一种肺音数据的处理方法及系统

技术领域

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的处理方法及系统。

背景技术

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，若收集到肺部罗音，则可诊断肺部发生病变。但通过肺音听诊存在问题：肺音在时域和频域上会受到心音的干扰影响肺音听诊的质量；同时，环境中存在的噪声也同样会对肺音的质量造成影响。因此，如何排除心音和环境噪声的干扰得到高质量的肺音信号是关键所在。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种肺音数据的处理方法及系统，通过获取心肺音音频信号的二维混合矩阵，并基于图约束矩阵分解方法将心肺音音频信号中的肺音音频信号分离出来，用于判断是否出现病变，提高了肺音音频信号的质量，可有效提高肺音听诊诊断的效率。

本发明提出了一种肺音数据的处理方法，所述方法包括：

基于采集设备采集用户的心肺音音频信号；

对所述心肺音音频信号进行预处理，得到所述心肺音音频信号的二维混合矩阵；

对所述心肺音音频信号的二维混合矩阵进行噪声滤除处理，得到噪声滤除处理后的心肺音音频信号的二维混合矩阵；

基于图约束矩阵分解方法对所述噪声滤除处理后的心肺音音频信号的二维混合矩阵进行分类处理，获得所述心肺音音频信号的分类处理结果；

对所述分类处理结果进行精度分析；

基于所述分类处理结果提取所述心肺音音频信号中肺音音频信号的声学特征，并判断是否出现病变。

进一步的，所述对所述心肺音音频信号进行预处理，得到所述心肺音音频信号的二维混合矩阵包括：

对所述心肺音音频信号进行短时傅里叶变换处理，获取所述心肺音音频信号在时频域上的稀疏信号；

将所述稀疏信号基于频率维度和时间维度组合成所述心肺音音频信号的二维混合矩阵。

进一步的，所述基于采集设备采集用户的心肺音音频信号还包括：

基于采集设备采集用户周围的环境噪声信号。

进一步的，所述对所述心肺音音频信号的二维混合矩阵进行噪声滤除处理，得到噪声滤除处理后的心肺音音频信号的二维混合矩阵包括：

计算所述环境噪声信号的噪声信号强度；

基于所述环境噪声信号的噪声信号强度对所述心肺音音频信号的二维混合矩阵进行降噪处理，得到噪声滤除处理后的心肺音音频信号的二维混合矩阵。

进一步的，所述基于图约束矩阵分解方法对所述噪声滤除处理后的心肺音音频信号的二维混合矩阵进行分类处理，获得所述心肺音音频信号的分类处理结果之前还包括：

对所述噪声滤除处理后的心肺音音频信号进行放大、滤波、模数转换、采样处理，得到所述噪声滤除处理后的心肺音音频信号的数字信号。

进一步的，所述对所述基于图约束矩阵分解方法对所述噪声滤除处理后的心肺音音频信号的二维混合矩阵进行分类处理，获得所述心肺音音频信号的分类处理结果包括：

对所述噪声滤除处理后的心肺音音频信号的二维混合矩阵进行图约束矩阵分解处理，获得所述心肺音音频信号的混合基系数矩阵；

获取所述心肺音音频信号的参考基向量；

基于所述混合基系数矩阵和所述参考基向量的相似度对所述心肺音音频信号进行聚类处理，获得所述心肺音音频信号的聚类处理结果；

基于所述聚类处理结果获取所述心肺音音频信号的时频谱信号；

对所述心肺音音频信号的时频谱信号进行短时傅里叶逆变换处理，分别获取所述心肺音音频信号的分类处理结果中的肺音音频信号和心音音频信号。

进一步的，所述对所述噪声滤除处理后的心肺音音频信号的二维混合矩阵进行图约束矩阵分解处理，获得所述心肺音音频信号的混合基系数矩阵包括：

对所述噪声滤除处理后的心肺音音频信号的二维混合矩阵进行对偶图正则化处理，并基于L21范数标准约束进行图约束矩阵分解处理，获得所述心肺音音频信号的混合基系数矩阵。

进一步的，所述对所述分类处理结果进行精度分析包括：

基于相关系数法计算所述分类处理结果的相关性，并基于所述相关性判断所述心肺音音频信号的分类精度。

进一步的，所述基于所述分类处理结果提取所述心肺音音频信号中肺音音频信号的声学特征，并判断是否出现病变包括：

