一种肺音数字生物标志物信号处理方法和系统

技术领域

本发明涉及医疗设备技术领域，尤其涉及一种肺音数字生物标志物信号处理方法和系统。

背景技术

肺部声音一般有湿啰音、干啰音、喘鸣音等，通常是由于气体通过含有水分的气管或支气管形成的。除此之外，肺部声音还有哮鸣音。当前，普遍采用听诊器来采集肺音，使用计算机辅助分析肺音来高效地帮助医生节省诊断时间，减少由于工作超负荷造成的诊断错误，同时，也可以帮助患者自行进行疾病筛查及监控。

随着人工智能技术的发展，智能医疗和远程问诊领域技术的进步为肺音信号的处理技术提供了发展机遇。许多研究者在基于计算机分析方式的肺部呼吸音降噪与识别方法基础上不断完善，为肺部健康情况的客观评估提供了可靠的方法。通过对数字信号记录和肺音信号特征的研究，目前已经实现了对肺部呼吸音的存储、分析与交流，克服了传统听诊依赖人工、不便记录和不能重复分析等局限性。在家庭诊疗、远程医疗服务等许多方面，基于数字听诊方式的肺音处理方法也已成为诊断肺部异常的更有效和更经济的工具，且能有效降低其他检查方式带来的伤害。

但是，当前的肺音信号分析方法，一般是在小波变换方法上进行简单改进和分析。由于数据维数少，得到的分析结果与真实结构的误差较大。

例如，公开号为CN116052724A的专利申请公开了一种肺音增强方法、系统、设备和存储介质，其方法包括获取待增强肺音数据；利用训练完成的肺音增强模型对所述待增强肺音数据进行转换，得到增强肺音数据；所述肺音增强模型为基于第一变分自动编码器、第二变分自动编码器、循环一致性损失模型进行构建，且通过干净肺音数据、带噪肺音数据进行训练得到增强肺音数据。通过使用循环一致性损失模型和带噪肺音数据，使肺音增强模型的训练过程无需使用大量的干净肺音数据。

再例如，公开号为CN107837091A的专利申请公开了一种单通道心肺音分离方法及系统，其中方法包括：步骤1，对采集的心肺音混合信号x(t)进行处理，获得心肺音混合信号x(t)的时频谱X；步骤2，对时频谱X中20Hz～100Hz部分取列平均得到心音的幅模时序模板H

上述现有技术将肺音信号进行处理，均得到的是高维向量。高维向量的处理缺陷在于：第一，存在维度灾难：高维向量通常需要更多的计算和存储资源，这可能导致处理速度变慢，增加了算法的复杂性，以及需要更多的数据来训练模型，以避免过拟合。第二，存在模型泛化问题：高维向量可能导致机器学习模型过拟合训练数据，因为训练数据中的噪声或不相关特征会干扰模型的泛化性能。

此外，一方面由于对本领域技术人员的理解存在差异；另一方面由于申请人做出本发明时研究了大量文献和专利，但篇幅所限并未详细罗列所有的细节与内容，然而这绝非本发明不具备这些现有技术的特征，相反本发明已经具备现有技术的所有特征，而且申请人保留在背景技术中增加相关现有技术之权利。

发明内容

现有技术中的对于肺音的分析方法，仅仅局限于将肺音数字生物标志物信号进行简单的算法分析。这样分析的弊端在于，数字生物标志物信号的分析维数单一，无法对肺部的呼吸情况进行准确判断。因此，如何将从肺部采集的肺音数字生物标志物信号进行多维数分析，以得到肺部的准确的呼吸特征，是本发明要解决的技术问题。

针对现有技术之不足，本发明从第一方面公开了一种肺音数字生物标志物信号处理方法，方法可以包括：基于小波变换方法和/或离散小波变换方法将肺音数字生物标志物信号进行至少一层分解并得到至少一个重构信号；选择重构信号中的高频小波系数并提取能量值；基于能量值构建与呼吸周期相关的特征向量，对特征向量进行降维处理以得到肺音特征。

本发明通过将肺音数字生物标志物信号进行多次分解，能够获取多个频率段的重构信号。重构信号包括高频小波系数和低频小波系数两部分。低频部分具有较平滑的特征，而高频部分则包含了更细节的信息。将重构信号进行多层分解，能够获取更多的细节信息，为后期的呼吸特征分析提供丰富的细节的数据。

