[发明专利]一种呼吸音识别方法及系统

说明书

本发明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。

技术领域

本发明涉及声频信号识别技术领域，具体而言，涉及一种呼吸音识别方法及系统。

背景技术

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。

发明内容

本发明的目的在于克服现有技术的不足，本发明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。

相应的，本发明提出了一种呼吸音识别方法，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。

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：

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。

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。

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：

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。

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：

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；