一种肺音数据相似性匹配的方法及系统

1.本发明涉及肺音数据处理技术领域，尤其涉及一种肺音数据相似性匹配的方法及系统。


背景技术：

2.肺是人体与大气交互的重要器官，由肺引起的肺部疾病发病率高、致命性强，成为不可忽视的疾病之一，目前存在的各种环境因素，使得人们患肺部疾病的风险增加。常见的肺部疾病包括有肺炎、肺结核、肺水肿、肺癌等，在临床上，对肺部疾病诊断的手段主要有胸腔镜、胸透以及听诊。对于胸腔镜、胸透的手段可通过图像反应病变的过程，但通过听诊，收集到的是肺音数据，肺音是肺部系统工作时发出的声音，听诊是通过收集肺音数据进行分析得到诊断结果。但通过听诊的方式诊断肺部生理状态存在一定的问题：在实际听诊中，仅通过人的耳朵较难分辨出不同肺音的相似性和区别，而目前的声音匹配领域针对肺音的相似性匹配存在匹配效率低、匹配准确率的问题。因此，如何提高肺音数据相似性的匹配效率是关键所在。


技术实现要素：

3.本发明的目的在于克服现有技术的不足，本发明提供了一种肺音数据相似性匹配的方法及系统，通过小波变换法对待匹配肺音数据进行分解，提取带有较强特征信息的特征矩阵，构建肺音数据相似性匹配模型进行相似性匹配，提高肺音数据的处理效率，进而提高肺部听诊的诊断效率。
4.本发明提出了一种肺音数据相似性匹配的方法，其特征在于，所述方法包括：
5.采集待匹配肺音数据，并对所述待匹配肺音数据进行预处理，得到预处理后的待匹配肺音数据；
6.基于小波变换法对所述预处理后的待匹配肺音数据进行分解，提取所述预处理后的待匹配肺音数据的特征向量，并形成所述预处理后的待匹配肺音数据的特征矩阵；
7.构建基于深度学习的肺音数据相似性匹配模型，基于所述预处理后的待匹配肺音数据的特征矩阵对所述肺音数据相似性匹配模型进行训练，得到训练完成的肺音数据相似性匹配模型；
8.基于所述训练完成的肺音数据相似性匹配模型对所述待匹配肺音数据进行相似性匹配，得到相似性匹配结果；
9.对所述相似性匹配结果进行精度分析。
10.进一步的，所述采集待匹配肺音数据，并对所述待匹配肺音数据进行预处理，得到预处理后的待匹配肺音数据包括：
11.基于采集设备采集待匹配肺音数据的原始肺音数据和待匹配肺音数据的环境噪声数据；
12.基于所述环境噪声数据对所述原始肺音数据进行降噪，得到降噪处理后的待匹配
肺音数据；
13.对所述降噪处理后的待匹配肺音数据依次进行预加重、分帧、加窗、放大、滤波、模数转换、采样处理，得到初步处理后的待匹配肺音数据。
14.进一步的，所述采集待匹配肺音数据，并对所述待匹配肺音数据进行预处理，得到预处理后的待匹配肺音数据还包括：
15.基于采集区域对所述初步处理后的待匹配肺音数据进行标注。
16.进一步的，所述基于采集区域对所述初步处理后的待匹配肺音数据进行标注包括：
17.设置采集区域，所述采集区域包括喉部、左肺、右肺、气管、支气管、肺泡；
18.判断所述初步处理后的待匹配肺音数据所属的采集区域，并基于所属的采集区域为所述初步处理后的待匹配肺音数据添加标注信息，生成预处理后的待匹配肺音数据。
19.进一步的，所述基于小波变换法对所述预处理后的待匹配肺音数据进行分解，提取所述预处理后的待匹配肺音数据的特征向量，并形成所述预处理后的待匹配肺音数据的特征矩阵包括：
20.基于所述预处理后的待匹配肺音数据的原始频率范围对所述预处理后的待匹配肺音数据进行小波分解，得到若干层低频小波系数；
21.对所述若干层低频小波系数依次进行小波分解，得到若干层高频小波系数；
22.基于所述若干层高频小波系数构建所述预处理后的待匹配肺音数据的特征矩阵。
23.进一步的，所述基于所述若干层高频小波系数构建所述预处理后的待匹配肺音数据的特征矩阵包括：
