一种基于卷积神经网络的肺音分类方法、系统及用途技术方案

本发明专利技术涉及一种基于卷积神经网络的肺音分类方法、系统及用途，是将图像识别卷积神经网络应用到肺音分类当中，用通用模型解决了传统算法人工提取特、认为加入限制条件和无法普遍适用所有样本的巨大缺陷，解决了传统算法不能随着数据集的增强，自主学习增强的难题。

A classification method, system and use of lung sound classification based on convolution neural network

The invention relates to a lung sound classification method, based on convolutional neural network system and application, is the image recognition of convolutional neural network is applied to the classification of lung sounds, with a general model to solve the traditional algorithm of artificial extraction, that great defects with restrictive condition and not universally applicable all samples, to solve the traditional algorithm with the increase of the data set, the problem of autonomous learning enhancement.

【技术实现步骤摘要】
一种基于卷积神经网络的肺音分类方法、系统及用途
本专利技术涉及肺音分类技术，具体涉及一种基于卷积神经网络的肺音分类方法、系统及用途。
技术介绍
在过去40年中，在这一领域的工作已经证明在识别肺声方面取得的成功是有限的：大多数已发表的研究仅使用少数患者(通常为N<20)，或专注于单一类型的肺声；当然可以实现非常好的分类结果，所有的算法(HMM,神经网络，SVM向量机等)都是基于小量样本，人工提取特征或者加入经验限制条件，根本无法用于工程领域，为了达到实验结果，进行了定制设计和仔细配合，以匹配数据。然而，随着患者人数增加到数十到数百人，从小数据集中学到的特征可能无法工程化；根据我们对过去40年肺部文献的综述，这些发表研究的中位数大约为15名；尽管计算和算法有进步，但传统算法存在不能随着数据集的增强，自主学习增强的难题，自动肺声识别和分类的目标仍然是一个难题。
技术实现思路
针对上述问题和不足，本专利技术提出了一种基于卷积神经网络的肺音分类方法、系统及用途，将图像识别卷积神经网络应用到肺音分类当中，用通用模型解决了传统算法人工提取特、认为加入限制条件和无法普遍适用所有样本的巨大缺陷，解决了传统算法不能随着数据集的增强，自主学习增强的难题。本专利技术的技术方案如下：上述的基于卷积神经网络的肺音分类方法，是将每个声音文件转换成频谱图，每个输入特征图设定为总数I，Qi(i＝1，…I)连接到卷积层特征图，卷积层特征图设定为总数J，Qj＝(j＝1,…J)在卷积层中，基于多个局部权重矩阵总共I*J为wij(i＝1，…I；j＝1,…J)，映射可以表示为卷积运算：所述基于卷积神经网络的肺音分类方法，其中：用Hamming窗口滤波器对每个信号进行带通滤波，使用短时傅里叶变换将每个声音文件转换成频谱图；对于短窗傅里叶变换，使用Hamming窗口重叠；分别对每个位置进行归一化，在每个区域的所有记录中，对每个肺音数据进行归一化，得到仿真肺音大数据集，训练卷积神经网络。所述基于卷积神经网络的肺音分类方法，其中：所述肺音数据是采用定制手机应用程序和低成本电子听诊器进行收集；通过听诊收集的肺部声音是远程医疗和一般患者监测的肺部疾病诊断的基本组成部分。一种基于卷积神经网络的肺音分类系统，包括短窗口傅里叶变换模块、带通滤波模块、卷积神经网络实现模块和分类识别模块；所述短窗口傅里叶变换模块用于完成时频域的转换，在连续时间的例子，一个函数可以先乘上仅在一段时间不为零的窗函数再进行一维的短窗傅里叶变换，再将该窗函数沿着时间轴挪移，所得到一系列的短窗傅里叶变换结果排开则成为二维表象；所述带通滤波模块用于将时域肺音转换到频域进行噪音过滤；所述卷积神经网络实现模块由仿真生成的精准标注数据训练生成，能准确识别各种年龄患者大样本的模型；所述分类识别模块用于调用卷积神经网络模型对新数据进行识别。一种卷积神经网络在肺音分类当中的用途。所述卷积神经网络在肺音分类当中的用途，其中，是将每个声音文件转换成频谱图，每个输入特征图设定为总数I，Qi(i＝1，…I)连接到卷积层特征图，卷积层特征图设定为总数J，Qj＝(j＝1,…J)在卷积层中，基于多个局部权重矩阵总共I*J为wij(i＝1，…I；j＝1,…J)，映射可以表示为卷积运算：所述卷积神经网络在肺音分类当中的用途，其中：用Hamming窗口滤波器对每个信号进行带通滤波，使用短时傅里叶变换将每个声音文件转换成频谱图；对于短窗傅里叶变换，使用Hamming窗口重叠；分别对每个位置进行归一化，在每个区域的所有记录中，对每个肺音数据进行归一化，得到仿真肺音大数据集,训练卷积神经网络。所述卷积神经网络在肺音分类当中的用途，其中：所述肺音数据是采用定制手机应用程序和低成本电子听诊器进行收集，通过听诊收集的肺部声音是远程医疗和一般患者监测的肺部疾病诊断的基本组成部分。有益效果：本专利技术基于卷积神经网络的肺音分类方法、系统及用途，将图像识别卷积神经网络应用到肺音分类领域，基于自己的仿真肺音大数据集，实现了ROC曲线，踹鸣AUC为0.91935483871；用通用模型解决了传统算法人工提取特、认为加入限制条件和无法普遍适用所有样本的巨大缺陷，解决了传统算法不能随着数据集的增强，自主学习增强的难题。附图说明图1为本专利技术基于卷积神经网络的肺音分类系统的结构框图；图2为本专利技术基于卷积神经网络的肺音分类方法中卷积神经网络图；图3为本专利技术基于卷积神经网络的肺音分类方法中的ROC曲线图。具体实施方式如图1所示，本专利技术基于卷积神经网络的肺音分类系统，包括短窗口傅里叶变换模块1、带通滤波模块2、卷积神经网络实现模块3和分类识别模块4。该短窗口傅里叶变换模块1完成时频域的转换，在连续时间的例子，一个函数可以先乘上仅在一段时间不为零的窗函数(windowfunction)再进行一维的短窗傅里叶变换(STFT)；再将这个窗函数沿着时间轴挪移，所得到一系列的短窗傅里叶变换(STFT)结果排开则成为二维表象。数学上，这样的操作可写为：该带通滤波模块2用于将时域肺音转换到频域过滤20Hz和2000Hz以上的噪音。该卷积神经网络实现模块3由100万个仿真生成的精准标注数据训练生成，是能准确识别各种年龄患者大样本的模型。该分类识别模块4调用卷积神经网络模型(Model)对新数据进行识别。本专利技术基于卷积神经网络的肺音分类方法，是将图像识别卷积神经网络应用到肺音分类领域，如图1所示，将每个声音文件转换成频谱图，每个输入特征图(假设是总数I)，Qi(i＝1，…I)连接到卷积层特征图(假设总数J)，Qj＝(j＝1,…J)在卷积层中，基于多个局部权重矩阵(总共I*J)wij(i＝1，…I；j＝1,…J)；映射可以表示为众所周知的卷积运算：下面结合附图对本专利技术的实施方式做进一步的详细说明：为了准备数据，用Hamming窗口滤波器对每个信号进行带通滤波，20～2000Hz，采样频率44100Hz；然后，使用短窗傅里叶变换(STFT)将每个声音文件转换成频谱图；对于STFT，使用长度为128的Hamming窗口，重叠50％；为了调整不同记录位置之间的差异，分别对每个位置进行了归一化；在每个区域的所有记录中，对每个数据进行归一化，具有零均值和单位标准偏差；标准化后的示例频谱图如图2所示，仿真肺音大数据集(100万个仿真生成的精准标注数据),训练卷积神经网络。肺音数据是采用定制手机应用程序和低成本电子听诊器进行收集，通过听诊收集的肺部声音是远程医疗和一般患者监测的肺部疾病诊断的基本组成部分。实验结果：从1000个精准标注的数据集合中随机产生的5倍交叉验证分裂的集合(50个样本)，ROC曲线和曲线下的相关面积(AUC)来评估每个分类器的性能。如下图3，随着训练数据的增加，TruePositive正确识别率达到91.9％，FalsePositive误判率减小到了18％。本专利技术将图像识别CNN神经网络应用到肺音分类领域，用通用模型解决了传统算法人工提取特、认为加入限制条件和无法普遍适用所有样本的巨大缺陷，解决了传统算法不能随着数据集的增强，自主学习增强的难题。本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的肺音分类方法，是将每个声音文件转换成频谱图，每个输入特征图设定为总数I，Qi(i＝1，…I)连接到卷积层特征图，卷积层特征图设定为总数J，Qj＝(j＝1,…J)在卷积层中，基于多个局部权重矩阵总共I*J为wij(i＝1，…I；j＝1,…J)，映射可以表示为卷积运算：