根据一个优选实施方式，将肺音数字生物标志物信号进行至少一层分解的步骤可以包括：基于小波变换方法和/或离散小波变换方法分解肺音数字生物标志物信号以得到高频小波系数和低频小波系数，基于高频小波系数和低频小波系数的系数之和形成重构信号。重构信号的高频特征包括较多的呼吸细节。因此，分解出高频特征和低频特征，能够提取出更多的与呼吸特征相关的数据。

根据一个优选实施方式，将肺音数字生物标志物信号进行至少一层分解的步骤还包括：将每一层分解得到的重构信号中的高频小波系数和低频小波系数分别进行再次分解，得到若干高频小波系数；将得到的若干高频小波系数按照频率范围排序以表示肺音的原始信号。将每一个重构信号都进行再次分解，就相当于将呼吸特征中的与细节相关的数据被反复提取出来，最终得到含有多个维数的原始信号，依据多维数的原始信号提取的呼吸特征足够丰富，有利于对肺部情况进行准确判断。

根据一个优选实施方式，基于小波变换方法和/或离散小波变换方法将肺音数字生物标志物信号进行至少三层分解。若分解层数少于三层，那么特征向量的维数就会少甚至形成单一的高频小波系数，就无法将呼吸的多个细节以数据的方式提取出来。进行三层分解，能够得到三个维数的高频小波系数，最终形成具有三个维数的特征向量。

根据一个优选实施方式，在将每一层分解得到的重构信号进行再次分解的过程中，将由高频小波系数分解得到的低频小波系数舍弃。将由上一层分解步骤得到的低频小波系数再次分解，并且将得到的新高频小波系数和新低频小波系数保留。由于低频部分具有较平滑的特征，几乎不含有呼吸细节，因此将低频小波系数舍弃。将能够提供较多呼吸细节的高频小波系数进行进一步提取。分层次数越多，提取出的与呼吸细节相关的高频小波系数越多。

根据一个优选实施方式，构建与呼吸周期相关的特征向量的步骤可以包括：在将呼气过程中的肺音数字生物标志物信号进行逐层分解后，基于最后一层分解得到高频小波系数计算能量并构建第一特征向量；在将吸气过程中的肺音数字生物标志物信号进行逐层分解后，基于最后一层分解得到高频小波系数计算能量并构建第二特征向量；将由第一特征向量和第二特征向量组合形成与呼吸周期相关的特征向量进行归一化处理，得到特征向量的总能量。根据呼吸周期的全部呼吸过程提取出的特征向量才能够全面反映肺音特征。将特征向量进行归一化处理，能够消除信号间能量大小的差异。

根据一个优选实施方式，对特征向量进行降维处理的步骤可以包括：将归一化后的特征向量基于PCA算法进行降维。通过降维处理，有利于减少后续处理的计算量，同时不会降低呼吸特征提取的准确程度。

本发明从第二方面提供一种肺音数字生物标志物信号处理系统，包括至少一个处理器。处理器被配置为：基于小波变换方法和/或离散小波变换方法将肺音数字生物标志物信号进行至少一层分解并得到至少一个重构信号；选择重构信号中的高频小波系数并提取能量值；基于能量值构建与呼吸周期相关的特征向量，对特征向量进行降维处理以得到肺音特征。

本发明的系统，涉及的硬件少，能够被灵活地设置在采集现场，甚至能够被远程设置。本发明的处理器提取得到的肺音特征，数据的维数更多，表征的信息更丰富。

根据一个优选实施方式，处理器还被配置为：将每一层分解得到的重构信号中的高频小波系数和低频小波系数分别进行再次分解，得到若干高频小波系数；将得到的若干高频小波系数按照频率范围排序以表示肺音的原始信号。由本发明的系统得到的重构后的原始信号，能够反复提取出体现呼吸细节的高频小波系数，因此关于呼吸的信息含量更丰富。

根据一个优选实施方式，系统还包括与处理器以有线和/或无线方式连接的若干肺音采集组件。若干肺音采集组件采集至少一个呼吸周期内的肺音数字生物标志物信号。通过设置肺音采集组件，有利于实时采集肺部数字生物标志物信号。