24.计算所述若干层高频小波系数中的每一层高频小波系数对应的能量特征向量；
25.计算所述若干层高频小波系数中的每一层高频小波系数的平均值；
26.基于所述若干层高频小波系数中的每一层高频小波系数的平均值和初始值计算对应的高频小波系数的绝对值的最大值；
27.基于所述能量特征向量、平均值、绝对值的最大值构建所述预处理后的待匹配肺音数据的特征矩阵。
28.进一步的，所述构建基于深度学习的肺音数据相似性匹配模型，基于所述预处理后的待匹配肺音数据的特征矩阵对所述肺音数据相似性匹配模型进行训练，得到训练完成的肺音数据相似性匹配模型包括：
29.构建基于bp神经网络框架的肺音数据相似性匹配模型；
30.将所述预处理后的待匹配肺音数据的特征矩阵分为训练集和测试集，基于所述训练集中的特征向量对所述肺音数据相似性匹配模型进行训练，得到训练完成的肺音数据相似性匹配模型。
31.进一步的，所述方法还包括：
32.基于所述测试集对所述训练完成的肺音数据相似性匹配模型进行测试，并基于测试集判断所述训练完成的肺音数据相似性匹配模型是否达成预设的训练效果。
33.进一步的，所述基于所述训练完成的肺音数据相似性匹配模型对所述待匹配肺音数据进行相似性匹配，得到相似性匹配结果包括：
34.将所述待匹配肺音数据输入所述训练完成的肺音数据相似性匹配模型中，获取所
述待匹配肺音数据的相似性值；
35.基于所述待匹配肺音数据的相似性值判断所述待匹配肺音数据的相似性程度。
36.本发明还提出了一种肺音数据相似性匹配的系统，其特征在于，所述系统包括：
37.采集预处理模块，所述采集预处理模块用于采集待匹配肺音数据，并对所述待匹配肺音数据进行预处理，得到预处理后的待匹配肺音数据；
38.特征提取模块，所述特征提取模块用于基于小波变换法对所述预处理后的待匹配肺音数据进行分解，提取所述预处理后的待匹配肺音数据的特征向量，并形成所述预处理后的待匹配肺音数据的特征矩阵；
39.匹配模型构建模块，所述匹配模型构建模块用于构建基于深度学习的肺音数据相似性匹配模型，基于所述预处理后的待匹配肺音数据的特征矩阵对所述肺音数据相似性匹配模型进行训练，得到训练完成的肺音数据相似性匹配模型；
40.数据匹配模块，所述数据匹配模块用于基于所述训练完成的肺音数据相似性匹配模型对所述待匹配肺音数据进行相似性匹配，得到相似性匹配结果；
41.精度分析模块，所述精度分析模块用于对所述相似性匹配结果进行精度分析。
42.本发明通过小波变换法对待匹配肺音数据进行分解，可获得待匹配肺音数据带较强特征信息的特征值形成特征矩阵，并应用到肺音数据相似性匹配模型的训练当中，可快速进行肺音数据相似性的匹配，提高肺音数据的处理效率；采用基于bp神经网络框架的匹配模型，可有效提高模型的匹配效果；在待匹配肺音数据中添加采集区域标注，便于操作人员进行辨识，提高肺部听诊的诊断效率；对相似性匹配结果进行精度分析，便于判断肺音数据相似性匹配模型的匹配精度，从而便于进行改进。
附图说明
43.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，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其它的附图。
44.图1是本发明实施例中的肺音数据相似性匹配的方法流程图；
45.图2是本发明实施例中的待匹配肺音数据的采集和预处理流程图；
46.图3是本发明实施例中的形成待匹配肺音数据的特征矩阵的流程图；
47.图4是本发明实施例中的构建肺音数据相似性匹配模型的流程图；
48.图5是本发明实施例中的肺音数据相似性匹配的系统结构示意图。
具体实施方式
