一种基于混合深度学习模型的婴幼儿肺炎快速智能诊断方法技术

本发明专利技术公开了一种基于混合深度学习模型的婴幼儿肺炎快速智能诊断方法，解决了现在婴幼儿肺炎诊断时间过长或误诊对婴幼儿身体造成损伤的问题。本发明专利技术的步骤为：步骤一：测量并收集婴幼儿的各项生理指标数据，根据是否患肺炎并对数据进行标记；步骤二：对非呼吸音频数据进行数据清洗及异常数据剔除，构建用于训练肺炎诊断模型的数据集；步骤三：构建用于训练螺音识别模型的数据集；步骤四：进行长短时记忆神经网络LSTM的训练；步骤五：进行深度神经网络DNN的训练，用于对患者的各项生理指标数据进行判读，进而判定患者是否患有肺炎。本发明专利技术能够有效提高婴幼儿肺炎的诊断速度及正确率，避免由于等待诊断时间过长或误诊对婴幼儿身体造成的严重损伤。

A rapid and intelligent diagnosis method of infant pneumonia based on hybrid deep learning model

【技术实现步骤摘要】
一种基于混合深度学习模型的婴幼儿肺炎快速智能诊断方法
本专利技术属于智能医疗领域，本专利技术涉及一种基于混合深度学习模型的婴幼儿肺炎快速智能诊断方法。
技术介绍
肺炎是指终末气道，肺泡和肺间质的炎症，可由疾病微生物、理化因素，免疫损伤、过敏及药物所致。细菌性肺炎是最常见的肺炎，也是最常见的感染性疾病之一。日常所讲的肺炎主要是指细菌性感染引起的肺炎。在抗生素应用以前，细菌性肺炎对人类健康威胁极大，抗生素的出现及发展使肺炎病死率明显下降。在日常生活中，肺炎是婴幼儿的常见病，在住院患儿中肺炎高居首位，而且也是导致婴幼儿死亡的疾病之一。婴幼儿肺炎的症状很容易和感冒混为一谈。因此快速智能诊断技术对发现病情，对症救治有至关重要的作用。避免由于去医院就诊所需等待诊断的时间过长或误诊对婴幼儿身体造成的严重损伤。
技术实现思路
为了解决婴幼儿易患肺炎、患肺炎后对身体损伤大且难以快速诊断的问题，另外，婴幼儿生病不能用自己的言语表达，患肺炎对身体损伤更大，且容易出现误诊，因此更需要快速诊断。本专利技术提供一种基于混合深度学习模型的婴幼儿肺炎快速智本文档来自技高网...

【技术保护点】
1.一种基于混合深度学习模型的婴幼儿肺炎快速智能诊断方法，包括如下步骤：/n步骤一：测量并收集婴幼儿的各项生理指标，包括呼吸音频数据、体温、心率和呼吸频率；/n步骤二：对所获得的婴幼儿非音频生理数据进行清洗，剔除异常数据并对数据进行标记，构建婴幼儿肺炎诊断生理指标数据集，该数据集包含训练集和测试集，用于深度神经网络DNN的训练；/n步骤三：利用傅里叶变换对呼吸音频数据进行分析并提取相应的特征信息，构建关于螺音识别的数据集，该数据集同样包含了训练集和测试集，用于长短时记忆网络LSTM的训练；/n步骤四：利用呼吸音频的频域特征及其标签进行长短时记忆神经网络LSTM的训练，用于对呼吸音频数据进行螺音...

