一种基于VMD-CNN的肺音特征识别分类方法及系统与流程

一种基于vmd
‑
cnn的肺音特征识别分类方法及系统
技术领域
1.本发明涉及生物医学信号分析技术领域，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。


背景技术：

2.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。
3.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。
4.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。


技术实现要素：

5.有鉴于此，本发明提供了一种基于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。
6.为了实现上述目的，本发明提供如下技术方案：
7.一方面，本发明提供了一种基于vmd
‑
cnn的肺音特征识别分类方法，包括以下步骤：
8.s1：采集原始肺音信号；
9.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；
10.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。
11.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：
12.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，本发明提供了一种基于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。
[0052]
优选的，所述预处理模块，包括：
[0053]
解构重构单元，与所述a/d采集卡连接，用于接收并对a/d采集卡转换后的肺部声音信号进行解构并重构；
[0054]
转换单元，与所述解构重构单元连接，用于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。
[0055]
优选的，所述构建网络模块，包括：
[0056]
生成单元，与所述解构重构单元以及转换单元连接，用于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；
[0057]
参数设置单元，与所述生成单元连接，用于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；
[0058]
输入单元，与所述参数设置单元连接，用于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；
[0059]
输出单元，与所述输入单元连接，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。
[0060]
优选的，所述肺音信号采集装置，还包括：
[0061]
获取模块，与所述构建网络模块连接，用于直接采集标准肺音信号，根据所述标准肺音信号对所述卷积神经网络模型进行测试，得到测试结果。
[0062]
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于vmd
‑
cnn的肺音特征识别分类方法及系统，通过采集肺音信号并对肺音信号进行vmd解构及重构，对重构后的肺音信号进行希尔伯特变换得到相应的时频谱图；通过构建的卷积神经网络模型分别对重构后的肺音信号及其对应的希尔伯特时频谱图进行特征提取并融合，最终实现对肺音信号的特征信息的识别分类。本发明通过充分考虑肺音信号的特征，为医生提供重要依据，提高了肺音识别效率及肺音识别准确率。
附图说明
[0063]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0064]
图1为本发明提供的肺音特征识别分类方法流程示意图；
[0065]
图2为本实施例提供的肺音特征识别分类系统结构示意图；
[0066]
图3为本实施2提供的卷积神经网络模型结构示意图。
具体实施方式
[0067]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0068]
实施例1
[0069]
参见图1所示，本发明实施例1公开了一种基于vmd
‑
cnn的肺音特征识别分类方法，包括以下步骤：
[0070]
s1：采集原始肺音信号；
[0071]
s2：对原始肺音信号进行vmd解构并重构，得到重构后的肺音信号及对应的希尔伯
特时频谱图；
[0072]
s3：构建卷积神经网络模型，根据卷积神经网络模型对重构后的肺音信号以及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。
[0073]
在一个具体实施例中，s2中对原始肺音信号进行vmd解构并重构，得到重构后的肺音信号的具体步骤为：
[0074]
s210:设定最优k值对原始肺音信号进行vmd分解，将原始肺音信号f(t)分解为k个中心频率为{ω
k
}的信号分量(imf){u
k
}，使得各信号分量的估计带宽之和最小，具体表达式为：
[0075][0076]
