[发明专利]基于时序卷积网络的混合听诊信号分离方法及相关装置

说明书

本申请公开基于时序卷积网络的混合听诊信号分离方法及相关装置，方法包括：通过预置线性编码网络将预置混合听诊信号进行编码处理，得到混合编码信号；采用预置时序卷积神经网络对混合编码信号进行信号分离，得到源信号掩码，源信号掩码包括心音信号掩码和肺音信号掩码，预置时序卷积神经网络采用预置一维扩张卷积块提取混合编码信号的信号特征；通过预置线性解码网络根据所述源信号掩码进行信号重构处理，得到目标分离信号，目标分离信号包括心音信号和肺音信号。本申请解决了现有信号分离技术没有利用心肺混合信号的时序特性，导致分离准确度较低的技术问题。

技术领域

本申请涉及信号处理技术领域，尤其涉及基于时序卷积网络的混合听诊信号分离方法及相关装置。

背景技术

根据世界卫生组织发布的2018世界卫生统计报告显示心血管疾病是全球头号杀手，心血管疾病死亡数占死亡总数的31％。使用听诊器听诊是最常用的心肺诊断方法之一，具有无创、低成本的特点；胸部听诊是现代医学中诊断心脏系统疾病和呼吸系统疾病的一种重要手段。传统的听诊器由共振片、声音共振腔和传导声音的导管组成，然而它有一些不可弥补的缺点：胸壁听诊时听诊信号通常为心肺音混合声音，需要听诊者根据主观经验区分心音和肺音，且听诊的效果会因心音和肺音的信号混叠而减弱，因此从混合的听诊信号中分离干净的心音信号和肺音信号是很有意义的，能提高听诊质量。

心音信号和肺音信号在60Hz-320Hz频带存在相互干扰，传统的带通滤波无法将它们完全分离；目前的基于非负矩阵分解模型和基于长短时记忆网络的心肺音分离方法取得了较好的分离效果，但是模型存在结构复杂、参数较多、收敛速度慢以及无法挖掘时频谱时序上下文关系的问题；而基于非负矩阵分解的递归稀疏表示的混合听诊信号分离方法，通过非负矩阵分解构建能有效描述心肺音的递归特征心肺音字典，再基于该字典，获得心音和肺音的稀疏表示，实现混合听诊信号的分离，但是该方法无法实际没有利用心肺信号的视频谱的非线性时序信息，使得分离精度有限。

发明内容

本申请提供了基于时序卷积网络的混合听诊信号分离方法及相关装置，用于解决现有信号分离技术没有利用心肺混合信号的时序特性，导致分离准确度较低的技术问题。

有鉴于此，本申请第一方面提供了基于时序卷积网络的混合听诊信号分离方法，包括：

通过预置线性编码网络将预置混合听诊信号进行编码处理，得到混合编码信号；

采用预置时序卷积神经网络对所述混合编码信号进行信号分离，得到源信号掩码，所述源信号掩码包括心音信号掩码和肺音信号掩码，所述预置时序卷积神经网络采用预置一维扩张卷积块提取所述混合编码信号的信号特征；

通过预置线性解码网络根据所述源信号掩码进行信号重构处理，得到目标分离信号，所述目标分离信号包括心音信号和肺音信号。

优选地，所述通过预置线性编码网络将预置混合听诊信号进行编码处理，得到混合编码信号，之后还包括：

将所述混合编码信号进行全局归一化处理，得到归一化混合编码信号。

优选地，所述将所述混合编码信号进行全局归一化处理，得到归一化混合编码信号，具体包括：

采用预置均值公式计算所述混合编码信号的均值，所述预置均值公式为：

其中，x_i为所述混合编码信号，m为信号总数，μ_β为所述均值；

采用预置方差公式计算所述混合编码信号的方差，所述预置方差公式为：

其中，为所述方差；

采用预置标准化公式进行归一化计算，得到所述归一化混合编码信号，所述预置标准化公式为：