一种呼吸音识别方法及系统技术方案

本发明专利技术公开了一种呼吸音识别方法及系统，其方法包括：获取呼吸声训练样本集和呼吸声识别样本；基于小波分解法对所述呼吸声训练样本集所对应的第一肺音信号特征集以及所述呼吸声识别样本所对应的第二肺音信号特征进行提取；将所述第一肺音信号特征集导入BP神经网络，并基于牛顿算法对所述BP神经网络进行模型训练；将所述第二肺音信号特征导入训练后的BP神经网络进行识别，输出所述呼吸声识别样本的分类结果。在本发明专利技术实施例中，通过采用牛顿算法执行对BP神经网络的训练，可极大程度地缩短样本训练的时间，从而提高识别工作效率与准确度。度。度。

【技术实现步骤摘要】
一种呼吸音识别方法及系统


[0001]本专利技术涉及声频信号识别
，具体而言，涉及一种呼吸音识别方法及系统。

技术介绍

[0002]呼吸声，医学上简称为肺音，是在气体循环过程中通过气道、肺泡等结构产生的声响，是极为重要的生物信号，可作为反映肺部生理、病理特征和诊断肺部相关疾病的重要指标。传统上，医生通过听诊器听清人体肺部的声音，并根据经验识别人体肺音的异常状况，但是在这种方法下的检测结果不够准确，受到环境噪音以及人体心音等的影响。目前已提出借助神经网络分类器对人体肺音进行智能识别分类，但在针对该神经网络分类器的训练过程中采用梯度下降算法执行，使得迭代速度较慢、等待结果的时间较长，即运算效率比较低。

