【技术实现步骤摘要】
一种基于深度学习的呼吸音智能诊疗系统及方法
本专利技术主要涉及到呼吸监测
,特指一种基于深度学习的呼吸音智能诊疗系统及方法。
技术介绍
呼吸道疾病已经成为现代医疗的热点问题。以伤残为变量调整的生命年计算,我国疾病负担最大的是呼吸道疾病,其次才是心脑血管疾病。目前我国呼吸道医疗行业存在患者人数众多、医疗资源匮乏且分配不均的问题。呼吸音信号含有丰富的生理和病理信息。在临床上,不同的肺部疾病可以通过对相应异常音检测来进行诊断。传统的医生听诊极易受到外界杂音和病人体内心音的影响,对医师的临床技能提出了很高的要求。同时,传统的医生诊断结果主要取决于医生的临床经验及其主观判断,存在一定的人为因素。与之相比,基于深度学习技术设计一种量化的智能分类规则,能进一步提高诊断的快速性、准确性。当前智能医疗的前景十分广阔,一方面,人口老龄化造成医疗需求急速增长;另一方面,我国医疗物资严重短缺,尤其是在偏远地区。深度学习作为机器学习领域近几年兴起的一个新研究方向,可以从大量的输入数据中自主提取有效的特征表示。截至目前,呼吸音识别仍然是一个相对不完善的研究领域,该领域的分类算法研究主要集中在前馈神经网络和支持向量机等常规算法上,没有引进卷积神经网络等新兴算法,尚有充足的改进空间。
技术实现思路
本专利技术要解决的技术问题就在于:针对现有技术存在的技术问题,本专利技术提供一种原理简单、自动化程度高、适用范围广的基于深度学习的呼吸音智能诊疗系统及方法。为解决上述技术问题,本专利技术采用以下技术方案: ...
【技术保护点】
1.一种基于深度学习的呼吸音智能诊疗系统,其特征在于,包括:/n呼吸音采集设备,用于用户呼吸音信号的实时采集,将声音转化为数字信号并传输至上位机;/n用户侧上位机,用于通过通信模块将用户数据传输至云端服务器;/n云端服务器,用于部署基于深度学习的呼吸音智能诊断方法,即云端服务器接收上位机上传的呼吸音数据,并将其送入诊断方的数据流水线,从而根据上位机上传的呼吸音数据,自动识别可能的异常病征,并将诊断结果反馈给用户侧上位机。/n
【技术特征摘要】
1.一种基于深度学习的呼吸音智能诊疗系统,其特征在于,包括:
呼吸音采集设备,用于用户呼吸音信号的实时采集,将声音转化为数字信号并传输至上位机;
用户侧上位机,用于通过通信模块将用户数据传输至云端服务器;
云端服务器,用于部署基于深度学习的呼吸音智能诊断方法,即云端服务器接收上位机上传的呼吸音数据,并将其送入诊断方的数据流水线,从而根据上位机上传的呼吸音数据,自动识别可能的异常病征,并将诊断结果反馈给用户侧上位机。
2.根据权利要求1所述的基于深度学习的呼吸音智能诊疗系统,其特征在于,所述呼吸音采集设备包括拾音电路、DSP芯片、放大器、电源管理模块和数据传输接口,用来将采样量化、滤波放大后的数字化呼吸音信号通过Type-C或蓝牙数据传输接口传至用户侧上位机。
3.根据权利要求1所述的基于深度学习的呼吸音智能诊疗系统,其特征在于,所述用户侧上位机包括存储模块、通信模块和交互模块;所述存储模块利用移动端存储资源,对接收到的音频数据进行存储和管理;所述通信模块通过移动网络或WiFi实现与云端服务器的双向通信,上传已转为数字信号的呼吸音数据,并下载服务器的分析结果;所述人机交互模块通过移动端APP实现分析结果的可视化。
4.根据权利要求1或2或3所述的基于深度学习的呼吸音智能诊疗系统,其特征在于,所述云端服务器接收上位机上传的呼吸音数据,并将其送入数据流水线;经过周期性分割、重采样、补零、傅立叶变换、Mel滤波、时域拼接环节,生成输入信号的时频特征张量;将信号的时频特征张量输入已训练好的网络模型,根据网络输出给出诊断结果,并将其传送到用户端上位机。
5.根据权利要求4所述的基于深度学习的呼吸音智能诊疗系统,其特征在于,所述网络模型包括卷积、全局池化、稠密连接三个环节;所述卷积环节使用4级8层二维卷积模块实现特征提取,所述卷积模块包括一次卷积环节、一次修正线性单元激活环节、一次最大池化环节;所述全局池化环节使用均值池化策略,使网络适应不同时频尺度的输入信息;所述稠密连接环节用于实现最后的分类任务。
6.根据权利要求1或2或3所述的基于深度学习的呼吸音智能诊疗系统,其特征在于,所述诊断结果在反馈给用户的同时也存储在云端服务器中为用户生成电子病历,作为临床病史供用户和定点诊疗机构随时调用。
7.一种基于深度学习的呼吸音智能诊疗方法,其特征在于,其步骤包括:
步骤S1:数据流水线的构建;
步骤S2:呼吸音...
【专利技术属性】
技术研发人员:杨德贵,王浩,杨逸飞,成昭颐,严旭画,李未名,朱政亮,李坤,
申请(专利权)人:中南大学,
类型:发明
国别省市:湖南;43
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。