基于深度神经网络架构的肺音识别方法、装置和设备制造方法及图纸

本申请公开了一种基于深度神经网络架构的肺音识别方法，包括：建立支气管仿真模型，设置仿真条件仿真得到肺音的声压级频谱，再计算出声压级频谱包络曲线，其中，声压级频谱包括声压级和频率之间的关系；基于声压级频谱及其包络曲线，确定肺部声学滤波器组；将肺音数据进行傅里叶变换后，通过肺部声学滤波器组得到滤波后的频谱，再进行倒谱分析和离散余弦变换，得到肺音数据的声学特征；利用深度神经网络架构建立端到端肺音识别系统，输入为肺音数据声学特征，输出为肺音类别；将待识别肺音数据的声学特征输入到训练好的端到端系统中，以识别待识别肺音数据的肺音类别。本申请还提供了一种肺音识别装置、一种计算设备以及一种计算机可读存储介质。

【技术实现步骤摘要】
基于深度神经网络架构的肺音识别方法、装置和设备
本申请涉及一种基于深度神经网络架构的肺音识别方法、一种肺音识别装置、一种计算设备以及一种计算机可读存储介质。
技术介绍
肺音是表征肺部信息一项指标。通常可以将肺音分为两大类：正常音和异常音。正常音包括肺泡音、气管音和支气管肺泡音等。异常音可分为干啰音、大水泡音、中水泡音、小水泡音和捻发音等。传统肺音识别方法是采用人工听诊方法，但这存在主观判断、专家经验及人耳敏感度等问题。随着数字信号分析技术的发展和硬件设备性能的提高，高质量的肺音数据可以被保留并用于分析及研究，计算机辅助识别肺音的研究趋势越专利技术显。大多数研究人员采用机器学习策略对肺音进行分类，如采用表征人耳听觉特性的梅尔频率倒谱系数(MelFrequencyCepstrumCoefficient，MFCC)作为声学特征，使用基于最大似然估计的高斯混合模型(GaussianMixtureModel，GMM)；也可引入隐马尔科夫模型(HiddenMarkovModel，HMM)对肺音信号进行时序状态建模；以及基于深度神经网络(DeepNeural本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络架构的肺音识别方法，包括：/n建立支气管仿真模型，设置仿真条件对所述支气管仿真模型进行仿真得到肺音声压级频谱，再计算出声压级频谱包络曲线，其中，所述声压级频谱包括声压级和频率之间的关系，所述声压级频谱包络曲线是将声压级频谱中不同频率的振幅最高点连结起来得到的曲线；/n基于所述声压级频谱和所述声压级频谱包络曲线，确定肺部声学滤波器组；/n将待识别肺音数据进行傅里叶变换后，通过所述肺部声学滤波器组对傅里叶变换后的待识别肺音频谱进行滤波处理得到滤波后的频谱，再对滤波后的频谱进行倒谱分析和离散余弦变换，得到待识别肺音数据的声学特征；以及/n将所述待识别肺音数据的声学特征输入到经...

【技术特征摘要】
1.一种基于深度神经网络架构的肺音识别方法，包括：
建立支气管仿真模型，设置仿真条件对所述支气管仿真模型进行仿真得到肺音声压级频谱，再计算出声压级频谱包络曲线，其中，所述声压级频谱包括声压级和频率之间的关系，所述声压级频谱包络曲线是将声压级频谱中不同频率的振幅最高点连结起来得到的曲线；
基于所述声压级频谱和所述声压级频谱包络曲线，确定肺部声学滤波器组；
将待识别肺音数据进行傅里叶变换后，通过所述肺部声学滤波器组对傅里叶变换后的待识别肺音频谱进行滤波处理得到滤波后的频谱，再对滤波后的频谱进行倒谱分析和离散余弦变换，得到待识别肺音数据的声学特征；以及
将所述待识别肺音数据的声学特征输入到经训练肺音识别系统中，以识别所述待识别肺音数据的肺音类别，其中，所述经训练肺音识别系统是利用深度神经网络架构建立的。


2.根据权利要求1所述的方法，其中：
所述建立支气管仿真模型包括：
建立基础支气管模型；以及
基于所述基础支气管模型构建多类支气管模型；
所述基于所述基础支气管模型构建多类支气管模型包括：修改所述基础支气管模型的几何参数从而构建得到所述多类支气管模型；
所述声压级频谱包括：
利用所述基础支气管模型进行仿真得到的第一类声压级频谱；以及
利用所述多类支气管模型进行仿真得到的与所述多类支气管模型一一对应的多类声压级频谱，
其中，所述多类声压级频谱包括N-1类声压级频谱，所述第一类声压级频谱和所述多类声压级频谱组成N类声压级频谱，N为大于等于2的整数，
其中，所述N类声压级频谱中的任一类声压级频谱均包括多个声压级频谱，所述多个声压级频谱包括对肺部模型多个仿真位置点进行仿真得到的声压级频谱。


3.根据权利要求2所述的方法，其中，所述确定肺部声学滤波器组包括：
确定所述肺部声学滤波器组中第一数量个滤波器的中心频率；
确定所述肺部声学滤波器组中第二数量个滤波器的中心频率；以及
确定所述肺部声学滤波器组中第三数量个滤波器的中心频率。


4.根据权利要求3所述的方法，其中，所述确定所述肺部声学滤波器组中第一数量个滤波器的中心频率包括：
针对所述任一类声压级频谱，处理所述任一类声压级频谱，得到与多个声压级频谱一一对应的多个截止频率；
将与所述N类声压级频谱一一对应的多个截止频率进行排序处理，其中截止频率小于或等于300Hz；
对排序后的多个截止频率进行筛选处理，得到肺部声学滤波器组中第一数量个滤波器的中心频率，其中，第一数量为W。


5.根据权利要求4所述的方法，其中，所述对排序后的多个截止频率进行筛选处理包括以下至少一项：
确定所述排序后的多个截止频率中是否存在重复，若存在，则删除多个截止频率中重复的频率值；
取删除重复频率值后剩余的截止频率中最小截止频率作为第一数量个滤波器的第一个中心频率，找到比第一个中心频率大的截止频率中与第一个中心频率的差值大于或等于25Hz的最小频率值，作为第一数量个滤波器的第二个中心频率，以此类推，得到第一数量个滤波器的所有中心频率。


6.根据权利要求3所述的方法，其中，所述确定所述肺部声学滤波器组中第二数量个滤波器的中心频率包括：
针对与所述第一数量个滤波器对应的第一数量个中心频率，确定所述第一数量个中心频率中最大的中心频率；
在第一数量个中心频率中最大的中心频率至2000Hz范围内，确定与所述N类声压级频谱一一对应的N类声压级频谱包络曲线，所述N类声压级频谱包络曲线中的任一类声压级频谱包络曲线均包括16个声压级频谱包络曲线，以得到16×N个声压级频谱包络曲线；
将从所述16×N个声压级频谱包络曲线中确定出的包络峰值频率进行筛选，删除所述包络峰值频率中重复的频率值，将保留下的包络峰值频率由小到大排列并进行筛选，取最小包络峰值频率作为滤波器组的第W+1个中心频率，找到比第W+1个中心频率大的包络峰值频率中与第W+...

【专利技术属性】
技术研发人员：李琳，柳玲玲，洪青阳，郭东辉，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建;35