获取肺音罗音参考信号，并提取所述肺音罗音参考信号中的时频特征信息；

提取所述肺音音频信号中的时频特征信息，将所述肺音音频信号中的时频特征信息与所述肺音罗音参考信号中的时频特征信息进行比对，判断所述肺音音频信号与所述肺音罗音参考信号的相似度，并基于相似度判断是否出现病变。

本发明还提出了一种肺音数据的处理系统，所述系统包括：

信号采集模块，所述采集模块用于基于采集设备采集用户的心肺音音频信号；

信号预处理模块，所述信号预处理模块用于对所述心肺音音频信号进行预处理，得到所述心肺音音频信号的二维混合矩阵；

信号噪声滤除处理模块，所述信号噪声滤除处理模块用于对所述心肺音音频信号的二维混合矩阵进行噪声滤除处理，得到噪声滤除处理后的心肺音音频信号的二维混合矩阵；

信号分类处理模块，所述信号分类处理模块用于基于图约束矩阵分解方法对所述噪声滤除处理后的心肺音音频信号的二维混合矩阵进行分类处理，获得所述心肺音音频信号的分类处理结果；

精度分析模块，所述精度分析模块用于对所述分类处理结果进行精度分析；

识别模块，所述识别模块用于基于所述分类处理结果提取所述心肺音音频信号中肺音音频信号的声学特征，并判断是否出现病变。

本发明通过提取心肺音音频信号的二维混合矩阵，即能反映心肺音音频信号在独立时域内的频率信息，也能反映心肺音音频信号在独立频段内的时间分布，能充分考虑心肺音音频信号的信息，保证信号的完整度；进行噪声滤除处理，可有效排除环境噪声带来的影响，提高信号的抗干扰性和信噪比，提高信号的质量；对信号的二维矩阵进行对偶图正则化处理，同时基于L21范数标准约束进行分解处理，可更好地还原原始心肺音音频信号，同时使心音幅度谱和肺音幅度谱的区分性更加明显，提高了分离心音音频信号和肺音音频信号的准确性和效率；通过比对罗音参考信号，可快速判断肺音音频信号是否存在异常，有效提高肺音听诊诊断的效率。

附图说明

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。

图1是本发明实施例中的肺音数据的处理方法流程图；

图2是本发明实施例中的心肺音音频信号的预处理流程图；

图3是本发明实施例中心肺音音频信号的二维混合矩阵进行噪声滤除处理的流程图；

图4是本发明实施例中的心肺音音频信号进行分类处理的流程图；

图5是本发明实施例中的肺音数据的处理系统结构示意图。

具体实施方式

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。

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。

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。

实施例一

本发明实施例所涉及的一种肺音数据的处理方法，所述方法包括：基于采集设备采集用户的心肺音音频信号；对所述心肺音音频信号进行预处理，得到所述心肺音音频信号的二维混合矩阵；对所述心肺音音频信号的二维混合矩阵进行噪声滤除处理，得到噪声滤除处理后的心肺音音频信号的二维混合矩阵；基于图约束矩阵分解方法对所述噪声滤除处理后的心肺音音频信号的二维混合矩阵进行分类处理，获得所述心肺音音频信号的分类处理结果；对所述分类处理结果进行精度分析；基于所述分类处理结果提取所述心肺音音频信号中肺音音频信号的声学特征，并判断是否出现病变。

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的处理方法流程图，包括以下步骤：

S101、基于采集设备采集用户的心肺音音频信号；

在本实施例的一个可选实现方式中，这里基于智能听诊器采集用户的心肺音音频信号，所述智能听诊器可包括探头、导音管、耳麦以及存储器，所述探头可贴近用户的胸腔采集心肺音，所述导音管将探头采集到的心肺音传导到耳麦中，所述耳麦将心肺音放出供医疗工作者作初步的诊断，所述存储器将心肺音转化为心肺音音频信号并进行存储。

