一种基于小波包分解的健康状况评估方法

技术领域

本发明涉及信号处理技术领域，特别涉及一种基于小波包分解的健康状况评估方法。

背景技术

人呼吸时，气流通过呼吸道和肺泡，产生湍流引起振动，发出声响，通过肺组织及胸壁传至体表的声音，称作呼吸音。而患有肺部疾病的患者由于肺部组织结构异常，会导致呼吸音出现异常。

传统的呼吸音异常的评估多依赖于医生听诊。由于人耳听觉的频率范围有限，会在不经意中丢失一部分重要的声音信号，导致检查最终结果有偏差，从而降低了检查结果的精确度。

发明内容

本发明的目的在于提供一种基于小波包分解的肺部健康状况评估方法，旨在解决现有的评估方法的检查结果的精确度较低的问题。

为实现上述目的，本发明提供了一种基于小波包分解的肺部健康状况评估方法，包括以下步骤：

S1.构建分类识别网络模型；

S2.录制患者呼吸音音频，并对所述呼吸音音频进行预处理，得到音频序列；

S3.通过小波包分解算法对所述音频序列进行特征提取，得到特征向量；

S4.将所述特征向量输入所述分类识别网络模型进行训练，得到状态变化；

S5.将所述状态变化与健康状态进行对比后赋分，得到评估结果。

其中，所述构建分类识别网络模型的具体方式为：

构造神经网络；

获取音频数据集；

使用所述音频数据集对所述神经网络进行训练和测试，得到分类识别网络模型。

其中，所述神经网络为RNN神经网络。

其中，所述获取音频数据集的具体方式为：

获取公开音频；

提取所述公开音频中的开源的音频，得到音频数据集。

其中，所述使用所述音频数据集对所述神经网络进行训练和测试，得到分类识别网络模型的具体方式为：

对所述音频数据集进行划分，得到训练集和测试集；

使用所述训练集对所述神经网络进行训练，得到预训练模型；

使用所述测试集对所述预训练模型进行测试，测试通过，得到分类识别网络模型。

其中，所述通过小波包分解算法对所述音频序列进行特征提取，得到特征向量的具体方式为：

对所述音频序列进行小波包分解，得到多个小波包基；

基于多个小波包基参数构造特征向量。

其中，所述对所述音频序列进行小波包分解，得到多个小波包基的具体方式为：

将所述音频序列的小波基的分解层数设为3层后对所述音频序列进行小波包分解，得到多个小波包基。

其中，所述基于多个小波包基参数构造特征向量的具体方式为：

多个小波包基下计算能量系数；

基于所述能量系数构造特征向量。

其中，所述将所述特征向量输入所述分类识别网络模型进行训练，得到状态变化的具体方式为：

将所述特征向量输入所述分类识别网络模型进行训练，得到第一数据结果；

将所述第一数据结果记录到缓冲区中，通过所述分类识别网络模型对所述特征向量继续进行训练，得到第二数据结果；

将所述第一数据结果与所述第二数据结果进行对比，得到状态变化。

其中，所述将所述状态变化与健康状态进行对比后赋分，得到评估结果的具体方式为：

将呼吸音设定为100分满分，最低为0分，得到分数设定范围；

基于所述分数设定范围计算所述状态变化对应的向量与健康状态对应的向量的余弦相似度，得到评估结果。

本发明的有益效果：本发明的一种基于小波包分解的健康状况评估方法，通过小波包分解算法对所述音频序列进行特征提取，得到特征向量，对于呼吸音，在时频域上有较梅尔频谱倒谱系数、其他高阶统计数据有更良好的特性；将所述特征向量输入所述分类识别网络模型进行训练，得到状态变化；将所述状态变化与健康状态进行对比后赋分，得到评估结果，本发明通过构建的分类识别网络模型通过声音信号评估健康状况，提高了检查结果的精确度，解决了现有的评估方法的检查结果的精确度较低的问题。

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，显而易见地，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他的附图。

图1是八个能量系数的示意图。

图2是本发明提供的一种基于小波包分解的健康状况评估方法的流程图。

图3是构建分类识别网络模型的流程图。

图4是通过小波包分解算法对所述音频序列进行特征提取，得到特征向量的流程图。

图5是将所述特征向量输入所述分类识别网络模型进行训练，得到状态变化的流程图。

图6是将所述状态变化与健康状态进行对比后赋分，得到评估结果的流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