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；
[0077]
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：
[0078][0079]
式中，λ为拉格朗日乘法算子，α为二次惩罚参数；
[0080]
s212：通过乘法算子交替算法更新和λ
n 1
，迭代公式如下：
[0081][0082][0083][0084]
式中，τ为噪音容限参数；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；
[0085]
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：
[0086][0087]
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。
[0088]
具体的，为了解决上述约束问题并保证信号绝对可积，需要将变分约束问题转换为非变分约束问题，因此引入朗日乘法算子α和二次惩罚参数λ，使得计算结果具有更好地
收敛性，求出最优解。
[0089]
在一个具体实施例中，s2中还包括将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：
[0090]
s220：对得到的每个信号分量应用希尔伯特变换，希尔伯特变换相当于将一个信号x(t)与做卷积，式中：p为柯西主分量，得到的解析信号为：
[0091][0092]
s221：瞬时频率ω(t)定义为：
[0093][0094]
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：
[0095][0096]
具体的，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；
[0097]
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：
[0098][0099]
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。
[0100]
在一个具体实施例中，s3构建卷积神经网络模型具体步骤为：
[0101]
s310：构建卷积神经网络模型，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；
[0102]
s320：对卷积神经网络模型进行参数设置，并利用relu函数激活；
[0103]
s330：将重构后的肺音信号作为一维特征提取子网络输入，将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；
[0104]
s340：将一维特征提取子网络及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。
[0105]
在一个具体实施例中，s1还包括采集标准肺音信号，根据标准肺音信号的80％作为训练集、20％作为测试集对卷积神经网络模型进行训练和测试，得到测试结果。
[0106]
具体的，测试结果可用于检测受试者是否患有慢性阻塞性肺疾病：在输出结果为正常时，表明受试者未患有慢性阻塞性肺疾病；在输出结果为非正常时，提醒该受试者做相关专业医疗检测。
[0107]
参见图2所示，本发明实施例1还公开了一种基于vmd
‑
cnn的肺音特征识别分类系统，包括：
[0108]
肺音信号采集装置，用于采集肺音信号；
[0109]
预处理模块，与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；
[0110]
构建网络模块，与预处理模块连接，用于构建卷积神经网络模型，根据卷积神经网络模型对重构后的肺音信号以及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。
[0111]
在一个具体实施例中，肺音信号采集装置，包括：
[0112]
肺音传感器，与预处理模块连接，用于采集肺部声音信号；
[0113]
放大器，与肺音传感器连接，用于将肺音传感器采集的肺部声音信号进行放大；
[0114]
a/d采集卡，与放大器连接，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。
[0115]
在一个具体实施例中，预处理模块，包括：
[0116]
解构重构单元，与a/d采集卡连接，用于接收并对a/d采集卡转换后的肺部声音信号进行解构并重构；
[0117]
转换单元，与解构重构单元连接，用于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。
[0118]
在一个具体实施例中，构建网络模块，包括：
[0119]
生成单元，与解构重构单元以及转换单元连接，用于构建卷积神经网络模型，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；
[0120]
参数设置单元，与生成单元连接，用于对卷积神经网络模型进行参数设置，并利用relu函数激活；
[0121]
输入单元，与参数设置单元连接，用于将重构后的肺音信号作为一维特征提取子网络输入，将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；