在本实施例的一个可选实现方式中，基于采集设备采集用户周围的环境噪声信号。

具体的，这里基于收音喇叭采集环境噪声，并将采集得到的环境噪声转化为环境噪声信号并存储在存储器中。

S102、对所述心肺音音频信号进行预处理，得到所述心肺音音频信号的二维混合矩阵；

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心肺音音频信号的预处理流程图，包括以下步骤：

S201、对所述心肺音音频信号进行短时傅里叶变换处理，获取所述心肺音音频信号在时频域上的稀疏信号；

在本实施例的一个可选实现方式中，因为采集到的心肺音音频信号是非平稳信号，在心音音频信号对应的动作心脏跳动以及肺音音频信号对应的动作呼吸动作都具有周期性，因此心肺音音频信号在较短时间内能保持平稳，而针对时域、频域上的信号分析方法要求信号具有平稳的特性，因此，针对心肺音音频信号的分析可在时域和频域中进行分析。

具体的，这里采用短时傅里叶变换(STFT，Short-time Fourier Transform)对所述心肺音音频信号进行处理，获取所述心肺音音频信号在时频域上的稀疏信号。短时傅里叶变换的处理公式如下：

其中，w(n-m)代表一个具有时频域特性的窗函数，可沿着x(m)滑动，并对截取的部分进行傅里叶变换。

进一步的，可将w固定在某个值w

实质来看，短时傅里叶变化可看做是一种滤波操作，得到信号在较短时段的具有时频域特性的稀疏信号。

S202、将所述稀疏信号基于频率维度和时间维度组合成所述心肺音音频信号的二维混合矩阵。

在本实施例的一个可选实现方式中，将得到的心肺音音频信号在时频域上的稀疏信号进行混合操作，生成二维混合矩阵，该二维混合矩阵包含频率和时间两个维度。

这里通过提取心肺音音频信号的二维混合矩阵，即能反映心肺音音频信号在独立时域内的频率信息，也能反映心肺音音频信号在独立频段内的时间分布，能充分考虑心肺音音频信号的信息，保证信号的完整度。

S103、对所述心肺音音频信号的二维混合矩阵进行噪声滤除处理，得到噪声滤除处理后的心肺音音频信号的二维混合矩阵；

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心肺音音频信号的二维混合矩阵进行噪声滤除处理的流程图，包括以下步骤：

S301、计算所述环境噪声信号的噪声信号强度；

在本实施例的一个可选实现方式中，在听诊诊断过程中，环境中客观存在的噪声信号是不可避免的，会影响听诊诊断的质量，这里需要对收集到的心肺音音频信号进行噪声滤除处理，提高信号的质量。

具体的，计算采集得到的环境噪声信号的噪声信号强度，由分贝进行度量，计算公式如下：

DB＝10log 10(x)

S302、基于所述环境噪声信号的噪声信号强度对所述心肺音音频信号的二维混合矩阵进行降噪处理，得到噪声滤除处理后的心肺音音频信号的二维混合矩阵。

在本实施例的一个可选实现方式中，设置噪声滤除门限为-10，即低于10分贝的噪声予以滤除，生成环境噪声分贝曲线，找到曲线中低于-10的所有位置，将所述二维混合矩阵中的对应位置的值置为0。

这里进行噪声滤除处理，可有效排除环境噪声带来的影响，提高信号的抗干扰性和信噪比，提高信号的质量。

在本实施例的一个可选实现方式中，在进行下一步骤之前，对所述噪声滤除处理后的心肺音音频信号进行放大、滤波、模数转换、采样处理，得到所述噪声滤除处理后的心肺音音频信号的数字信号。