技术实现思路

[0003]本专利技术的目的在于克服现有技术的不足，本专利技术提供了一种呼吸音识别方法及系统，通过采用牛顿算法执行对BP神经网络的训练，可极大程度地缩短样本训练的时间，从而提高识别工作效率与准确度。
[0004]相应的，本专利技术提出了一种呼吸音识别方法，所述方法包括：
[0005]获取呼吸声训练样本集和呼吸声识别样本；
[0006]基于小波分解法对所述呼吸声训练样本集所对应的第一肺音信号特征集以及所述呼吸声识别样本所对应的第二肺音信号特征进行提取；
[0007]将所述第一肺音信号特征集导入BP神经网络，并基于牛顿算法对所述BP神经网络进行模型训练；
[0008]将所述第二肺音信号特征导入训练后的BP神经网络进行识别，输出所述呼吸声识别样本的分类结果。
[0009]可选的，所述获取呼吸声训练样本集和呼吸声识别样本包括：
[0010]采集已知类型的呼吸声数据集，并对所述已知类型的呼吸声数据集中的每一个呼吸声数据进行滤波处理，得到呼吸声训练样本集；
[0011]采集待识别类型的呼吸声数据，并对所述待识别类型的呼吸声数据进行滤波处理，得到呼吸声识别样本。
[0012]可选的，将所述呼吸声训练样本集中的每一个呼吸声训练样本以及所述呼吸声识别样本统称为呼吸声样本，所述呼吸声样本包括人体在吸气状态下的肺声样本、人体在呼气状态下的肺声样本以及人体在间歇状态下的肺声样本。
[0013]可选的，所述基于小波分解法对所述呼吸声训练样本集所对应的第一肺音信号特征集以及所述呼吸声识别样本所对应的第二肺音信号特征进行提取包括：
[0014]对所述呼吸声训练样本集中的每一个呼吸声训练样本进行时域
‑
频域转换，获取每一个呼吸声训练样本的能量特征，形成所述呼吸声训练样本集所对应的第一肺音信号特
征集；
[0015]对所述呼吸声识别样本进行时域
‑
频域转换，获取所述呼吸声识别样本所对应的第二肺音信号特征。
[0016]可选的，所述将标记后的第一肺音信号特征集导入BP神经网络进行有序性模型训练包括：
[0017]将所述第一肺音信号特征集划分为训练特征集和测试特征集；
[0018]构建BP神经网络，并将所述训练特征集导入所述BP神经网络，其中所述BP神经网络包括输入层、隐藏层和输出层；
[0019]对所述隐藏层的神经元进行稀疏性限制，以及对所述BP神经网络的损失函数进行稀疏局限性优化，获取优化后的BP神经网络；
[0020]以预设步长值作为限定条件，基于牛顿算法对所述优化后的BP神经网络的权值参数进行迭代修正，获取结构最优的BP神经网络。
[0021]可选的，所述将标记后的第一肺音信号特征集导入BP神经网络进行有序性模型训练还包括：
[0022]将所述测试特征集导入所述结构最优的BP神经网络进行识别，并判断输出的分类结果是否符合实际情况；
[0023]若是，将所述结构最优的BP神经网络定义为训练后的BP神经网络；
[0024]若否，基于反向传播算法对所述结构最优的BP神经网络进行模型系数更新，得到当前结构最优的BP神经网络，并返回将所述测试特征集导入所述当前结构最优的BP神经网络进行识别。
[0025]另外，本专利技术实施例还提供了一种呼吸音识别系统，所述系统包括：
[0026]样本获取模块，用于获取呼吸声训练样本集和呼吸声识别样本；
[0027]特征提取模块，用于基于小波分解法对所述呼吸声训练样本集所对应的第一肺音信号特征集以及所述呼吸声识别样本所对应的第二肺音信号特征进行提取；
[0028]网络训练模块，用于将所述第一肺音信号特征集导入BP神经网络，并基于牛顿算法对所述BP神经网络进行模型训练；
[0029]结果识别模块，用于将所述第二肺音信号特征导入训练后的BP神经网络进行识别，输出所述呼吸声识别样本的分类结果。
[0030]可选的，所述特征提取模块用于对所述呼吸声训练样本集中的每一个呼吸声训练样本进行时域
‑
频域转换，获取每一个呼吸声训练样本的能量特征，形成所述呼吸声训练样本集所对应的第一肺音信号特征集；以及对所述呼吸声识别样本进行时域
‑
频域转换，获取所述呼吸声识别样本所对应的第二肺音信号特征。
[0031]可选的，所述网络训练模块包括依次相连接的数据划分单元、网络构建单元、网络预处理单元和网络训练单元；其中，
[0032]所述数据划分单元用于将所述第一肺音信号特征集划分为训练特征集和测试特征集；
[0033]所述网络构建单元用于构建BP神经网络，并将所述训练特征集导入所述BP神经网络，其中所述BP神经网络包括输入层、隐藏层和输出层；
[0034]所述网络预处理单元用于对所述隐藏层的神经元进行稀疏性限制，以及对所述BP
神经网络的损失函数进行稀疏局限性优化，获取优化后的BP神经网络；
[0035]所述网络训练单元用于以预设步长值作为限定条件，基于牛顿算法对所述优化后的BP神经网络的权值参数进行迭代修正，获取结构最优的BP神经网络。
[0036]可选的，所述网络训练模块还包括网络测试单元，且所述网络测试单元与所述网络训练单元相连接；
[0037]所述网络测试单元用于将所述测试特征集导入所述结构最优的BP神经网络进行识别，并判断输出的分类结果是否符合实际情况，相应的判断结果为：若是，将所述结构最优的BP神经网络定义为训练后的BP神经网络；若否，基于反向传播算法对所述结构最优的BP神经网络进行模型系数更新，得到当前结构最优的BP神经网络，并返回将所述测试特征集导入所述当前结构最优的BP神经网络进行识别。
[0038]在本专利技术实施例中，针对BP神经网络的权值参数选取，采用步长取值方式可克服传统随机取值方式中存在的数据覆盖能力不足、无法保证获取到最优解的问题；通过采用牛顿算法执行对BP神经网络的训练，可极大程度地缩短样本训练的时间，同时减少训练样本以有效防止在训练过程中出现过度拟合现象，从而提高识别工作效率与准确度。
附图说明
[0039]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种呼吸音识别方法，其特征在于，所述方法包括：获取呼吸声训练样本集和呼吸声识别样本；基于小波分解法对所述呼吸声训练样本集所对应的第一肺音信号特征集以及所述呼吸声识别样本所对应的第二肺音信号特征进行提取；将所述第一肺音信号特征集导入BP神经网络，并基于牛顿算法对所述BP神经网络进行模型训练；将所述第二肺音信号特征导入训练后的BP神经网络进行识别，输出所述呼吸声识别样本的分类结果。2.根据权利要求1所述的呼吸音识别方法，其特征在于，所述获取呼吸声训练样本集和呼吸声识别样本包括：采集已知类型的呼吸声数据集，并对所述已知类型的呼吸声数据集中的每一个呼吸声数据进行滤波处理，得到呼吸声训练样本集；采集待识别类型的呼吸声数据，并对所述待识别类型的呼吸声数据进行滤波处理，得到呼吸声识别样本。3.根据权利要求2所述的呼吸音识别方法，其特征在于，将所述呼吸声训练样本集中的每一个呼吸声训练样本以及所述呼吸声识别样本统称为呼吸声样本，所述呼吸声样本包括人体在吸气状态下的肺声样本、人体在呼气状态下的肺声样本以及人体在间歇状态下的肺声样本。4.根据权利要求2所述的呼吸音识别方法，其特征在于，所述基于小波分解法对所述呼吸声训练样本集所对应的第一肺音信号特征集以及所述呼吸声识别样本所对应的第二肺音信号特征进行提取包括：对所述呼吸声训练样本集中的每一个呼吸声训练样本进行时域
‑
频域转换，获取每一个呼吸声训练样本的能量特征，形成所述呼吸声训练样本集所对应的第一肺音信号特征集；对所述呼吸声识别样本进行时域
‑
频域转换，获取所述呼吸声识别样本所对应的第二肺音信号特征。5.根据权利要求1所述的呼吸音识别方法，其特征在于，所述将所述第一肺音信号特征集导入BP神经网络，并基于牛顿算法对所述BP神经网络进行模型训练包括：将所述第一肺音信号特征集划分为训练特征集和测试特征集；构建BP神经网络，并将所述训练特征集导入所述BP神经网络，其中所述BP神经网络包括输入层、隐藏层和输出层；对所述隐藏层的神经元进行稀疏性限制，以及对所述BP神经网络的损失函数进行稀疏局限性优化，获取优化后的BP神经网络；以预设步长值作为限定条件，基于牛顿算法对所述优化后的BP神经网络的权值参数进行迭代修正，获取结构最优的BP神经网络。6.根据权利要求5所述的呼吸音识别方法，其特征在于，所述将所述第一肺音信号特征集导入BP神经网络，并基于牛顿算法对所述BP神经网络进行模型训练还包括：将所述测试特征集导入所述结构最优的BP神经网络进行识别，并判断输出的分类结果是否符合实际情况；

【专利技术属性】
技术研发人员：胡波，
申请(专利权)人：广州联智信息科技有限公司，
类型：发明
国别省市：