专利汇可以提供一种用于肺部啰音识别的系统及方法专利检索,专利查询,专利分析的服务。并且一种用于 肺 部啰音识别的系统及方法,它属于 机器学习 的分类技术领域。本 发明 解决了现有研究对肺部啰音识别的准确率低的问题。本发明首先对输入的原始 呼吸音 信号 进行预处理,再根据预处理结果提取原始呼吸音信号的时域和 频域特征 ,将提取出的原始呼吸音信号的时域和频域特征输入神经网络模 块 获得识别结果。采用本发明方法对原始呼吸音信号进行啰音识别,在测试集上的识别准确率可以达到80%以上。本发明可以应用于肺部啰音的识别。,下面是一种用于肺部啰音识别的系统及方法专利的具体信息内容。
1.一种用于肺部啰音识别的系统,其特征在于,所述用于肺部啰音识别的系统包括输入模块、信号预处理与特征提取模块、神经网络模块以及输出模块;
所述输入模块用于输入原始呼吸音信号给信号预处理与特征提取模块;
所述信号预处理与特征提取模块用于对原始呼吸音信号进行预处理,并计算原始呼吸音信号的特征;将计算出的特征输入神经网络模块,神经网络模块根据输入特征获得识别结果;
所述输出模块用于输出神经网络模块的识别结果。
2.根据权利要求1所述的一种用于肺部啰音识别的系统,其特征在于,所述信号预处理与特征提取模块用于对原始呼吸音信号进行预处理,并计算原始呼吸音信号的特征,所述特征具体包括:
原始呼吸音信号的滤波前过零率、滤波后过零率、滤波前平均能量、滤波后能量占比、滤波前平均幅度、滤波后幅度占比、滤波前功率谱能量密度、滤波后功率谱能量密度、滤波前后频谱能量比和滤波后频谱中最高能量位置索引。
3.根据权利要求2所述的一种用于肺部啰音识别的系统,其特征在于,所述原始呼吸音信号的滤波前过零率Zn的计算方式为:
其中,x(n)是滤波前原始呼吸音信号,n代表时刻,n=1,2,…,L,x(n-1)为x(n)的前一时刻的点,L是滤波前原始呼吸音信号的长度,sgn[·]是符号函数,符号函数的定义为:
对原始呼吸音信号x(n)进行滤波,获得滤波后信号x′(n);
所述对原始呼吸音信号x(n)进行滤波采用的是切比雪夫带通滤波器,切比雪夫带通滤波器Ha(jΩ)的表达式为:
其中,Ω为原始呼吸音信号的频率,Ωpu为通带上截止频率,Ωpl为通带下截止频率,为中心频率,ε为小于1的正数,CN(·)为切比雪夫多项式;
滤波后过零率Z′n的计算方式为:
其中,x′(n-1)为x′(n)的前一时刻的点。
4.根据权利要求2所述的一种用于肺部啰音识别的系统,其特征在于,所述滤波前平均能量和滤波后能量占比的计算过程为:
其中:n=1,2,…,L,En为原始呼吸音信号滤波前平均能量;
其中:x1(n)为x(n)的能量归一化信号,En1为原始呼吸音信号滤波前的归一化平均能量;
其中:x2(n)为x1(n)经滤波后获得的信号,En2为滤波后的归一化平均能量,r为滤波后能量占比。
5.根据权利要求2所述的一种用于肺部啰音识别的系统,其特征在于,所述滤波前平均幅度和滤波后幅度占比的计算过程为:
其中:|x(n)|是x(n)的幅度,En′为原始呼吸音信号滤波前平均幅度;
其中:|x1(n)|为x1(n)的幅度,E′n1为原始呼吸音信号滤波前的归一化平均幅度;
其中:x2(n)为x(n)先经过幅度归一化再进行滤波获得的信号,|x2(n)|为x2(n)的幅度,E′n2为滤波后的归一化平均幅度,r′为滤波后幅度占比。
6.根据权利要求2所述的一种用于肺部啰音识别的系统,其特征在于,所述滤波前功率谱能量密度、滤波后功率谱能量密度以及滤波前后频谱能量比的计算方式为:
其中:X(n)为x(n)经过傅里叶变换后的能量归一化信号,En″为原始呼吸音信号滤波前功率谱能量密度;
其中:X1(n)为x1(n)经过傅里叶变换后的能量归一化信号,L1为截取频谱的长度,En″1为滤波后功率谱能量密度;
滤波前后频谱能量比r″定义为:
7.根据权利要求2所述的一种用于肺部啰音识别的系统,其特征在于,所述滤波后频谱中最高能量位置索引的获得方式为:
滤波后频谱中最高能量位置索引f的表达式为:
f=arc max(En2(f)) (16)
其中,En2(f)为滤波后频谱能量。
8.根据权利要求1所述的一种用于肺部啰音识别的系统,其特征在于,所述神经网络模块采用的是支持向量机。
9.基于权利要求1所述的一种用于肺部啰音识别的系统的识别方法,其特征在于,所述识别方法具体包括以下步骤:
将原始呼吸音信号通过输入模块输入到信号预处理与特征提取模块;
利用信号预处理与特征提取模块对输入的原始呼吸音信号进行预处理后,计算出原始呼吸音信号的特征;
将原始呼吸音信号特征输入神经网络模块,利用输入特征对神经网络模块进行训练,直至神经网络模块的误差值小于T时停止训练,获得训练好的神经网络模块;