S104、基于图约束矩阵分解方法对所述噪声滤除处理后的心肺音音频信号的二维混合矩阵进行分类处理，获得所述心肺音音频信号的分类处理结果；

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心肺音音频信号进行分类处理的流程图，包括以下步骤：

S401、对所述噪声滤除处理后的心肺音音频信号的二维混合矩阵进行图约束矩阵分解处理，获得所述心肺音音频信号的混合基系数矩阵；

在本实施例的一个可选实现方式中，对所述噪声滤除处理后的心肺音音频信号的二维混合矩阵进行对偶图正则化处理，并基于L21范数标准约束进行图约束矩阵分解处理，获得所述心肺音音频信号的混合基系数矩阵。

具体的，传统的非负矩阵分解算法(NMF，Nonnegative Matrix Factorization)是一种常用于矩阵分解的方法，但这种方法仅可对矩阵进行单层分解，很难获取矩阵隐藏的层次信息，并不能对矩阵数据进行很好的表示，而进一步的多层非负矩阵分解算法(MNMF，Multilayer NMF)则可对矩阵数据的多层结构进行分析，有助于挖掘数据最本质的信息，但这种算法的弊端在于仅考虑数据空间的分布结构，没有利用特征属性空间的结构信息。因此，在本实施例中提出基于对对偶图正则化处理的多层概念分解算法(DGMCF，Dual GraphRegularized Multilayer Concept Factorization)，并添加基于L21范数的矩阵分解算法对所述噪声滤除处理后的心肺音音频信号的二维混合矩阵进行图约束分解处理，获得所述心肺音音频信号的混合基系数矩阵。

在本实施例的一个可选实现方式中，对所述噪声滤除处理后的心肺音音频信号的二维混合矩阵进行非负矩阵图约束分解处理，并基于L21标准范数的约束条件，获得所述心肺音音频信号的混合基系数矩阵，所述混合级系数矩阵的每列为心肺音混合基向量，所述心肺音混合机向量包含了心肺音的相关特征信息。

这里加入L21标准范数的约束条件，可消除计算中误差的平方运算，降低对噪声和异常值的敏感性，增强分解处理中的健壮性。

S402、获取所述心肺音音频信号的参考基向量；

在本实施例的一个可选实现方式中，基于心音音频信号的频率低于100Hz，肺音音频信号的频率高于300Hz的先验信息，对所述二维混合矩阵中低于100Hz和高于300Hz的部分进行DGMCF计算，同时加入L21标准范数的约束条件，获取所述心肺音音频信号的参考基向量，包括心音参考基向量和肺音参考基向量。

在本实施例的一个可选实现方式中，此处加入L21标准范数约束进行参考基向量的获取，可抑制噪音信号以及异常值的干扰。

S403、基于所述混合基系数矩阵和所述参考基向量的相似度对所述心肺音音频信号进行聚类处理，获得所述心肺音音频信号的聚类处理结果；

在本实施例的一个可选实现方式中，将所述混合基系数矩阵中的心肺音混合基向量与心音参考基向量和肺音参考基向量进行相似度比对，将属于肺音的混合基向量纳入肺音基矩阵中。

S404、基于所述聚类处理结果获取所述心肺音音频信号的时频谱信号；

在本实施例的一个可选实现方式中，对所述肺音基矩阵中的系数进行排序，并将所述肺音基矩阵中的分列与分行中相乘，得到肺音幅度谱，在经过时频掩码处理后得到所述心肺音音频信号的时频谱信号。

S405、对所述心肺音音频信号的时频谱信号进行短时傅里叶逆变换处理，分别获取所述心肺音音频信号的分类处理结果中的肺音音频信号和心音音频信号。

在本实施例的一个可选实现方式中，将所述心肺音音频信号的时频谱信号进行短时傅里叶逆变换，可得到分解处理后的肺音音频信号和心音音频信号。

这里对信号的二维矩阵进行对偶图正则化处理，同时基于L21范数标准约束进行分解处理，可更好地还原原始心肺音音频信号，同时使心音幅度谱和肺音幅度谱的区分性更加明显，提高了分离心音音频信号和肺音音频信号的准确性和效率。