49.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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
50.在本发明中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、
数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
51.另外还需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
52.实施例一
53.本发明实施例所涉及的一种肺音数据相似性匹配的方法，所述方法包括：采集待匹配肺音数据，并对所述待匹配肺音数据进行预处理，得到预处理后的待匹配肺音数据；基于小波变换法对所述预处理后的待匹配肺音数据进行分解，提取所述预处理后的待匹配肺音数据的特征向量，并形成所述预处理后的待匹配肺音数据的特征矩阵；构建基于深度学习的肺音数据相似性匹配模型，基于所述预处理后的待匹配肺音数据的特征矩阵对所述肺音数据相似性匹配模型进行训练，得到训练完成的肺音数据相似性匹配模型；基于所述训练完成的肺音数据相似性匹配模型对所述待匹配肺音数据进行相似性匹配，得到相似性匹配结果；对所述相似性匹配结果进行精度分析。
54.在本实施例的一个可选实现方式中，如图1所示，图1示出了本发明实施例中的肺音数据相似性匹配的方法流程图，包括以下步骤：
55.s101、采集待匹配肺音数据，并对所述待匹配肺音数据进行预处理，得到预处理后的待匹配肺音数据；
56.在本实施例的一个可选实现方式中，如图2所示，图2示出了本发明实施例中的待匹配肺音数据的采集和预处理流程图，包括以下步骤：
57.s201、基于采集设备采集待匹配肺音数据的原始肺音数据和待匹配肺音数据的环境噪声数据；
58.在本实施例的一个可选实现方式中，这里基于3m听诊器采集待匹配肺音数据的原始肺音数据，以及基于拾音装置采集待匹配肺音数据的环境噪声数据。
59.更多的，这里可提取待匹配肺音数据库中的待匹配肺音数据的原始肺音数据及其对应的环境噪声数据。
60.需要说明的是，所述待匹配肺音数据的原始肺音数据为相同时长且连续的三段肺音数据，且每一段肺音数据至少包括一个完整的呼气以及吸气过程。
61.这里提取较完整的肺音数据，以满足后续的肺音数据相似性匹配模型的训练要求。
62.s202、基于所述环境噪声数据对所述原始肺音数据进行降噪，得到降噪处理后的待匹配肺音数据；
63.在本实施例的一个可选实现方式中，计算所述环境噪声数据的噪声信号强度，设定所述环境噪声数据的降噪门限，将所述环境噪声数据中低于所述降噪门限的噪声予以滤除。
64.s203、对所述降噪处理后的待匹配肺音数据依次进行预加重、加窗、分帧、放大、滤波、模数转换、采样处理，得到初步处理后的待匹配肺音数据；
65.在本实施例的一个可选实现方式中，所述预加重处理即在所述降噪处理后的待匹配肺音数据中输入高频分量进行补偿，得到预加重处理后的待匹配肺音数据。
66.在本实施例的一个可选实现方式中，所述分帧处理即将所述预加重处理后的待匹配肺音数据分为若干段帧长相同、滑移时长相同的分帧信号，得到分帧处理后的待匹配肺
音数据。
67.在本实施例的一个可选实现方式中，所述加窗处理即对分帧处理后的待匹配肺音数据中的每一帧数据选择一个适当的窗口函数，在基于窗口函数进行处理后重新组合为原数据，得到加窗处理后的待匹配肺音数据。
68.在本实施例的一个可选实现方式中，所述放大处理即对所述加窗处理后的待匹配肺音数据按一定比例进行放大，得到放大处理后的待匹配肺音数据。
69.在本实施例的一个可选实现方式中，所述滤波处理即对所述放大处理后的待匹配肺音数据中低于300hz、高于2400hz的信号滤除。这里是基于肺音音频信号的频率高于300hz、低于2400hz的先验信息完成的。
