[发明专利]基于卷积神经网络的肺病听诊系统、信号处理方法及设备

权利要求书

1.基于卷积神经网络的肺病听诊系统，其特征是，包括：

预处理模块，被配置为对获取的呼吸音信号进行预处理，对呼吸音信号依次进行归一化；

数据转换模块，被配置为对归一化后的数据提取音频特征，生成梅尔频谱数据；

数据增强模块，被配置为利用数据增强模型对生成的梅尔频谱数据进行数据的扩增；

卷积神经网络模块，被配置为利用训练后的深度学习模型对扩增后的梅尔频谱数据进行特征提取；

特征分类模块，被配置为对提取的特征利用训练后的低差异度森林分类器进行分类，得到分类结果；

所述低差异度森林分类器以K个决策树为基本分类器，进行集成学习后得到的一个组合分类器，当给定一个待分类样本，低差异度森林分类器输出的分类结果由每个决策树的分类结果投票决定；

所述低差异度森林分类器的训练过程包括：

（a）根据训练数据集的样本数，基于低差异度数列抽样方法生成低差异度数列；

（b）按升序或降序的原则，获取低差异度数列所有元素的序号，生成一个序号数列；

（c）将训练数据集的设定大小的样本作为相应决策树的训练集；

（d）设置低差异度森林的决策树数量；

（e）在样本数范围内的随机整数作为一个决策树的初始样本索引；

（f）从所述随机整数开始，在序号数列中取设定个数连续的元素；

（g）根据取出的元素作为样本序号，从输入的重新排列且删除T列的数据中取出相应数量样本，形成一个决策树的训练样本；

所述重新排列且删除T列的数据的获取方法为：通过卷积神经网络输出的特征数据D2进行降维处理，利用降维方法将所有特征列降维到一列T，将T附在D2的最后一列；根据T列值的大小，对D2的所有样本按升序或降序重新排列；然后删掉T列，存为新的临时文件D3；

（h）构建一决策树，利用上述训练样本训练该决策树；

（i）重复步骤（e）-（h），构建并训练符合决策树数量的决策树。

2.如权利要求1所述的基于卷积神经网络的肺病听诊系统，其特征是：还包括训练模型模块，被配置为使用公开的或自主采集的呼吸音信号数据集，对卷积神经网络模块和低差异度森林分类器进行训练，求得最佳模型参数。

3.如权利要求1所述的基于卷积神经网络的肺病听诊系统，其特征是：还包括采集设备，用于采集并保存呼吸音信号。

4.如权利要求1所述的基于卷积神经网络的肺病听诊系统，其特征是：所述深度学习模型和所述低差异度森林分类器级联。

5.如权利要求1所述的基于卷积神经网络的肺病听诊系统，其特征是：所述深度学习模型为轻量化卷积神经网络，包括依次连接的一个输入层、两个卷积层、一个池化层、一个卷积层、一个压平层和一个全连接层。

6.如权利要求1所述的基于卷积神经网络的肺病听诊系统，其特征是：所述数据增强模型为变分自编码器，在训练自动编码器时，在潜在空间中对数据信息进行编码，然后再对其解码以重建原始数据。