一种基于VMD-CNN的肺音特征识别分类方法及系统技术方案

本发明专利技术公开了一种基于VMD

【技术实现步骤摘要】
一种基于VMD
‑
CNN的肺音特征识别分类方法及系统


[0001]本专利技术涉及生物医学信号分析
，更具体的说是涉及一种基于VMD
‑
CNN的肺音特征识别分类方法及系统。

技术介绍

[0002]肺音信号即呼吸音，是人体进行呼吸的时候，空气通过气压差进出肺部，和呼吸系统的各个器官的内壁发生接触时产生振动，再经由肺部、胸腔、腹部到达人体体表的各种声音的总称为呼吸音。肺音属于非平稳周期信号，一般情况下，肺音的频率范围在50到3000Hz之间。该信号蕴含着丰富的生理、病理信息。
[0003]但是，传统的肺音筛查方法依赖于医生，在实际的肺音信号录制过程中，听诊器获取的肺音混杂各种环境噪声，如肠道蠕动音，周围环境说话人声，车声，且肺音一般和心音混叠在一起，容易受到医生的从医经验和听觉状况的影响。同时，在进行肺音特征分类训练的方法中，利用的卷积神经网络、BP神经网络等大多采用原始肺音信号作为输入，忽略了声音信号的频域特征，然而，因未充分考虑到肺音信号的特征，容易导致肺音信号在识别的过程中部分特征信息被忽略，从而降低肺音特征的准确率以及肺音特征的识别率。
[0004]因此，如何提供一种基于VMD
‑
CNN的肺音特征识别分类方法及系统是本领域技术人员亟需解决的问题。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种基于VMD
‑
CNN的肺音特征识别分类方法及系统，解决了现有技术中肺音信号难以提取特征以及肺音信号中的信息得不到充分利用的问题。
[0006]为了实现上述目的，本专利技术提供如下技术方案：
[0007]一方面，本专利技术提供了一种基于VMD
‑
CNN的肺音特征识别分类方法，包括以下步骤：
[0008]S1：采集原始肺音信号；
[0009]S2：对所述原始肺音信号进行VMD解构并重构，得到重构后的肺音信号，并根据重构后的肺音信号得到对应的希尔伯特时频谱图；
[0010]S3：构建卷积神经网络模型，根据所述卷积神经网络模型对所述重构后的肺音信号以及所述对应的希尔伯特时频谱图进行特征提取并融合，完成对肺音信号的特征信息进行识别分类。
[0011]优选的，所述S2中对所述原始肺音信号进行VMD解构并重构，得到重构后的肺音信号的具体步骤为：
[0012]S210:将所述原始肺音信号f(t)分解为k个中心频率为{ω
k
}的信号分量{u
k
}，使得各信号分量的估计带宽之和最小，具体表达式为：
[0013][0014]式中，{u
k
}＝{u1,u2,...,u
k
}代表第k个信号分量；{ω
k
}＝{ω1,ω2,...,ω
k
}代表第k个信号分量的中心频率，表示函数对时间求偏导，f为原始肺音信号，t为时间；
[0015]S211：引入拉格朗日乘法算子和二次惩罚参数构造增广拉格朗日函数：
[0016][0017]式中，λ为拉格朗日乘法算子，α为二次惩罚参数；
[0018]S212：通过乘法算子交替算法更新和λ
n+1
，迭代公式如下：
[0019][0020][0021][0022]式中，τ为噪音容限参数；代表迭代(n+1)次第k个信号分量；代表迭代(n+1)次第k个信号分量的中心频率；λ
n+1
代表迭代(n+1)次拉格朗日乘法算子；
[0023]S213：在满足判别精度后停止迭代，得到相应的k个信号分量，公式如下：
[0024][0025]式中，e为判别精度，u
kn
为迭代n次分解为k个后的单分量调幅调频信号。
[0026]优选的，所述S2中还包括将所述重构后的肺音信号进行希尔伯特变换得到对应的希尔伯特时频谱图，具体步骤为：
[0027]S220：对得到的信号分量进行希尔伯特变换，具体表达式为：
[0028][0029]式中：p为柯西主分量；
[0030]S221：定义瞬时频率ω(t)：
[0031][0032]S222：将所表示的变换用于每个固有模态函数序列，具体表达式为：
[0033][0034]其中，将瞬时频率ω(t)进行积分变换，得到θ(t)与ω(t)函数关系，并用于每个固有模态函数序列S(t)中，取ω(t)为自变量，其中a
i
(t)为具有有限带宽ω(t)的信号，S(t)为有模态函数序列，i取1～n，表示固有模态序列的第i个；
[0035]S223：以时间t和瞬时频率ω
i
(t)为自变量，其幅度能够表示为ω、t的函数H(ω,t)，得到希尔伯特谱，即：
[0036][0037]式中，t表示为时间，ω表示为频率，ω
i
(t)为固有模态函数序列中第i个函数的瞬时频率，i取1～n，a
i
(t)表示为S(t)的指数变换形式。
[0038]优选的，所述S3构建卷积神经网络模型具体步骤为：