70.在本实施例的一个可选实现方式中，所述模数转换处理即将所述滤波处理后的待匹配肺音数据从模拟信号转换为数字信号。
71.在本实施例的一个可选实现方式中，所述采样处理即对所述模数转换处理后的待匹配肺音数据进行采样，得到初步处理后的待匹配肺音数据。
72.s204、基于采集区域对所述初步处理后的待匹配肺音数据进行标注，生成预处理后的待匹配肺音数据。
73.在本实施例的一个可选实现方式中，设置采集区域，判断所述初步处理后的待匹配肺音数据所属的采集区域，并基于所属的采集区域为所述初步处理后的待匹配肺音数据添加标注信息，生成预处理后的待匹配肺音数据。
74.具体的，所述采集区域包括喉部、左肺、右肺、气管、支气管、肺泡，所述左肺包括左后肺、左上肺、左下肺、左中肺，所述右肺包括右后肺、右上肺、右下肺、右中肺，所述支气管包括左支气管、右支气管，所述肺泡包括左肺肺泡、右肺肺泡、左支气管肺泡、右支气管肺泡。
75.更多的，在所述初步处理后的待匹配肺音数据中添加对应采集区域的标注信息，生成预处理后的待匹配肺音数据。
76.这里在待匹配肺音数据中添加采集区域标注，便于操作人员进行辨识，提高肺部听诊的诊断效率。
77.s102、基于小波变换法对所述预处理后的待匹配肺音数据进行分解，提取所述预处理后的待匹配肺音数据的特征向量，并形成所述预处理后的待匹配肺音数据的特征矩阵；
78.在本实施例的一个可选实现方式中，如图3所示，图3示出了本发明实施例中的形成待匹配肺音数据的特征矩阵的流程图，包括以下步骤：
79.s301、基于所述预处理后的待匹配肺音数据的原始频率范围对所述预处理后的待匹配肺音数据进行小波分解，得到若干层低频小波系数；
80.在本实施例的一个可选实现方式中，基于所述预处理后的待匹配肺音数据的原始频率范围为0-2400hz，在进行第一次小波分解后生成第一层低频小波系数x1(频带0-1200hz)，在进行第二次小波分解后生成第二层低频小波系数x2(频带0-600hz)，在进行第三次小波分解后生成第三层低频小波系数x3(频带0-300hz)，在进行第四次小波分解后生成第四层低频小波系数x4(频带0-150hz)，在进行第五次小波分解后生成第五层低频小波系数x5(频带0-75hz)，此时频带已足够小，满足要求。
81.s302、对所述若干层低频小波系数依次进行小波分解，得到若干层高频小波系数；
82.在本实施例的一个可选实现方式中，在步骤s301中，在进行第一次小波分解的同时生成第一层高频小波系数y1(频带1200hz-2400hz)，在进行第二次小波分解的同时生成第二层高频小波系数y2(频带600hz-1200hz)，在进行第三次小波分解的同时生成第三层高频小波系数y3(频带300hz-600hz)，在进行第四次小波分解的同时生成第四层高频小波系数y4(频带150hz-300hz)，在进行第五次小波分解的同时生成第五层高频小波系数y5(频带75hz-150hz)。按照频带范围由高到低排列，可得五层高频小波系数为[y5,y4,y2,y2,y1]。
[0083]
s303、基于所述若干层高频小波系数构建所述预处理后的待匹配肺音数据的特征矩阵。
[0084]
在本实施例的一个可选实现方式中，计算所述若干层高频小波系数中的每一层高频小波系数对应的能量特征向量；
[0085]
具体的，计算步骤s302中的五层高频小波系数对应的能量特征向量，计算公式如下：
[0086][0087]
式中，yi为第i层高频小波系数，ei为第i层高频小波系数yi对应的能量值，y
i,j
为第i层高频小波系数yi中的第j个元素，n为第i层高频小波系数yi的维数。
[0088]
