一种智能电子听诊咳嗽声的处理方法技术

本发明专利技术公开了属于听诊器技术领域的一种智能电子听诊咳嗽声的处理方法，通过获取AD采集单元实时采集到的咳嗽声传输至MCU处理单元，所述MCU处理单元对咳嗽声进行去噪，得到音频的时域信号，所述MCU处理单元对音频的时域信号进行频谱分析，将所述时域信号转换成频率信号，得到患者咳嗽声对应的当前时频图；再将得到的所述当前时频图输入预先训练的AI模型，得到所述当前时频图对应的咳嗽疾病分类号判断出该患者的咳嗽声为对应的某一疾病并显示。本发明专利技术能够辅助医生快速诊断和大众家庭的简单使用，更为友好的操作体验和准确、快速的判断出患者的呼吸病因。断出患者的呼吸病因。断出患者的呼吸病因。

【技术实现步骤摘要】
一种智能电子听诊咳嗽声的处理方法


[0001]本专利技术属于听诊器
，涉及一种智能电子听诊咳嗽声的处理方法。

技术介绍

[0002]传统的呼吸疾病是医生通过佩戴的听诊器进行听诊，并由医生根据经验对呼吸疾病做出较为可靠的诊断结果。通常医生所佩戴的听诊器只能听到患者的呼吸频率为20
‑
20000Hz，而对于呼吸频率为0
‑
20Hz的频率，医生所用的听诊器则很难听诊出来，使得医生通过听诊器对患者的肺炎、肺部感染等肺部疾病病情无法做到全面的判断，特别是某些肺部疾病处于低频声音情况下，则听诊效果不好。而且，听诊器还难以适用于大众家用的使用，因为大众家庭的人并未有经过很强的听诊器专业训练和技能判断。
[0003]因此，有必要设计一种智能电子听诊咳嗽声的处理方法，能够辅助医生快速诊断和大众家庭的简单使用，更为友好的操作体验和准确、快速的判断出患者的呼吸病因。

技术实现思路

[0004]本专利技术提供一种智能电子听诊咳嗽声的处理方法，旨在解决现有听诊器的使用的专业性要求，局限性大部分人的使用，难以大众化，以及听诊器对于低频声音难以较好听去，导致呼吸诊断不够全面的问题。
[0005]为实现上述目的，本专利技术提供一种智能电子听诊咳嗽声的处理方法，包括智能电子听诊器和移动终端，所述智能电子听诊器包括AD采集单元、MCU 处理单元和蓝牙，所述智能电子听诊器通过内置的蓝牙与移动终端通信连接，该方法包括：
[0006]获取AD采集单元实时采集到的咳嗽声传输至MCU处理单元所述MCU处理单元对咳嗽声进行去噪，得到音频的时域信号；
[0007]所述MCU处理单元对音频的时域信号进行频谱分析，将所述时域信号转换成频率信号，得到患者咳嗽声对应的当前时频图；
[0008]将得到的所述当前时频图输入预先训练的AI模型，得到所述当前时频图对应的咳嗽疾病分类号，所述AI模型植入于所述移动终端内；
[0009]根据所述咳嗽疾病分类判断出该患者的咳嗽声为对应的某一疾病并显示。
[0010]作为优选的，所述AI模型的建立包括:
[0011]采集不同患者的咳嗽声，标记每一咳嗽声对应的疾病名称作为训练集，每一咳嗽声包括对应音频的时域信号；
[0012]随机打乱所述训练集的顺序，将所述训练集分拆成n个子集，其中n为正整数；
[0013]遍历n个所述子集后，对n个所述子集中包含的每一时域信号进行预处理，得到每一咳嗽声对应的时频图；
[0014]将n个所述子集对应的时频图集合形成AI模型，利用随机梯度下降算法优化所述AI模型，当所述AI模型中的每一时频图优化后的损失小于预设损失值时，所述AI模型训练完成。
[0015]作为优选的，所述将n个所述子集中包含的每一时域信号进行预处理包括:
[0016]将每一时域信号中所对应的频率信号曲线进行预加重，使所述频率信号的曲线趋向于线性；
[0017]将预加重后的所述频率信号按一定大小拆分成若干帧信号，相邻两帧信号之间有且只有半帧重叠；
[0018]将帧信号与窗函数相乘，生成每一帧的时域信号；
[0019]利用傅里叶变换将每一帧的时域信号转换成每一帧的频率信号，将转换得到的多个所述每一帧的频率信号叠堆拼接形成时频图。
[0020]作为优选的，所述时频图以横坐标为时间、纵坐标为每一帧的频率高低，用以记录咳嗽声在不同时间的频率变化。
[0021]作为优选的，所述时域信号以横坐标为时间、纵坐标为每一帧的振幅强度，用以记录咳嗽声在不同时间的振幅强弱。
[0022]作为优选的，所述随机梯度下降算法的计算公式为:
[0023]X
t+1
＝X
t
‑
η
t
▽
f
n
(X)
[0024]其中，X
t+1
表示下一次迭代的网络权重，X
t
表示当前迭代的网络权重，η
t
表示学习率，
▽
f
n
(X)表示最小化第n个训练集数据子集的权重梯度的平均。
[0025]作为优选的，所述音频信号包括在预设时间内AD采集单元采集到的咳嗽声，所述音频信号的频率范围为0
‑
20000Hz。
[0026]作为优选的，所述MCU处理单元对音频的时域信号进行频谱分析包括:
[0027]分析咳嗽声的时域信号，包括在不同时间点咳嗽声的振动幅度和同一时间点咳嗽声的振动次数，得到咳嗽是你的频率分布数据；
[0028]根据得到的所述频率分布数据，将所述时域信号转换成频率信号。
[0029]作为优选的，所述AD采集单元包括声音传感器、咪头传感器或麦克风传感器中的任意一种。
[0030]本专利技术相对于现有技术的有益效果:
[0031]本专利技术提供一种智能手持式由子听诊咳嗽声的处理方法，通过获取AD采集单元实时采集到的咳嗽声传输至MCU处理单元，所述MCU处理单元对咳嗽声进行去噪，得到音频的时域信号，所述MCU处理单元对音频的时域信号进行频谱分析，将所述时域信号转换成频率信号，得到患者咳嗽声对应的当前时频图；再将得到的所述当前时频图输入预先训练的AI模型，得到所述当前时频图对应的咳嗽疾病分类号判断出该患者的咳嗽声为对应的某一疾病并显示。本专利技术能够辅助医生快速诊断和大众家庭的简单使用，更为友好的操作体验和准确、快速的判断出患者的呼吸病因。
[0032]为更清楚地阐述本专利技术的结构特征和功效，下面结合附图与具体实施例来对本专利技术进行详细说明。
附图说明
[0033]图1为本专利技术智能电子听诊咳嗽声的处理方法的连接结构示意图；
[0034]图2为本专利技术智能电子听诊咳嗽声的处理方法较佳实施例的流程示意图；
[0035]图3为本专利技术智能电子听诊咳嗽声的处理方法中的AI模型建立的较佳实施例的流
程示意图；
[0036]图4为本专利技术智能电子听诊咳嗽声的处理方法中的预处理较佳实施例的流程示意图；
具体实施方式
[0037]除非另有定义，本文所使用的所有的技术和科学术语与属于本申请
的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
[0038]在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
...