S105、对所述分类处理结果进行精度分析；

在本实施例的一个可选实现方式中，基于相关系数法计算所述分类处理结果的相关性，并基于所述相关性判断所述心肺音音频信号的分类精度。

具体的，所述相关系数法的计算公式如下：

式中，i(t)表示分类处理前的心音音频信号，j(t)表示分类处理前肺音音频信号，r表示相关性程度，r取值在0-1之间，取值越接近0，即表示信号越不相关，取值越接近1，即表示信号越相关。

在本实施例的一个可选实现方式中，这里可通过计算信噪比来判断肺音音频信号的质量，进而判断所述心肺音音频信号的分类精度。

具体的，信噪比SNR的计算公式如下：

式中，ij(t)表示分类前的心肺音音频信号，j

S106、基于所述分类处理结果提取所述心肺音音频信号中肺音音频信号的声学特征，并判断是否出现病变。

在本实施例的一个可选实现方式中，获取肺音罗音参考信号，并提取所述肺音罗音参考信号中的时频特征信息；提取所述肺音音频信号中的时频特征信息，将所述肺音音频信号中的时频特征信息与所述肺音罗音参考信号中的时频特征信息进行比对，判断所述肺音音频信号与所述肺音罗音参考信号的相似度，并基于相似度判断是否出现病变。

综上，本发明实施例一提出了一种肺音数据的处理方法，通过提取心肺音音频信号的二维混合矩阵，即能反映心肺音音频信号在独立时域内的频率信息，也能反映心肺音音频信号在独立频段内的时间分布，能充分考虑心肺音音频信号的信息，保证信号的完整度；进行噪声滤除处理，可有效排除环境噪声带来的影响，提高信号的抗干扰性和信噪比，提高信号的质量；对信号的二维矩阵进行对偶图正则化处理，同时基于L21范数标准约束进行分解处理，可更好地还原原始心肺音音频信号，同时使心音幅度谱和肺音幅度谱的区分性更加明显，提高了分离心音音频信号和肺音音频信号的准确性和效率；通过比对罗音参考信号，可快速判断肺音音频信号是否存在异常，有效提高肺音听诊诊断的效率。

实施例二

本发明实施例中还涉及一种肺音数据的处理系统，如图5所示，图5示出了本发明实施例中的肺音数据的处理系统结构示意图，所述系统包括：

信号采集模块10，所述采集模块用于基于采集设备采集用户的心肺音音频信号；

信号预处理模块20，所述信号预处理模块用于对所述心肺音音频信号进行预处理，得到所述心肺音音频信号的二维混合矩阵；

信号噪声滤除处理模块30，所述信号噪声滤除处理模块用于对所述心肺音音频信号的二维混合矩阵进行噪声滤除处理，得到噪声滤除处理后的心肺音音频信号的二维混合矩阵；

信号分类处理模块40，所述信号分类处理模块用于基于图约束矩阵分解方法对所述噪声滤除处理后的心肺音音频信号的二维混合矩阵进行分类处理，获得所述心肺音音频信号的分类处理结果；

精度分析模块50，所述精度分析模块用于对所述分类处理结果进行精度分析；

识别模块60，所述识别模块用于基于所述分类处理结果提取所述心肺音音频信号中肺音音频信号的声学特征，并判断是否出现病变。

综上，本发明实施例二提出了一种肺音数据的处理系统，用于执行一种肺音数据的处理方法，通过提取心肺音音频信号的二维混合矩阵，即能反映心肺音音频信号在独立时域内的频率信息，也能反映心肺音音频信号在独立频段内的时间分布，能充分考虑心肺音音频信号的信息，保证信号的完整度；进行噪声滤除处理，可有效排除环境噪声带来的影响，提高信号的抗干扰性和信噪比，提高信号的质量；对信号的二维矩阵进行对偶图正则化处理，同时基于L21范数标准约束进行分解处理，可更好地还原原始心肺音音频信号，同时使心音幅度谱和肺音幅度谱的区分性更加明显，提高了分离心音音频信号和肺音音频信号的准确性和效率；通过比对罗音参考信号，可快速判断肺音音频信号是否存在异常，有效提高肺音听诊诊断的效率。

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，RandomAccess Memory)、磁盘或光盘等。

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。