请参阅图1至图6，本发明提供一种基于小波包分解的健康状况评估方法，包括以下步骤：

S1构建分类识别网络模型；

具体方式为：

S11构造神经网络；

具体的，所述神经网络为循环神经网络。循环神经网络(Recurrent NeuralNetwork,RNN)是一类以序列数据为输入，在序列的演进方向进行递归且所有节点按链式连接的递归神经网络。循环神经网络在自然语言处理，例如语音识别、语言建模、机器翻译等领域有应用，也被用于各类时间序列预报。

S12获取音频数据集；

具体的，获取公开音频；提取所述公开音频中的开源的音频，得到音频数据集。

S13使用所述音频数据集对所述神经网络进行训练和测试，得到分类识别网络模型。

具体方式为：

S131对所述音频数据集进行划分，得到训练集和测试集；

具体的，所述训练集和所述测试集的比例为8：2。

S132使用所述训练集对所述神经网络进行训练，得到预训练模型；

S133使用所述测试集对所述预训练模型进行测试，测试通过，得到分类识别网络模型。

S2录制患者呼吸音音频，并对所述呼吸音音频进行预处理，得到音频序列；

具体的，预处理的目的是去除噪声，同时能够一定程度上获取信号的特征，将音频信号转化为离散的音频序列。

S3通过小波包分解算法对所述音频序列进行特征提取，得到特征向量；

具体的，对信号进行处理后，使得不同信号能够在多个维度体现出较为一定的差异，选取这些能够体现差异性的维度构成特征向量。本发明中选择小波包分解算法进行特征提取。

具体方式为：

S31对所述音频序列进行小波包分解，得到多个小波包基；

具体的，将所述音频序列的小波基的分解层数设为三层后对所述音频序列进行小波包分解，得到多个小波包基。图1是分解三层得到八个能量系数的示意图，其中S表示原始信号，A表示信号的低频部分，D表示信号的高频部分分解为3层可得到信号8个不同的频率部分。

S32基于多个小波包基构造特征向量。

具体的，在多个小波包基下计算能量系数；基于所述能量系数构造特征向量。

所述基于所述能量系数构造特征向量包括：将小波包分解后得到的能量系数(最优基的能量系数)Ei(i＝1，2，3，…)与总能量E0做比实现归一化处理，将八个归一化处理的数值按顺序构成一个向量[E1/E0，E2/E0，…E7/E0]，送入神经网络进行分类识别。

S4将所述特征向量输入所述分类识别网络模型进行训练，得到状态变化；

具体方式为：

S41将所述特征向量输入所述分类识别网络模型进行训练，得到第一数据结果；

具体的，所述特征向量为多维特征向量。

S42将所述第一数据结果记录到缓冲区中，通过所述分类识别网络模型对所述特征向量继续进行训练，得到第二数据结果；

S43将所述第一数据结果与所述第二数据结果进行对比，得到状态变化。

S5将所述状态变化与健康状态进行对比后赋分，得到评估结果。

具体方式为：

S51将呼吸音设定为100分满分，最低为0分，得到分数设定范围；

S52基于所述分数设定范围计算所述状态变化对应的向量与健康状态对应的向量的余弦相似度，得到评估结果。

具体的，中将呼吸音设定为100分满分，最低为0分，比较方法为，计算两个向量的余弦相似度。由于余弦相似度的范围为[-1，1]。设余弦相似度为a，赋分为100*(1+a)/2。余弦相似度计算公式如下：

其中，A，B为两个向量，在这里为健康特征向量与病人本次呼吸音的特征向量。n表示向量的维度，此处表现为分类器的分类数。Ai，Bi表示向量的每一项。例如，对于健康特征向量A，在训练模型时可以将健康数据的结果值的第一项置为1，其余项置为0，即A为[1,0,0,0,0,0]；对于特定呼吸音的预测结果得到B。A与B的内积与模长之积做比即可得到两个向量夹角θ的余弦值cos(θ)，即余弦相似度。

本发明的有益效果：本发明的方法不需要医生人工参与即可为病人提供健康评估，可作为医生治疗的参考，充分利用了患者呼吸音信号，兼顾信号高频和低频部分，对信号分析更为完整全面。同时利用神经网络拥有自我学习纠错的能力，能够不断提高分析结果的准确率。

以上所揭露的仅为本发明一种基于小波包分解的健康状况评估方法较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。