一种基于深度学习的辅助电子听诊器信号判别方法技术

一种基于深度学习的辅助电子听诊器信号判别方法，基于心脏跳动复杂的声音信号，利用小波变换滤除无用的声音信号，将心脏跳动信号的心音进行杂音滤除处理，基于心脏跳动周期的各个阶段具有不同的特征，通过将心音信号进行分段处理，提取相对应的声学特征，并通过人工神经网络算法进行处理，实现判断心音信号正常与否，辅助医生判断患者的疾病，实现更好的去噪效果，精确度更高，鲁棒性更好；与传统电子听诊器相比，本发明专利技术对心音信号处理更精细，获得更具体完整的结果，同时可以辅助医生进行诊断，在未来远程医疗诊断进一步发展后，本发明专利技术的优势将会进一步凸显。的优势将会进一步凸显。

【技术实现步骤摘要】
一种基于深度学习的辅助电子听诊器信号判别方法


[0001]本专利技术属于医疗信息处理
，特别涉及一种基于深度学习的辅助电子听诊器信号判别方法。

技术介绍

[0002]现代医学即始于听诊器的专利技术，听诊器主要用于收集和放大从心脏、肺部、动脉、静脉和其他内脏器官处发出的声音。传统听诊器自从1817年3月8日应用于临床以来，外形及传音方式有不断的改进，但其基本结构变化不大，主要由拾音部分，传导部分及听音部分组成。
[0003]电子听诊器是利用电子技术放大身体的声音，克服了声学听诊器噪音高的缺点。电子听诊器可将需要转换的声音的声波电信号，进行放大和处理，以获得最佳聆听。但和传统的声学听诊器相比，它们都是基于相同的物理原理，普通电子听诊器只是将人体的声音提取优化，使医生能够更好的聆听人体内的声音。但是，对于获取的声音信号完全需要由医生来做出判断，本质上和普通听诊器没有不同，都是完全依赖于医生的经验与医学知识来进行诊断，起不到很好的辅助作用。

技术实现思路

[0004]为了克服上述现有技术的缺陷，本专利技术的目的在于提供一种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的辅助电子听诊器信号判别方法，其特征在于，包括以下步骤：步骤1：利用小波变换滤除心音信号的杂音步骤1.1：心音信号的小波分解采集心音信号，利用小波分析算法，若原信号s(t)＝A
0，k
，则其分解算法为：其中，t为离散时间序列号，t＝1，2，3....，N；j为层数，j＝1，2，3，...，J，J＝log2N；H，G分别为小波低通滤波器和带通滤波器系数，A
j，k
和D
j，k
分别为信号s(t)在第j层的低频部分和高频部分的小波系数；步骤1.2：小波分解高频系数的阈值量化；对每一层高频系数进行阈值量化处理，采用阈值函数：其中，λ1为下阈值；λ2为上阈值，定义上阈值λ2＝(a+1)λ1，0≤a＜1；步骤1.3：小波的重构；对小波分解后的第J层低频系数和经过阈值量化处理后的第1层到第j层的高频系数进行重构，得到消噪后的信号，重构算法为：步骤2：利用HMM进行心音信号切分；步骤3：提取并预处理心音信号的特征；步骤4：将预处理过后的心音特征送入卷积神经网络CNN进行训练。2.根据权利要求1所述的一种基于深度学习的辅助电子听诊器信号判别方法，其特征在于，所述的步骤2利用HMM进行心音信号切分；具体为：心音信号状态定义为S＝{S1，S2，...S
N
}，定义连续序列为Q，各个状态所处的时间为q
t
，定义序列的观察特征O＝{O1，O2，O3，...O
t
}，其中O可以是单个特征也可以是多个特征；定义状态转换矩阵A＝{a
ij
}为时间从t到t+1状态从i到j的概率；a
ij
＝(q
t+1
＝S
j
|q
t
＝S
i
)观察概率密度分布B＝{b
j
(O
t
)}定义为状态j生成输出O
t
的概率，假设高斯分布估计每个状态的输出的概率密度：
其中是具有μ
j
和∑
j
的单个或多变量的高斯分布，分别是状态j中观察的平均值和方差；初始状态分布定义为π＝{π
i
}，其中：π
i
＝P(q1＝S
i
)由于记录的时刻在心脏周期中的任何时间发生，因此初始状态分布等于状态分布：π
i
＝P(q1＝S
i
)＝P(q
t
＝S
i
)在应用HMM之前将估计的参数称为λ：λ＝{a
ij
，μ
j
，∑
j
，π
i
}与当前状态序列最怕匹配的序列Q*为：在时间为q
t
下，状态为j的概率δ
t
(j)：δ
t
(j)≈P(O1，O2，...，O
t
，q
t
＝S
j
|λ)通过之前的状态i最大化概率：通过初始状态分布初始化：δ1(j)＝π
j
b
j
(O1)为了能够追踪最佳的路径，最大化的参数存储在ψ
...

【专利技术属性】
技术研发人员：曹晖，王宁，李运甲，李江涛，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：