[发明专利]一种基于智能手机的院外肺炎初步识别方法

权利要求书

1.一种基于智能手机的院外肺炎初步识别方法，其特征在于，包括基于咳嗽音的肺炎疑似程度算法流程、基于患者的肺炎疑似程度算法流程以及基于智能手机的院外肺炎初步识别方法的整体检测流程；

(一)、基于咳嗽音的肺炎疑似程度算法流程，包括如下步骤：

步骤(S1)：采集大量咳嗽音信号样本；

步骤(S2)：根据患者的诊断意见，将步骤(S1)得到的咳嗽音信号样本分为正负两类：正类为肺炎患者的咳嗽音信号样本，负类为非肺炎患者的咳嗽音信号样本；

步骤(S3)：将正负样本数据集分别随机划分为训练数据集和测试数据集，其中测试数据集占20％；

步骤(S4)：构建一维CNN网络分类模型；

步骤(S5)：训练步骤(S4)构建的CNN网络分类模型；

(S5.1)、将训练样本分批次输入到CNN网络分类模型中；

(S5.2)、训练过程中，将CNN网络分类模型输出的正负类别概率值与之前标注的结果计算损失函数，采用随机梯度下降法不断更新模型参数，损失函数如下所示：

其中，θ为模型待优化的参数；N为每一批训练样本的数量；C为分类总数(本例中为2)；为标记的第k类值(本例中，)；为输出的第k类概率值；

(S5.3)、经过大量迭代训练后，CNN网络分类模型输出的loss值收敛到较低；之后，每一轮迭代训练完成后，在测试集上对CNN网络分类模型进行测试；若测试准确率超过90％，则完成了整个训练过程，若测试精度没有达到要求，则回到步骤(S5.1)，继续训练；

(二)、基于患者的肺炎疑似程度算法流程，包括如下步骤：

步骤(T1)：根据上述基于咳嗽音的肺炎疑似程度算法流程中采集患者的就诊记录，提取患者的4个体征信息：分别是年龄、体温、呼吸率、发病天数；

步骤(T2)：从患者的测试集中随机选取3-5个咳嗽音，利用基于咳嗽音的肺炎疑似程度算法流程，求得多个咳嗽音的肺炎疑似概率值并取平均值y_cough；

步骤(T3)：将患者的4个体征信息归一化，并将归一化后的4个体征信息与咳嗽音肺炎概率值结合组成一个5维特征向量；

步骤(T4)：根据患者的诊断意见，将步骤(T3)得到的5维特征向量样本分为正负两类：正类为肺炎患者的5维特征向量样本，负类为非肺炎患者的5维特征向量样本；

步骤(T5)：将正负样本数据集分别随机划分为训练数据集和测试数据集，其中测试集占20％；

步骤(T6)：构建分类器模型；

(T6.1)：分类器模型采用SVM模型，该SVM模型能够在线性可分或不可分的情况下寻找样本中用于构造最大间隔超平面的支持向量，其本质可归结为求解一个带约束条件的二次凸优化问题；

(T6.2)：训练过程中，分批次将训练样本的5维特征向量输入到SVM模型中，采用随机梯度下降法训练SVM模型，使得训练的目标函数最小，目标函数如下所示：

s.t.0≤α_i≤C；

其中，α_i为第i个样本的拉格朗日乘子，即模型待优化的参数；N为样本总数；y_i为第i个样本标注的结果(正类为1，负类为0)；x_i为第i个样本的5维特征向量；φ(·)为核函数，用于高维映射；C为惩罚项系数，用于控制惩罚的程度，取常数1；

(T6.3)、经过大量迭代训练后，SVM模型输出的最小目标值收敛到较低；之后，每一轮迭代训练完成后，在测试集上对SVM模型进行测试；若测试准确率超过90％，则完成了整个训练过程，若测试精度没有达到要求，则回到步骤(T6.2)，继续训练；

(三)、基于智能手机的院外肺炎初步识别方法的整体检测流程如下，其中智能手机应用软件App包含3个功能模块，3个功能模块说明如下：

体征信息输入模块(1)，用于输入患者的4项体征信息，基于患者的肺炎疑似程度算法流程作归一化处理；

咳嗽音录制模块(2)，用于录制患者的多个咳嗽音并标记，且计算患者的咳嗽音肺炎疑似概率值；

结果显示模块(3)，通过上述体征信息输入模块(1)和咳嗽音录制模块(2)得到的信息，综合计算患者的总体肺炎疑似概率值，并显示分析结果；

其中使用和检测步骤如下：

步骤(V1)：在智能手机应用App中依次输入年龄、体温、呼吸率、发病天数4项体征信息；

步骤(V2)：录制咳嗽音片段：

(V2.1)、患者在有咳嗽感觉时，开始录制咳嗽音，在咳嗽动作完成后，结束录音；该步骤重复多次，以提升最终肺炎识别结果的准确率；

(V2.2)、对音频中的所有咳嗽音片段都进行标记操作；

步骤(V3)：分析、检测并显示最终结果：

(V3.1)、基于咳嗽音的肺炎疑似程度算法流程对多个标记的咳嗽音片段计算肺炎疑似概率值并求平均值，基于患者的肺炎疑似程度算法流程提取该患者的5维特征向量并计算最终的肺炎疑似概率值；

(V3.2)、显示检测报告，提醒患者是否为疑似肺炎。