[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

说明书

本发明提出了基于卷积神经网络的肺病听诊系统、信号处理方法及设备，系统包括：预处理模块，被配置为对获取的呼吸音信号依次进行归一化处理；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。能针对小样本实现准确的特征分类，系统运算量小，可以实现在嵌入式电脑设备上部署，可以实现远程诊疗。

技术领域

本发明涉及智能医疗信息技术相关技术领域，具体的说，是涉及基于卷积神经网络的肺病听诊系统、信号处理方法及设备。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，并不必然构成在先技术。

呼吸系统疾病是全世界的普遍问题。轻者表现为咳嗽、胸痛、呼吸受影响，重者表现为呼吸困难、缺氧，甚至呼吸衰竭而死。吸烟是呼吸道疾病的最常见原因，但有时是由遗传和环境因素引起的。

呼吸音的自动分类有可能在呼吸功能障碍的早期阶段检测异常，从而提高决策的有效性。目前，医院主流的诊断方式即通过影像学检查或呼吸音对病人的肺部等进行初步诊断。然而，这两种诊断方式都存在着一些问题。前者虽然数据精准易于判断，但却需要相关的专业器材；后者虽然成本较低，但是对于医生的经验水平要求较高，很多区域并不能及时配置专业器材或是经验丰富的医生，对于呼吸系统疾病的正确诊断有较大影响。

部分研发人员开始利用深度学习模型进行辅助诊断，现有模型部分存在算法本身非常复杂，网络结构庞大，被部署于移动端非常困难，无法在低廉价格的电脑上应用，因此无法惠及广大欠发达地区。

发明内容

本发明为了解决上述问题，提出了基于卷积神经网络的肺病听诊系统、信号处理方法及设备，对获取的呼吸音信号进行预处理、数据转换和数据增强，能够针对小样本数据，提高特征提取的准确性，提高分类结果的准确性。

为了实现上述目的，本发明采用如下技术方案：

本发明第一方面提供基于卷积神经网络的肺病听诊系统，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。

作为进一步地改进，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。

作为可选择的实施方式，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。

作为可选择的实施方式，还包括采集设备，用于采集并保存呼吸音信号。

作为可选择的实施方式，所述深度学习模型和所述低差异度森林分类器级联；

作为可选择的实施方式，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；