[发明专利]一种基于低秩张量学习的多通道心肺音异常识别系统与装置

说明书

本发明公开了一种基于低秩张量学习的多通道心肺音异常识别系统与装置，包括：通过3个拾音器组成的拾音器整列采集人体心肺音信号，利用增益调节器对心肺音信号进行放大后，通过滤波器，得到高信噪比的心肺音信号，通过ADC模块转换成数字信号传输至单片机；单片机对于3个通道采集的混合心肺音信号分别进行短时傅里叶变换处理，其中短时傅里叶变换采用的窗函数为汉明窗，对3通道信号进行短时傅里叶变换后，获得3个时频谱；根据采集的心肺音张量数据以及给定的标签，训练低秩张量分类模型，获得预训练的学习参数；当给定的新采集的听诊数据时，使用分类模型预测出患者的心肺音数据是否为异常。本发明能减少学习参数，能实现小样本心肺音异常识别任务。

技术领域

本发明涉及智能电子听诊领域，具体是一种基于低秩张量学习的多通道心肺音异常识别系统与装置。

背景技术

近年来，心肺音智能分析已经在时域、频域以及功率谱分析发展到现在的时频分析。心肺音的时频谱分析已经成为了当前有效且流行的方法。为了能够有效地基于心肺音的时频谱识别出存在异常的心肺音信号，研究科学家已经提出了许多方法，包括基于支持向量机(C.Sowmiya and P.Sumitra,Analytical study of heart disease diagnosisusing classification techniques,2017 IEEE International Conference onIntelligent Techniques in Control,Optimization and Signal Processing(INCOS),Srivilliputhur,2017,pp.1-5)、线性判别分析(P.Mayorga,J.Valdez,C.Druzgalski andV.Zeljkovic,Heart and lung sounds based events classification,2016 GlobalMedical Engineering Physics Exchanges/Pan American Health Care Exchanges(GMEPE/PAHCE),Madrid,2016,pp.1-6,doi:10.1109/GMEPE-PAHCE.2016.7504614)、深度神经网络(Son,Gui-Young,and Soonil Kwon.Classification of heart sound signalusing multiple features.Applied Sciences 8.12(2018):2344.)等方法，但是这些方法存在两个较为严重的问题。一方面，简单地将时频谱向量化后，再进一步地对使用上述提到的方法对其进行异常检测，这种简单地向量化时频谱的方式会破坏数据的时间与空间结构，以致于其无法达到更优的学习效果；另一方面，上述分类器的大规模学习参数，需要提供大量的训练样本，不符合现实需求。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于低秩张量学习的多通道心肺音异常识别系统，包括：

通过3个拾音器组成的拾音器整列采集人体心肺音信号，利用增益调节器对心肺音信号进行放大后，通过滤波器，得到高信噪比的心肺音信号，通过ADC模块转换成数字信号传输至单片机；

单片机对于3个通道采集的混合心肺音信号分别进行短时傅里叶变换处理，其中短时傅里叶变换采用的窗函数为汉明窗，对3通道信号逐一进行短时傅里叶变换后，获得3个时频谱，将3个时频谱表示成1个三维的3*T*F大小的张量，其中T代表采集时长，F代表频率；

根据采集的心肺音张量数据以及给定的标签，训练低秩张量分类模型，获得预训练的学习参数；当给定的新采集的听诊数据时，使用分类模型预测出患者的心肺音数据是否为异常；

单片机将预测结果输出至显示模块，对用户进行提醒。

进一步的，所述的汉明窗的长度设置为100-128，窗移动的补偿设置为50-64；

进一步的，所述的三维的张量数据如下式所示：