一种基于VMD-CNN的肺音特征识别分类方法及系统与流程

技术特征：
1.一种基于vmd
‑
cnn的肺音特征识别分类方法，其特征在于，包括以下步骤：s1：采集原始肺音信号；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；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。2.根据权利要求1所述的一种基于vmd
‑
cnn的肺音特征识别分类方法，其特征在于，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：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：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；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：式中，λ为拉格朗日乘法算子，α为二次惩罚参数；s212：通过乘法算子交替算法更新和λ
n 1
，迭代公式如下：，迭代公式如下：，迭代公式如下：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；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：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。3.根据权利要求2所述的一种基于vmd
‑
cnn的肺音特征识别分类方法，其特征在于，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：s220：对得到的信号分量进行希尔伯特变换，具体表达式为：式中：p为柯西主分量；s221：定义瞬时频率ω(t)：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：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；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：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。4.根据权利要求2所述的一种基于vmd
‑
cnn的肺音特征识别分类方法，其特征在于，所述s3构建卷积神经网络模型具体步骤为：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；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；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；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。5.根据权利要求4所述的一种基于vmd
‑
cnn的肺音特征识别分类方法，其特征在于，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。6.一种基于vmd
‑
cnn的肺音特征识别分类系统，其特征在于，包括：肺音信号采集装置，用于采集肺音信号；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；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。7.根据权利要求6所述的一种基于vmd
‑
cnn的肺音特征识别分类系统，其特征在于，所述肺音信号采集装置，包括：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；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；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。8.根据权利要求6所述的一种基于vmd
‑
cnn的肺音特征识别分类系统，其特征在于，所述预处理模块，包括：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；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。9.根据权利要求8所述的一种基于vmd
‑
cnn的肺音特征识别分类系统，其特征在于，所述构建网络模块，包括：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；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；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；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。10.根据权利要求7所述的一种基于vmd
‑
cnn的肺音特征识别分类系统，其特征在于，所述肺音信号采集装置，还包括：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。

技术总结
本发明公开了一种基于VMD


技术研发人员：韦海成 许洋 吕新宇 王锁 田思远 陈涛
受保护的技术使用者：北方民族大学
技术研发日：2021.09.15
技术公布日：2021/11/23