[0039]S310：构建卷积神经网络模型，所述卷积神经网络模型包括一维特征提取子网络、二维特征提取子网络以及特征提取融合网络；
[0040]S320：对所述卷积神经网络模型进行参数设置，并利用Relu函数激活；
[0041]S330：将所述重构后的肺音信号作为一维特征提取子网络输入，将所述对应的希尔伯特时频谱图作为二维特征提取子网络的输入，输入时信号一一对应；
[0042]S340：将所述一维特征提取子网络及所述二维特征提取子网络的输出送入特征提取融合网络进行融合，并输出结果。
[0043]优选的，所述S1还包括采集标准肺音信号，根据所述标准肺音信号的80％作为训练集、20％作为测试集对所述卷积神经网络模型进行训练和测试，得到测试结果。
[0044]另一方面，本专利技术提供了一种基于VMD
‑
CNN的肺音特征识别分类系统，其特征在于，包括：
[0045]肺音信号采集装置，用于采集肺音信号；
[0046]预处理模块，与所述肺音信号采集装置连接，用于对肺音信号进行VMD解构和重构，并对重构后的肺音信号进行希尔伯特变换得到对应的希尔伯特时频谱图；
[0047]构建网络模块，与所述预处理模块连接，用于构建卷积神经网络模型，根据所述卷积神经网络模型对所述重构后的肺音信号以及所述对应的希尔伯特时频谱图进行特征提取并融合，最终完成对肺音信号的特征信息进行识别分类。
[0048]优选的，所述肺音信号采集装置，包括：
[0049]肺音传感器，与所述预处理模块连接，用于采集肺部声音信号；
[0050]放大器，与所述肺音传感器连接，用于将肺音传感器采集的肺部声音信号进行放大；
[0051]A/D采集卡，与所述放大器连接，用于将放大后的肺部声音信号转换为可识别的肺部声音信号本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于VMD
‑
CNN的肺音特征识别分类方法，其特征在于，包括以下步骤：S1：采集原始肺音信号；S2：对所述原始肺音信号进行VMD解构并重构，得到重构后的肺音信号，并根据重构后的肺音信号得到对应的希尔伯特时频谱图；S3：构建卷积神经网络模型，根据所述卷积神经网络模型对所述重构后的肺音信号以及所述对应的希尔伯特时频谱图进行特征提取并融合，完成对肺音信号的特征信息进行识别分类。2.根据权利要求1所述的一种基于VMD
‑
CNN的肺音特征识别分类方法，其特征在于，所述S2中对所述原始肺音信号进行VMD解构并重构，得到重构后的肺音信号的具体步骤为：S210:将所述原始肺音信号f(t)分解为k个中心频率为{ω
k
}的信号分量{u
k
}，使得各信号分量的估计带宽之和最小，具体表达式为：式中，{u
k
}＝{u1,u2,...,u
k
}代表第k个信号分量；{ω
k
}＝{ω1,ω2,...,ω
k
}代表第k个信号分量的中心频率，表示函数对时间求偏导，f为原始肺音信号，t为时间；S211：引入拉格朗日乘法算子和二次惩罚参数构造增广拉格朗日函数：式中，λ为拉格朗日乘法算子，α为二次惩罚参数；S212：通过乘法算子交替算法更新和λ
n+1
，迭代公式如下：，迭代公式如下：，迭代公式如下：式中，τ为噪音容限参数；代表迭代(n+1)次第k个信号分量；代表迭代(n+1)次第k个信号分量的中心频率；λ
n+1
代表迭代(n+1)次拉格朗日乘法算子；S213：在满足判别精度后停止迭代，得到相应的k个信号分量，公式如下：式中，e为判别精度，u
kn
为迭代n次分解为k个后的单分量调幅调频信号。3.根据权利要求2所述的一种基于VMD
‑
CNN的肺音特征识别分类方法，其特征在于，所
述S2中还包括将所述重构后的肺音信号进行希尔伯特变换得到对应的希尔伯特时频谱图，具体步骤为：S220：对得到的信号分量进行希尔伯特变换，具体表达式为：式中：p为柯西主分量；S221：定义瞬时频率ω(t)：S222：将所表示的变换用于每个固有模态函数序列，具体表达式为：其中，将瞬时频率ω(t)进行积分变换，得到θ(t)与ω(t)函数关系，并用于每个固有模态函数序列S(t)中，取ω(t)为自变量，其中a
i
(t)为具有有限带宽ω(t)的信号，S(t)为有模态函数序列，i取1～n，表示固有模态序列的第i个；S223：以时间t和瞬时频率ω
i
(t)为自变量，其幅度能够表示为ω、t的函数H(ω,t)，得到希尔伯特谱，即：式中，t表示为时间，ω表示为频率，ω
i
(t)为固有模态函数序列中第i个函数的瞬时频率，i取1～n，a
i
(t)表示为S(t)的指数变换形式。4.根据权利要求2所述的一种基于VMD
‑
CNN的肺音特征识别分类方法，其特征在于，所述S3构建卷积神经网络模型具体步骤为：S3...

【专利技术属性】
技术研发人员：韦海成，许洋，吕新宇，王锁，田思远，陈涛，
申请(专利权)人：北方民族大学，
类型：发明
国别省市：