通过上述计算后，得到五层高频小波系数对应的能量值组成的能量特征向量[e5,e4,e3,e2,e1]。
[0089]
在本实施例的一个可选实现方式中，计算所述若干层高频小波系数中的每一层高频小波系数的平均值。
[0090]
具体的，计算步骤s302中的五层高频小波系数对应的平均值，计算公式如下：
[0091][0092]
式中，yi为第i层高频小波系数，ai为第i层高频小波系数yi对应的平均值，y
i,j
为第i层高频小波系数yi中的第j个元素，n为第i层高频小波系数yi的维数。
[0093]
通过上述计算后，得到五层高频小波系数对应的平均值组成的平均值特征向量[a5,a4,a3,a2,a1]。
[0094]
在本实施例的一个可选实现方式中，基于所述若干层高频小波系数中的每一层高频小波系数的平均值和初始值计算对应的高频小波系数的绝对值的最大值；
[0095]
具体的，已知所述若干层高频小波系数中的每一层高频小波系数的初始值和平均值，计算步骤s302中的五层高频小波系数对应的绝对值的最大值，计算公式如下：
[0096][0097]
式中，mi为第i层高频小波系数yi对应的绝对值的最大值，ai为第i层高频小波系数yi对应的平均值，ii为第i层高频小波系数yi对应的初始值。
[0098]
通过上述计算后，得到五层高频小波系数对应的绝对值的最大值组成的绝对值的最大值特征向量[m5,m4,m3,m2,m1]。
[0099]
在本实施例的一个可选实现方式中，基于所述能量特征向量、平均值、绝对值的最大值构建所述预处理后的待匹配肺音数据的特征矩阵。
[0100]
具体的，将能量特征向量[e5,e4,e3,e2,e1]，平均值特征向量[a5,a4,a3,a2,a1]，绝对值的最大值特征向量[m5,m4,m3,m2,m1]组合，生成所述预处理后的待匹配肺音数据的特征矩阵c，其中，由于所述待匹配肺音数据的原始肺音数据为相同时长且连续的三段肺音数据，即生成三个特征矩阵c1、c2、c3，通过线性融合的方式将三个特征矩阵融合成述预处理后的待匹配肺音数据的特征矩阵c，计算公式如下：
[0101][0102]
式中，c为线性融合处理后的，预处理后的待匹配肺音数据的特征矩阵，c1为第一段肺音数据的特征矩阵，c2为第二段肺音数据的特征矩阵，c3为第三段肺音数据的特征矩阵。
[0103]
s103、构建基于深度学习的肺音数据相似性匹配模型，基于所述预处理后的待匹配肺音数据的特征矩阵对所述肺音数据相似性匹配模型进行训练，得到训练完成的肺音数据相似性匹配模型；
[0104]
在本实施例的一个可选实现方式中，如图4所示，图4示出了本发明实施例中的构建肺音数据相似性匹配模型的流程图，包括以下步骤：
[0105]
s401、构建基于bp神经网络框架的肺音数据相似性匹配模型；
[0106]
在本实施例的一个可选实现方式中，bp神经网络(back propagation neural network)是一种按照误差逆向传播算法训练的多层前馈神经网络，能够对训练样本的特性产生记忆，当输入测试样本时，会自动识别测试样本的类别。单向传播，其输入层与隐含层、隐含层与输出层的各节点之间是相连的，但各层神经元之间互相不联系，其神经元激励函数为sigmoid函数。
[0107]
具体的，在本实施例中采用稀疏性抑制神经元活跃度，选择隐藏神经元j的平均活跃度为：
[0108][0109]
式中，m为训练次数，为在给定输入x(i)的条件下，隐藏神经元j的活跃度。
[0110]
更多的，为限制隐藏神经元j的活跃度，令pj＝ρ，其中ρ为稀疏性参数，取值0.03。
[0111]
s402、将所述预处理后的待匹配肺音数据的特征矩阵分为训练集和测试集，基于所述训练集中的特征向量对所述肺音数据相似性匹配模型进行训练，得到训练完成的肺音数据相似性匹配模型。