待测呼吸音信号依次通过输入模块、信号预处理与特征提取模块和训练好的神经网络模块后,通过输出模块输出识别结果。
10.根据权利要求9所述的一种用于肺部啰音识别的系统的识别方法,其特征在于,所述计算出原始呼吸音信号的特征,所述特征具体包括:
原始呼吸音信号的滤波前过零率、滤波后过零率、滤波前平均能量、滤波后能量占比、滤波前平均幅度、滤波后幅度占比、滤波前功率谱能量密度、滤波后功率谱能量密度、滤波前后频谱能量比和滤波后频谱中最高能量位置索引。
11.根据权利要求10所述的一种用于肺部啰音识别的系统的识别方法,其特征在于,所述原始呼吸音信号的滤波前过零率Zn的计算方式为:
其中,x(n)是滤波前原始呼吸音信号,n代表时刻,n=1,2,…,L,x(n-1)为x(n)的前一时刻的点,L是滤波前原始呼吸音信号的长度,sgn[·]是符号函数,符号函数的定义为:
对原始呼吸音信号x(n)进行滤波,获得滤波后信号x′(n);
所述对原始呼吸音信号x(n)进行滤波采用的是切比雪夫带通滤波器,切比雪夫带通滤波器Ha(jΩ)的表达式为:
其中,Ω为原始呼吸音信号的频率,Ωpu为通带上截止频率,Ωpl为通带下截止频率,为中心频率,ε为小于1的正数,CN(·)为切比雪夫多项式;
滤波后过零率Zn′的计算方式为:
其中,x′(n-1)为x′(n)的前一时刻的点。
12.根据权利要求10所述的一种用于肺部啰音识别的系统的识别方法,其特征在于,所述滤波前平均能量和滤波后能量占比的计算过程为:
其中:n=1,2,…,L,En为原始呼吸音信号滤波前平均能量;
其中:x1(n)为x(n)的能量归一化信号,En1为原始呼吸音信号滤波前的归一化平均能量;
其中:x2(n)为x1(n)经滤波后获得的信号,En2为滤波后的归一化平均能量,r为滤波后能量占比。
13.根据权利要求10所述的一种用于肺部啰音识别的系统的识别方法,其特征在于,所述滤波前平均幅度和滤波后幅度占比的计算过程为:
其中:|x(n)|是x(n)的幅度,E′n为原始呼吸音信号滤波前平均幅度;
其中:|x1(n)|为x1(n)的幅度,E′n1为原始呼吸音信号滤波前的归一化平均幅度;
其中:x2(n)为x(n)先经过幅度归一化再进行滤波获得的信号,|x2(n)|为x2(n)的幅度,E′n2为滤波后的归一化平均幅度,r′为滤波后幅度占比。
14.根据权利要求10所述的一种用于肺部啰音识别的系统的识别方法,其特征在于,所述滤波前功率谱能量密度、滤波后功率谱能量密度以及滤波前后频谱能量比的计算方式为:
其中:X(n)为x(n)经过傅里叶变换后的能量归一化信号,E″n为原始呼吸音信号滤波前功率谱能量密度;
其中:X1(n)为x1(n)经过傅里叶变换后的能量归一化信号,L1为截取频谱的长度,En″1为滤波后功率谱能量密度;
滤波前后频谱能量比r″定义为:
15.根据权利要求10所述的一种用于肺部啰音识别的系统的识别方法,其特征在于,所述滤波后频谱中最高能量位置索引的获得方式为:
滤波后频谱中最高能量位置索引f的表达式为:
f=arc max(En2(f)) (16)
其中,En2(f)为滤波后频谱能量。
16.根据权利要求10所述的一种用于肺部啰音识别的系统的识别方法,其特征在于,所述神经网络模块采用的是支持向量机。
17.根据权利要求10所述的一种用于肺部啰音识别的系统的识别方法,其特征在于,所述直至神经网络模块的误差值小于T时停止训练,T的取值为0.001。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
基于静息态脑电特征的运动想象响应能力筛选方法 | 2020-05-08 | 183 |
一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 | 2020-05-08 | 111 |
基于频谱分配与功率控制的多用户D2D通信资源分配方法 | 2020-05-08 | 278 |
一种新型电流舵型电荷泵电路 | 2020-05-08 | 637 |
基于可穿戴脑电设备的伪迹去除和脑电信号质量评估方法 | 2020-05-11 | 678 |
一种波区相关性检测的远参考大地电磁阻抗计算方法 | 2020-05-11 | 379 |
多普勒频偏处理方法、装置及终端 | 2020-05-08 | 864 |
一种回声消除方法及电子设备 | 2020-05-08 | 89 |
一种矿井微地震观测系统设计及面波提取方法 | 2020-05-08 | 19 |
一种用于肺部啰音识别的系统及方法 | 2020-05-11 | 23 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。