【技术特征摘要】
1.一种基于混合深度学习模型的婴幼儿肺炎快速智能诊断方法，包括如下步骤：
步骤一：测量并收集婴幼儿的各项生理指标，包括呼吸音频数据、体温、心率和呼吸频率；
步骤二：对所获得的婴幼儿非音频生理数据进行清洗，剔除异常数据并对数据进行标记，构建婴幼儿肺炎诊断生理指标数据集，该数据集包含训练集和测试集，用于深度神经网络DNN的训练；
步骤三：利用傅里叶变换对呼吸音频数据进行分析并提取相应的特征信息，构建关于螺音识别的数据集，该数据集同样包含了训练集和测试集，用于长短时记忆网络LSTM的训练；
步骤四：利用呼吸音频的频域特征及其标签进行长短时记忆神经网络LSTM的训练，用于对呼吸音频数据进行螺音的判别；
步骤五：利用呼吸音频数据的螺音识别结果以及体温、心率和呼吸频率生理指标建立并训练出识别肺炎的深度神经网络DNN，对新的输入数据进行判读，进而判定患者是否患有肺炎。


2.如权利要求1所述的一种基于混合深度学习模型的婴幼儿肺炎快速智能诊断方法，其特征在于，所述步骤一具体为：根据当地条件，采集婴幼儿肺炎患者以及正常婴幼儿的各项生理指标，包括：心率、体温、呼吸频率、呼吸音频数据，然后按照是否患有肺炎的类别对数据进行标记并存储。


3.如权利要求1所述的一种基于混合深度学习模型的婴幼儿肺炎快速智能诊断方法，其特征在于，所述步骤二具体为：利用滤波、线性变换、标准化技术对除呼吸音频以外的数据进行处理，并剔除异常数据以及无效数据所对应的数据组，用于深度神经网络DNN的训练；
假设有N个检测样本，M个特征参数，可以得到原始数据的矩阵为：



进行标准化处理后得到各个指标：



式中，和σj分别为第j个特征参数的均值和标准差：





4.如权利要求1所述的一种基于混合深度学习模型的婴幼儿肺炎快速智能诊断方法，其特征在于，所述步骤三中的呼吸音频数据进行分析并提取相应的特征信息具体为：
对于呼吸音频数据，利用傅里叶变换进行特征频域特征提取，用于长短时记忆网络LSTM的训练，MFCC的求解包括以下步骤:
a、将一段语音信号分解为多个讯框；
b、将语音信号预强化，通过一个高通滤波器；
c、进行傅立叶变换，将信号变换至频域，即：



d、将每个讯框获得的频谱通过梅尔滤波器，得到梅尔刻度；
e、在每个梅尔刻度上提取对数能量；
f、对上面获得的结果进行离散傅里叶反变换，变换到倒频谱域，也即：



MFCC就是这个倒频谱图的幅度；一般使用12个系数，与讯框能量叠加得13维的系数。


5.如权利要求1所述的一种基于混合深度学习模型的婴幼儿肺炎快速智能诊断方法，其特征在于，所述步骤四具体为：
利用呼吸音频的频域特征及其标签进行长短时记忆神经网络LSTM的训练，得到模型的第一部分，即螺音识别的部分；
LSTM具有三个“门”结构，即输入门、输出门和遗忘门；
(1)遗忘门：
让网络“忘记”上一步没有用的信息，它会根据当前的输入x(t)、上一时刻的状态c(t-1)、上一时刻的输出h(t-1)共同决定哪一部分信息需要被遗忘，遗忘门的输入部分主要包括上一时刻的隐藏状态h(t-1)和当前时刻的输入数据x(t),其通过一个激活函数σ，一般为sigmoid函数，由于sigmoid函数的特性，保证遗忘门的输出在[0,1]，输出f(t)为：
f(t)＝σ(Wfh(t-1)+Ufx(t)+bf)(6)
其中Wf,Uf,bf分别是遗忘门的循环权重、输入权重和偏置；
(2)输入门：
在神经网络“遗忘”前一状态的信息后，补充新的记忆；根据当前的输入x(t)、上一时刻的状态c(t-1)、上一时刻的输出h(t-1)共同决定有用信息进入新的状态c(t),并储存在记忆细胞中；其输出包括两部分，分别为i(t)和a(t)：
i(t)...

【专利技术属性】
技术研发人员：田万一，刘竟飞，孙文韬，张洪铭，崔振强，
申请(专利权)人：湖南大学，
类型：发明
国别省市：湖南;43