[发明专利]一种呼吸音识别方法及系统

权利要求书

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；

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。

7.一种呼吸音识别系统，其特征在于，所述系统包括：

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；

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；

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；

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。

8.根据权利要求7所述的呼吸音识别系统，其特征在于，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。