[0112]
在本实施例的一个可选实现方式中，所述bp神经网络框架的肺音数据相似性匹配模型的训练过程包括：bp反向传播算法是在网络运算初始时，系统将[-1，1]的网络权值设
定取值步长n。系统从-1开始取值，训练函数trainlm()采用牛顿算法。下一个网络权值的训练，则取值为-1+n。依次类推，下一次的训练取值，比上一次的取值大n。在训练过程中误差会逐渐收敛，以收敛的快慢评价网络的优劣。经过反复修正和迭代，得到网络输出与期望值误差最小的一组网络权值和阈值，组成神经网络的最优结构。此处，步长根据需求，取值应该尽可能的小，以保证最终选择的最优网络权值。
[0113]
在本实施例的一个可选实现方式中，基于所述测试集对所述训练完成的肺音数据相似性匹配模型进行测试，并基于测试集判断所述训练完成的肺音数据相似性匹配模型是否达成预设的训练效果。
[0114]
具体的，若判断述训练完成的肺音数据相似性匹配模型没有达成预设的训练效果，则采用反向传播算法优化模型，算法如下：
[0115]w′
ij
＝w
ij
+δw
ij
+lr*weight
decay
*w
ij
[0116][0117]
式中，wi′j为训练完成后的模型中第i参数向量和第j参数向量的更新后系数，w
ij
为训练完成后的模型第i参数向量和第j参数向量的系数，weight
decay
为权重衰减系数，取值为0.0005，lr为学习速率，取值为0.01，l为更新后的损失函数，momentum为动量参数，取值为0.09。
[0118]
s104、基于所述训练完成的肺音数据相似性匹配模型对所述待匹配肺音数据进行相似性匹配，得到相似性匹配结果；
[0119]
在本实施例的一个可选实现方式中，将所述待匹配肺音数据输入所述训练完成的肺音数据相似性匹配模型中，获取所述待匹配肺音数据的相似性值；基于所述待匹配肺音数据的相似性值判断所述待匹配肺音数据的相似性程度。
[0120]
s105、对所述相似性匹配结果进行精度分析。
[0121]
在本实施例的一个可选实现方式中，使用精度值precision、召回率recall、精度率f1、交并比iou、平均交并比miou作为衡量所述肺音数据相似性匹配模型性能的评价标准，计算公式包括：
[0122][0123][0124][0125][0126][0127]
其中tp为真正类，fp为假正类，fn为假反类，tn为真反类,k代表类别(0，1)。
[0128]
综上，本发明实施例一提出了一种肺音数据相似性匹配的方法，通过小波变换法对待匹配肺音数据进行分解，可获得待匹配肺音数据带较强特征信息的特征值形成特征矩阵，并应用到肺音数据相似性匹配模型的训练当中，可快速进行肺音数据相似性的匹配，提高肺音数据的处理效率；采用基于bp神经网络框架的匹配模型，可有效提高模型的匹配效果；在待匹配肺音数据中添加采集区域标注，便于操作人员进行辨识，提高肺部听诊的诊断效率；对相似性匹配结果进行精度分析，便于判断肺音数据相似性匹配模型的匹配精度，从而便于进行改进。
[0129]
实施例二
[0130]
本发明实施例中还涉及一种肺音数据相似性匹配的系统，如图5所示，图5示出了本发明实施例中的肺音数据相似性匹配的系统结构示意图，所述系统包括：
[0131]
采集预处理模块10，所述采集预处理模块用于采集待匹配肺音数据，并对所述待匹配肺音数据进行预处理，得到预处理后的待匹配肺音数据；
[0132]
特征提取模块20，所述特征提取模块用于基于小波变换法对所述预处理后的待匹配肺音数据进行分解，提取所述预处理后的待匹配肺音数据的特征向量，并形成所述预处理后的待匹配肺音数据的特征矩阵；
[0133]
