【技术实现步骤摘要】
基于时域全卷积深度神经网络电子听诊器自适应消噪方法
[0001]本专利技术涉及信号降噪，具体涉及基于时域全卷积深度神经网络电子听诊器自适应消噪方法。
技术介绍
[0002]电子听诊器作为一种非侵入式的辅助诊断仪器，可以方便地采集人体心肺音信号，包括心音和肺音，医生通过分析这些心肺音中包含的信息来确定患者的状态。尽管电子听诊器被广泛采用，但其仍存在许多问题，例如机身和电容式耳机之间存在间隙、听诊器电容式耳机的不同位置，以及容易受到环境噪声的影响等，都将严重影响听诊判断结果。
[0003]心音和肺音等信号极其微弱，为确保能够听到清晰信号，电子听诊器的放大倍数往往设置得很大，导致听诊信号极易受到环境噪声影响，而环境噪声是未知的，难以对其进行建模，导致部分传统算法在心肺音降噪领域难以发挥最佳效果。针对这一问题，现有技术提出了一种自适应噪声消除(ANC)的方法，可以一定程度上还原目标信号，它通常使用一个远端采集通道来记录背景音，主通道采集的混合音数据与远端采集通道采集的背景音干扰数据，通过自适应算法训练一组有限脉冲响应(FIR...
【技术保护点】
【技术特征摘要】
1.基于时域全卷积深度神经网络电子听诊器自适应消噪方法，其特征在于：包括以下步骤：S1、电子听诊器通过主采集通道采集带背景音干扰的心肺音信号，并通过远端采集通道同时采集背景音信号，输入到原始信号缓存空间；S2、对原始信号缓存空间中主采集通道和远端采集通道分别进行归一化处理，得到归一化后的带背景音干扰的心肺音信号s和背景音信号x；S3、将带背景音干扰的心肺音信号s和背景音信号x输入到包含自适应滤波器和自适应算法的ANC系统中，得到自适应滤波器输出y和系统误差e；S4、将自适应滤波器输出y和系统误差e输入到训练好的全卷积深度神经网络中，得到干净心肺音信号2.根据权利要求1所述的基于时域全卷积深度神经网络电子听诊器自适应消噪方法，其特征在于：所述输入到原始信号缓存空间之后，当缓存空间数据累计到设定时长T时，执行S2，否则重复执行S1；所述对原始信号缓存空间中主采集通道和远端采集通道分别进行归一化处理之后，清空缓存空间数据，并同步执行S1；所述得到干净心肺音信号之后，当缓存空间数据累计到下一个设定时长T时，返回S2继续执行。3.根据权利要求1所述的基于时域全卷积深度神经网络电子听诊器自适应消噪方法，其特征在于：S3中所述自适应滤波器为一个M阶的FIR横向滤波器，具体滤波过程为：y(k)＝w
T
(k)x(k)，其中k为迭代次数，w(k)＝[w0(k),w1(k),...,w
M
‑1(k)]表示滤波器抽头权重向量，x(k)＝[x(k),x(k
‑
1),...,x(k
‑
M+1)]表示迭代遍历背景音信号x产生滤波器抽头输入向量；将带背景音干扰的心肺音信号s中的每个采样点s(k)与迭代完成后y(k)作差，得到每个采样点的系统误差e(k)；迭代完成后对y(k)进行保存，得到自适应滤波器输出y，对每个采样点的系统误差e(k)进行保存，得到系统误差e。4.根据权利要求1所述的基于时域全卷积深度神经网络电子听诊器自适应消噪方法，其特征在于：S3中所述自适应算法为归一化最小均方误差NLMS算法，用于更新滤波器抽头权重向量w(k)，更新过程为：其中，μ0为收敛因子，取值范围为(0,1]，ζ为一个很小的正数，用于限制步长过大和避免分母为0。5.根据权利要求1所述的基于时域全卷积深度神经网络电子听诊器自适应消噪方法，其特征在于：S4中所述全卷积深度神经网络包括编码器、消除器和解码器，其中的网络参数是由一个带有标注的数据训练集训练得到。6.根据权利要求5所述的基于时域全卷积深度神经网络电子听诊器自适应消噪方法，其特征在于：所述编码器由I个一维卷积层组成，其中，第一个一维卷积层的卷积核数为N，卷积核的长度为K，卷积步长为K/2，余下I
‑
1个一维卷积层为堆叠的膨胀卷积层，按堆叠顺
序各个膨胀卷积层的膨胀因子为d＝1,2,...,2
I
‑1，且每个膨胀卷积层输出端都串联一个参数修正线性单元PReLU，自适应滤波器输出y、系统误差e分别输入两个并行的编码器中，得到各自的编码特征所述消除器包括用于提取多层次特征的时间卷积网络模块，输入端的交互模块，以及输出端的掩码生成模块，所述消除器接收编码特征给出用于增益特征的掩码M，通过矩阵点乘获得增益编码特征F
G
，计算过程为所述解码器由I个一维反卷积层组成，其中，前I
‑
1个一维反卷积层为堆叠的膨胀反卷积层，...
【专利技术属性】
技术研发人员：杨春健，徐东阳，张凤兰，胡南，
申请(专利权)人：江苏恩美谛医疗科技有限公司，
类型：发明
国别省市：
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。