[发明专利]基于深度神经网络架构的肺音识别方法、装置和设备

说明书

本申请公开了一种基于深度神经网络架构的肺音识别方法，包括：建立支气管仿真模型，设置仿真条件仿真得到肺音的声压级频谱，再计算出声压级频谱包络曲线，其中，声压级频谱包括声压级和频率之间的关系；基于声压级频谱及其包络曲线，确定肺部声学滤波器组；将肺音数据进行傅里叶变换后，通过肺部声学滤波器组得到滤波后的频谱，再进行倒谱分析和离散余弦变换，得到肺音数据的声学特征；利用深度神经网络架构建立端到端肺音识别系统，输入为肺音数据声学特征，输出为肺音类别；将待识别肺音数据的声学特征输入到训练好的端到端系统中，以识别待识别肺音数据的肺音类别。本申请还提供了一种肺音识别装置、一种计算设备以及一种计算机可读存储介质。

技术领域

本申请涉及一种基于深度神经网络架构的肺音识别方法、一种肺音识别装置、一种计算设备以及一种计算机可读存储介质。

背景技术

肺音是表征肺部信息一项指标。通常可以将肺音分为两大类：正常音和异常音。正常音包括肺泡音、气管音和支气管肺泡音等。异常音可分为干啰音、大水泡音、中水泡音、小水泡音和捻发音等。传统肺音识别方法是采用人工听诊方法，但这存在主观判断、专家经验及人耳敏感度等问题。随着数字信号分析技术的发展和硬件设备性能的提高，高质量的肺音数据可以被保留并用于分析及研究，计算机辅助识别肺音的研究趋势越发明显。大多数研究人员采用机器学习策略对肺音进行分类，如采用表征人耳听觉特性的梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient，MFCC)作为声学特征，使用基于最大似然估计的高斯混合模型(Gaussian Mixture Model，GMM)；也可引入隐马尔科夫模型(HiddenMarkov Model，HMM)对肺音信号进行时序状态建模；以及基于深度神经网络(Deep NeuralNetworks，DNN)实现肺音非线性特征提取及分类研究。但是这些肺音识别系统的特征提取和分类模型都是各自独立的，且抗噪能力有限。

另外，从目前将深度学习技术应用于肺音分类的相关研究来看，大多数是在基于语音信号处理技术的基础上直接对肺音数据分析，并没有对与肺音相关的气流流动规律、肺音声压情况与支气管结构之间的关系进行深入研究，导致肺音自动分类技术的分类准确性较低。

发明内容

本申请提供了一种基于深度神经网络架构的肺音识别方法，包括：建立支气管仿真模型，设置仿真条件对所述支气管仿真模型进行仿真得到肺音的声压级频谱，再计算出声压级频谱包络曲线，其中，所述声压级频谱包括声压级和频率之间的关系，所述声压级频谱包络曲线是将声压级频谱中不同频率的振幅最高点连结起来得到的曲线。基于声压级频谱和所述声压级频谱包络曲线，确定肺部声学滤波器组。将待识别肺音数据进行傅里叶变换后，通过所述肺部声学滤波器组对傅里叶变换后的待识别肺音频谱进行滤波处理得到滤波后的频谱，再对滤波后的频谱进行倒谱分析和离散余弦变换，得到待识别肺音数据的声学特征。将所述待识别肺音数据的声学特征输入到经训练肺音识别系统中，以识别所述待识别肺音数据的肺音类别，其中，所述经训练肺音识别系统是利用深度神经网络架构建立的。

本申请的另一个方面提供了一种肺音识别装置，包括：建立模块、确定模块、提取模块和识别模块。其中，建立模块，建立支气管仿真模型，设置仿真条件对所述支气管仿真模型进行仿真得到肺音声压级频谱，再计算出声压级频谱包络曲线，其中，所述声压级频谱包括声压级和频率之间的关系，所述声压级频谱包络曲线是将声压级频谱中不同频率的振幅最高点连结起来得到的曲线。确定模块，基于声压级频谱和和所述声压级频谱包络曲线，确定肺部声学滤波器组。提取模块，将待识别肺音时域数据进行傅里叶变换后，通过所述肺部声学滤波器组对傅里叶变换后的待识别肺音频谱进行滤波处理得到滤波后的频谱，再对滤波后的频谱进行倒谱分析和离散余弦变换，得到待识别肺音数据的声学特征。识别模块，将所述待识别肺音数据的声学特征输入到经训练肺音识别系统中，以识别所述待识别肺音数据的肺音类别，其中，所述经训练肺音识别系统是利用深度神经网络架构建立的。