匹配模型构建模块30，所述匹配模型构建模块用于构建基于深度学习的肺音数据相似性匹配模型，基于所述预处理后的待匹配肺音数据的特征矩阵对所述肺音数据相似性匹配模型进行训练，得到训练完成的肺音数据相似性匹配模型；
[0134]
数据匹配模块40，所述数据匹配模块用于基于所述训练完成的肺音数据相似性匹配模型对所述待匹配肺音数据进行相似性匹配，得到相似性匹配结果；
[0135]
精度分析模块50，所述精度分析模块用于对所述相似性匹配结果进行精度分析。
[0136]
综上，本发明实施例二提出了一种肺音数据相似性匹配的系统，用于执行一种肺音数据相似性匹配的方法，通过小波变换法对待匹配肺音数据进行分解，可获得待匹配肺音数据带较强特征信息的特征值形成特征矩阵，并应用到肺音数据相似性匹配模型的训练当中，可快速进行肺音数据相似性的匹配，提高肺音数据的处理效率；采用基于bp神经网络框架的匹配模型，可有效提高模型的匹配效果；在待匹配肺音数据中添加采集区域标注，便于操作人员进行辨识，提高肺部听诊的诊断效率；对相似性匹配结果进行精度分析，便于判断肺音数据相似性匹配模型的匹配精度，从而便于进行改进。
[0137]
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(rom，read only memory)、随机存取存储器(ram，random access memory)、磁盘或光盘等。
[0138]
另外，以上对本发明实施例进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种肺音数据相似性匹配的方法，其特征在于，所述方法包括：采集待匹配肺音数据，并对所述待匹配肺音数据进行预处理，得到预处理后的待匹配肺音数据；基于小波变换法对所述预处理后的待匹配肺音数据进行分解，提取所述预处理后的待匹配肺音数据的特征向量，并形成所述预处理后的待匹配肺音数据的特征矩阵；构建基于深度学习的肺音数据相似性匹配模型，基于所述预处理后的待匹配肺音数据的特征矩阵对所述肺音数据相似性匹配模型进行训练，得到训练完成的肺音数据相似性匹配模型；基于所述训练完成的肺音数据相似性匹配模型对所述待匹配肺音数据进行相似性匹配，得到相似性匹配结果；对所述相似性匹配结果进行精度分析。2.如权利要求1所述的肺音数据相似性匹配的方法，其特征在于，所述采集待匹配肺音数据，并对所述待匹配肺音数据进行预处理，得到预处理后的待匹配肺音数据包括：基于采集设备采集待匹配肺音数据的原始肺音数据和待匹配肺音数据的环境噪声数据；基于所述环境噪声数据对所述原始肺音数据进行降噪，得到降噪处理后的待匹配肺音数据；对所述降噪处理后的待匹配肺音数据依次进行预加重、分帧、加窗、放大、滤波、模数转换、采样处理，得到初步处理后的待匹配肺音数据。3.如权利要求2所述的肺音数据相似性匹配的方法，其特征在于，所述采集待匹配肺音数据，并对所述待匹配肺音数据进行预处理，得到预处理后的待匹配肺音数据还包括：基于采集区域对所述初步处理后的待匹配肺音数据进行标注。4.如权利要求3所述的肺音数据相似性匹配的方法，其特征在于，所述基于采集区域对所述初步处理后的待匹配肺音数据进行标注包括：设置采集区域，所述采集区域包括喉部、左肺、右肺、气管、支气管、肺泡；判断所述初步处理后的待匹配肺音数据所属的采集区域，并基于所属的采集区域为所述初步处理后的待匹配肺音数据添加标注信息，生成预处理后的待匹配肺音数据。5.如权利要求1所述的肺音数据相似性匹配的方法，其特征在于，所述基于小波变换法对所述预处理后的待匹配肺音数据进行分解，提取所述预处理后的待匹配肺音数据的特征向量，并形成所述预处理后的待匹配肺音数据的特征矩阵包括：基于所述预处理后的待匹配肺音数据的原始频率范围对所述预处理后的待匹配肺音数据进行小波分解，得到若干层低频小波系数；对所述若干层低频小波系数依次进行小波分解，得到若干层高频小波系数；基于所述若干层高频小波系数构建所述预处理后的待匹配肺音数据的特征矩阵。