[发明专利]一种基于深度学习的肺部声音诊断装置

说明书

本发明公开了一种基于深度学习的肺部声音诊断装置，包括依次连接的采集设备、图像标注工具、数据预处理模块、二次数据增强模块和深度学习分类模型；采集设备，分别采集肺部健康状况正常和异常的肺部听诊数据；图像标注工具，对所采集到的每段音频进行划分和标注；数据预处理模块和二次数据增强模块，对所采集到的音频信号样本进行预处理，并做数据增强，得到不同肺部听诊信号样本的音频初级特征，归类并标记为正常样本和异常样本，用于后续进一步的深度学习特征提取；深度学习分类模型，根据初级特征向量进行训练，得到一系列高层特征，采用RF分类器进行分类，通过输入的高层特征，得到多分类RF模型。

技术领域

本发明涉及智慧医疗技术领域，尤其是涉及基于深度学习模型的音频信号分类装置。

背景技术

肺是人体的呼吸器官，是人体与外界进行气体交换的主要场所。而在气体交换的过程中，肺会产生不同的声音，比如低调干啰音、大水泡音、中水泡音和小水泡音等。这些声音间接地反映了肺部以及呼吸道的健康问题：低调干啰音对应异常气管或主气管异常，大水泡音对应支气管扩张、肺水肿及肺结核或肺脓肿空洞，中水泡音对应支气管炎或支气管肺炎，小水泡音对应细支气管炎、早期肺淤血。在传统医疗领域，医生需要借助听诊器听取这些音频并依靠自己的经验来判断病人的情况，这种人工的方式效率较低且过度依赖医生的个人经验，准确率并不稳定；而近年来出现的一些基于深度学习的方法也仅仅使用了一些较为基础的网络模型，不能很好提取特征，效果不佳。因此有必要设计一种使用改进的神经网络和分类器结合的深度学习方法，对听诊信号进行准确度较高的分类，使有患病风险的人可以在没有医生的情况下适时评估自己的健康状况，起到早期诊断和预警的作用。

发明内容

为解决现有技术的不足，实现降低对医生个人经验的依赖，提高诊断效率和准确率的目的，本发明采用如下的技术方案：

一种基于深度学习的肺部声音诊断装置，包括依次连接的采集设备、图像标注工具、数据预处理模块、二次数据增强模块和深度学习分类模型；

采集设备，分别采集肺部健康状况正常和异常的肺部听诊数据；

图像标注工具，对所采集到的每段音频进行划分和标注；

数据预处理模块和二次数据增强模块，对所采集到的音频信号样本进行预处理，并做数据增强，得到不同肺部听诊信号样本的音频初级特征，归类并标记为正常样本和异常样本，用于后续进一步的深度学习特征提取；

深度学习分类模型，根据输入的正常听诊信号和异常听诊信号的初级特征向量，进行训练，得到一系列高层特征，采用RF分类器代替代替softmax分类层进行分类，通过输入的高层特征，得到多分类RF模型，RF分类器可以有效运行大数据集，因为原始音频信号经过数据增强后扩充为较大的数据集，可以有效处理高维特征且不需要降维，因为经过提取的高层特征具有较高维度，可以评估各个特征对于分类的重要性，对特征的利用更加灵活，而RF分类器对多维数据的处理能力远强于原来的softmax分类层，此外，RF分类器可以进一步避免过拟合现象，提高分类精度。

进一步的，所述数据预处理模块，先进行长音频数据分段，再对每段做分帧、加窗以及短时傅里叶变换，X(n)是一个长序列，W(n)是长度为N的窗函数，用W(n)给X(n)加窗，得到N点序列Y(n)，即Y(n)＝X(n)W(n)，而频域上则有：