对声音信号的动态规整。该技术的基本思想是首先选定一个以某个声音特征为基础的 声音信号作为参考模板；其次寻求一个距离测度函数，利用该测度函数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1. 一种听诊器，包括听诊头，听音管，其特征在于，听诊头连接听音管，听音管末端连接 芯片电路等，所述芯片电路包括显示装置、音频采集系统、放大装置、音频信号分类系统、音 频信号识别系统、模板数据库和语音播报系统。2. 根据权利要求1所述的听诊器，其特征在于，所述模板数据库内还包括诊断结果的 处理方式、注意事项和仅供参考的非处方类药品信息。3. 根据权利要求1所述的听诊器，其特征在于，音频采集系统采集音频信号，经过放大 装置放大，通过音频信号分类系统分类，然后由音频信号识别系统识别后，与模板数据库匹 配识别，最后由语音播报系统播报比对结果和处理方法。4. 根据权利要求1所述的听诊器，其特征在于，所述显示装置为显示屏，与音频信号识 别系统同步输出比对结果和处理方法。5. 根据权利要求1所述的听诊器，其特征在于，音频信号分类系统采用了 KNN分类方 法。6. 根据权利要求5所述的听诊器，其特征在于，所述KNN算法步骤为： 第一步：将采集到的声音信号转化为数据集，然后将其分为训练集和测试集，并根据声 音信号的时域特征对训练集作预处理，构造 KNN分类器； 第二步：对测试集进行预处理，并确定其向量表示； 第三步：用公式（2-1)计...

【专利技术属性】
技术研发人员：刘伟锋，
申请(专利权)人：刘伟锋，
类型：发明
国别省市：