【技术保护点】

【技术特征摘要】
1.一种智能电子听诊咳嗽声的处理方法，其特征在于，包括智能电子听诊器和移动终端，所述智能电子听诊器包括AD采集单元、MCU处理单元和蓝牙，所述智能电子听诊器通过内置的蓝牙与移动终端通信连接，该方法包括：获取AD采集单元实时采集到的咳嗽声传输至MCU处理单元，所述MCU处理单元对咳嗽声进行去噪，得到音频的时域信号；所述MCU处理单元对音频的时域信号进行频谱分析，将所述时域信号转换成频率信号，得到患者咳嗽声对应的当前时频图；将得到的所述当前时频图输入预先训练的AI模型，得到所述当前时频图对应的咳嗽疾病分类号，所述AI模型植入干所述移动终端内；根据所述咳嗽疾病分类判断出该患者的咳嗽声为对应的某一疾病并显示。2.根据权利要求1所述的智能电子听诊咳嗽声的处理方法，其特征在于，所述AI模型的建立包括：采集不同患者的咳嗽声，标记每一咳嗽声对应的疾病名称作为训练集，每一咳嗽声包括对应音频的时域信号；随机打乱所述训练集的顺序，将所述训练集分拆成n个子集，其中n为正整数；遍历n个所述子集后，对n个所述子集中包含的每一时域信号进行预处理，得到每一咳嗽声对应的时频图；将n个所述子集对应的时频图集合形成AI模型，利用随机梯度下降算法优化所述AI模型，当所述AI模型中的每一时频图优化后的损失小于预设损失值时，所述AI模型训练完成。3.根据权利要求2所述的智能电子听诊咳嗽声的处理方法，其特征在于，所述将n个所述子集中包含的每一时域信号进行预处理包括：将每一时域信号中所对应的频率信号曲线进行预加重，使所述频率信号的曲线趋向于线性；将预加重后的所述频率信号按一定大小拆分成若干帧信号，相邻两帧信号之间有且只有半帧重...

【专利技术属性】
技术研发人员：叶金生，樊瑞娜，
申请(专利权)人：深圳市朝阳新舟科技有限公司，
类型：发明
国别省市：