【技术特征摘要】
1.一种基于卷积神经网络的肺音分类方法，是将每个声音文件转换成频谱图，每个输入特征图设定为总数I，Qi(i＝1，…I)连接到卷积层特征图，卷积层特征图设定为总数J，Qj＝(j＝1,…J)在卷积层中，基于多个局部权重矩阵总共I*J为wij(i＝1，…I；j＝1,…J)，映射可以表示为卷积运算：2.如权利要求1所述的基于卷积神经网络的肺音分类方法，其特征在于：用Hamming窗口滤波器对每个信号进行带通滤波，使用短时傅里叶变换将每个声音文件转换成频谱图；对于短窗傅里叶变换，使用Hamming窗口重叠；分别对每个位置进行归一化，在每个区域的所有记录中，对每个肺音数据进行归一化，得到仿真肺音大数据集，训练卷积神经网络。3.如权利要求2所述的基于卷积神经网络的肺音分类方法，其特征在于：所述肺音数据是采用定制手机应用程序和低成本电子听诊器进行收集；通过听诊收集的肺部声音是远程医疗和一般患者监测的肺部疾病诊断的基本组成部分。4.一种如权利要求1至3任一所述的基于卷积神经网络的肺音分类方法的肺音分类系统，其特征在于：所述肺音分类系统包括短窗口傅里叶变换模块、带通滤波模块、卷积神经网络实现模块和分类识别模块；所述短窗口傅里叶变换模块用于完成时频域的转换，在连续时间的例子，一个函数可以先乘上仅在一段时间不为零的窗函数再进行一维的短窗傅里叶变换，再将该窗函数沿着时间轴挪移，所得到...

【专利技术属性】
技术研发人员：焦超，朱德麒，刘晓芹，邹泽亚，刘思远，李本忠，
申请(专利权)人：成都力创昆仑网络科技有限公司，
类型：发明
国别省市：四川,51