6.如权利要求5所述的肺音数据相似性匹配的方法，其特征在于，所述基于所述若干层高频小波系数构建所述预处理后的待匹配肺音数据的特征矩阵包括：计算所述若干层高频小波系数中的每一层高频小波系数对应的能量特征向量；计算所述若干层高频小波系数中的每一层高频小波系数的平均值；基于所述若干层高频小波系数中的每一层高频小波系数的平均值和初始值计算对应
的高频小波系数的绝对值的最大值；基于所述能量特征向量、平均值、绝对值的最大值构建所述预处理后的待匹配肺音数据的特征矩阵。7.如权利要求1所述的肺音数据相似性匹配的方法，其特征在于，所述构建基于深度学习的肺音数据相似性匹配模型，基于所述预处理后的待匹配肺音数据的特征矩阵对所述肺音数据相似性匹配模型进行训练，得到训练完成的肺音数据相似性匹配模型包括：构建基于bp神经网络框架的肺音数据相似性匹配模型；将所述预处理后的待匹配肺音数据的特征矩阵分为训练集和测试集，基于所述训练集中的特征向量对所述肺音数据相似性匹配模型进行训练，得到训练完成的肺音数据相似性匹配模型。8.如权利要求7所述的肺音数据相似性匹配的方法，其特征在于，所述方法还包括：基于所述测试集对所述训练完成的肺音数据相似性匹配模型进行测试，并基于测试集判断所述训练完成的肺音数据相似性匹配模型是否达成预设的训练效果。9.如权利要求1所述的肺音数据相似性匹配的方法，其特征在于，所述基于所述训练完成的肺音数据相似性匹配模型对所述待匹配肺音数据进行相似性匹配，得到相似性匹配结果包括：将所述待匹配肺音数据输入所述训练完成的肺音数据相似性匹配模型中，获取所述待匹配肺音数据的相似性值；基于所述待匹配肺音数据的相似性值判断所述待匹配肺音数据的相似性程度。10.一种肺音数据相似性匹配的系统，其特征在于，所述系统包括：采集预处理模块，所述采集预处理模块用于采集待匹配肺音数据，并对所述待匹配肺音数据进行预处理，得到预处理后的待匹配肺音数据；特征提取模块，所述特征提取模块用于基于小波变换法对所述预处理后的待匹配肺音数据进行分解，提取所述预处理后的待匹配肺音数据的特征向量，并形成所述预处理后的待匹配肺音数据的特征矩阵；匹配模型构建模块，所述匹配模型构建模块用于构建基于深度学习的肺音数据相似性匹配模型，基于所述预处理后的待匹配肺音数据的特征矩阵对所述肺音数据相似性匹配模型进行训练，得到训练完成的肺音数据相似性匹配模型；数据匹配模块，所述数据匹配模块用于基于所述训练完成的肺音数据相似性匹配模型对所述待匹配肺音数据进行相似性匹配，得到相似性匹配结果；精度分析模块，所述精度分析模块用于对所述相似性匹配结果进行精度分析。

技术总结
本发明涉及肺音数据处理技术领域，具体为一种肺音数据相似性匹配的方法及系统，所述方法包括：采集待匹配肺音数据，并进行预处理；基于小波变换法对所述预处理后的待匹配肺音数据进行分解，形成所述预处理后的待匹配肺音数据的特征矩阵；构建基于深度学习的肺音数据相似性匹配模型，基于所述特征矩阵对所述肺音数据相似性匹配模型进行训练；基于所述训练完成的肺音数据相似性匹配模型对所述待匹配肺音数据进行相似性匹配；对所述相似性匹配结果进行精度分析。本发明通过小波变换法对待匹配肺音数据进行分解，提取带有较强特征信息的特征矩阵，构建肺音数据相似性匹配模型进行相似性匹配，提高肺音数据的处理效率，进而提高肺部听诊的诊断效率。听诊的诊断效率。听诊的诊断效率。


技术研发人员：胡波 陈润伟
受保护的技术使用者：广东白云学院
技术研发日：2023.05.04
技术公布日：2023/8/16