[0122]
输出单元，与输入单元连接，将一维特征提取子网络及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。
[0123]
在一个具体实施例中，肺音信号采集装置，还包括：
[0124]
获取模块，与构建网络模块连接，用于直接采集标准肺音信号，根据标准肺音信号对卷积神经网络模型进行测试，得到测试结果。
[0125]
具体的，本发明实施例还公开了一种非暂态计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现如权利要求1至5任一项肺音特征识别分类方法的步骤。
[0126]
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于vmd
‑
cnn的肺音特征识别分类方法及系统，通过采集肺音信号并对肺音信号进行vmd解构及重构，对重构后的肺音信号进行希尔伯特变换得到相应的时频谱图；通过构建的卷积神经网络模型分别对重构后的肺音信号及其对应的希尔伯特时频谱图进行特征提取并融合，最终实现对肺音信号的特征信息的识别分类。本发明通过充分考虑肺音信号的特征，为医生提供重要依据，提高了肺音识别效率及肺音识别准确率。
[0127]
实施例2
[0128]
采集标准肺音波形以及有问题的原始肺音波形，并进行保存与分析。
[0129]
由于原始的肺音信号混有心音和环境噪声，导致肺音在时域上的周期性表现得并不明显，难以直接对肺音进行特征提取。而有问题的原始肺音信号时域波形图具有较强的周期性，但并不能反映出肺音的本质特征。因此，进行特征提取前要对有问题的原始肺音信号进行预处理。
[0130]
在诸多研究方法中，vmd在噪声的处理上具有很好的效果，其中，vmd为变分模态分解。
[0131]
由于肺音有效的生理信息频率范围主要集中在200hz以下，而解构出的固有模态函数imf3和imf4包含绝大部分的低频有效信号，不仅能够有效的消除信号噪声，而且可以体现出肺音的固有频率特征。本实施例选取imf3和imf4进行信号重构，与原始信号相比，重构后的肺音信号有着明显的周期性，特征也被较好的保留下来。在不同的中心频率上都很好地解决了模态混叠和端点效应的问题。
[0132]
由于重构后的肺音信号仅包含时域特征，所以选择使用希尔伯特变换得到相应的希尔伯特谱图并从中提取频域特征，从而得到标准肺音信号与有问题的肺音信号在频域特征中的关系。
[0133]
通过希尔伯特谱图可以发现，标准肺音信号的希尔伯特谱图能量主要集中在50hz以下，而有问题的肺音信号的希尔伯特谱图能量则比较分散。
[0134]
利用重构后的肺音信号和希尔伯特时频谱图对肺音信号进行分析，通过肺音频率振幅变化可以作为识别分类依据。
[0135]
构建卷积神经网络模型，将所述重构后的肺音信号作为一维信号输入，将所述对应的希尔伯特时频谱图作为二维信号输入，输入时将一维信号与二维信号一一对应，得到一维特征提取子网络以及二维特征提取子网络，从而构造多个子网络来提取肺音信号的特征。
[0136]
参见图3所示，为本实施2提供的卷积神经网络模型结构示意图，一维特征提取子网络由5个卷积层和4个池化层组成；二维特征提取子网络由4个卷积层和3个池化层组成。将提取到的特征输入到全连接层并使用concat层进行特征融合，最后通过softmax输出二分类结果。
[0137]
实验分析
[0138]
评价指标包括：查准率(precision)、查全率(recall)和f1值(f1)。从表1可以看出，单个维度信号的分类准确度相较于融合特征较低。这说明融合特征能够携带更多有效的肺音信息，解决了肺音信号难以提取特征以及信号中的信息得不到充分利用的问题，从而能够更好地提高肺音分类准确率。
[0139]
表1 特征识别混淆矩阵
[0140][0141]
从表2可以看到进行特征融合后查准率、查全率和f1值均有所提升。查准率和查全率关乎着肺音识别分类的误检问题。查准率和查全率的上升在特征融合后有问题肺音信号被误检的可能性大大降低，对肺音识别分类具有较好的抗干扰性能。而查准率和查全率是一对相互矛盾的指标，f1可以综合的考察查准率和查全率。由f1和准确率的对比可以发现，特征融合可以排除干扰特征的影响，降低误检率，更好的识别出有问题肺音信号，从而提升方法的准确率。
[0142]
表2 融合特征与单一特征对比
[0143][0144]
将本发明与当前主流的bp神经网络(bpnn)、线性判别分析(lda)支持向量机(svm)和k近邻(knn)等智能算法进行综合对比验证。
[0145]
比较的结果，如表3所示，表3不同方法的分类准确度对比
[0146][0147]
从最终的实验结果来看，本发明精度达到95.45％，对有问题肺音信号与标准肺音信号有着较好的区分效果。可见，本发明具有如下有益效果：
[0148]
1.预处理达到了预期的效果，较好的从肺音中分离了外界噪声和心音干扰；
[0149]
2.一维特征与二维特征融合取得了较好的融合效果，将时域与频域结合后，网络可以得到更多的有效特征，排除干扰特征的影响，从而进行更精准的分类。
[0150]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0151]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。