附图说明

图1是本发明提供的一种优选实施方式的三层小波分解结构图；

图2是本发明提供的一种优选实施方式的肺音采集组件的简化人体放置位置示意图；

图3是本发明提供的另一种优选实施方式的肺音采集组件的简化人体放置位置示意图。

附图标记列表

1：肺音采集组件；11：第一声音传感器；12：第二声音传感器；13：第三声音传感器；14：第四声音传感器；2A：第一点状声音传感元件；2B：第二点状声音传感元件；2C：第三点状声音传感元件；2D：第四点状声音传感元件；3A：第五点状声音传感元件；3B：第六点状声音传感元件；3C：第七点状声音传感元件；3D：第八点状声音传感元件；3E：第九点状声音传感元件。

具体实施方式

下面结合附图进行详细说明。

本发明对于部分名词术语进行解释说明。

低频：在小波分解中，低频部分表示信号的主要、较低频率成分。这部分包含了信号中的整体趋势和慢变化特征。高频：高频部分包含了信号中的高频率成分和细微的波动。这部分用于捕获信号中的局部细节和快速变化特征。

低频小波系数：是指经过小波变换之后低频信号部分的结果。

高频小波系数：是指经过小波变换之后高频信号部分的结果。

本发明中，高频和低频的划分依据基于原始小波变换而来。信号通过高通滤波器和低通滤波器将其分为两部分——低通部分和高通部分。低频小波系数和高频小波系数不具是固定的频率范围。低频小波系数和高频小波系数是在进行一次小波变换之后得到的两个相对概念。在进行一次小波变换之后，通过低通滤波器的低频信号的频率范围称为低频小波系数；通过高通滤波器的高频信号的频率范围称为高频小波系数。

通过多层次的分解，可以将信号分解成不同频率和尺度上的成分，从而更好地捕捉信号的多样性和复杂性。这有助于增强信号的特征提取能力，能够更准确地识别信号中的关键特征。通过对高频部分进一步的划分，是为了捕获更多局部信息，能够更精确地分析信号的细微结构。

肺音数字生物标志物信号：是指基于采集的肺音转化形成的能够代表生物的肺音的数字信号。

本发明中的肺音数字生物标志物信号，可以实时从具有肺部组织的动物或人的身体上实时采集，也可以从肺音数据库获取。肺音信号使用数字电子听诊器进行采集。当采集肺音数字生物标志物信号时，获取每个个体分别在六分钟正常静坐呼吸，六分钟步行实验呼吸状态下的肺音数据。从中筛选出典型的正常肺音、COPD肺音、AECOPD肺音数据各50例，组成包含150例样本的肺音数据库。

实施例1

现有技术中的对于肺音的分析方法，仅仅局限于将肺音数字生物标志物信号进行简单的算法分析。这样分析的弊端在于，数字生物标志物信号的分析维数单一，无法对肺部的呼吸情况进行准确判断。因此，如何将从肺部采集的肺音数字生物标志物信号进行多维数分析，以得到肺部的准确的呼吸特征，是本发明要解决的技术问题。

针对现有技术之不足，本发明公开了一种肺音数字生物标志物信号处理方法，方法可以包括：

S1：基于小波变换方法和/或离散小波变换方法将肺音数字生物标志物信号进行至少一层分解并得到至少一个重构信号。

S2：选择重构信号中的高频小波系数并提取能量值。

S3：基于能量值构建与呼吸周期相关的特征向量。

S4：对特征向量进行降维处理以得到肺音特征。

本发明通过将肺音数字生物标志物信号进行多次分解，能够获取多个频率段的重构信号。重构信号包括高频小波系数和低频小波系数两部分。低频部分具有较平滑的特征，而高频部分则包含了更细节的信息。将重构信号进行多层分解，能够获取更多的细节信息，为后期的呼吸特征分析提供丰富的细节的数据。

肺音数字生物标志物信号直接被用于分析处理，会含有大量的杂音。因此，肺音数字生物标志物信号最好进行预处理。

肺音数字生物标志物信号进行预处理的步骤如下所示。使用自适应滤波器LMS(Least Mean Square)滤波器，来降低信号中的噪声。采集到的肺音信号中不可避免地包含一部分心音成分，并且两者在频率上高度重合。本文对分解获得的小波系数使用阈值法去除心音的干扰，得到了较纯净的肺音信号小波系数。

本发明中，小波变换方法的原理如下所示。

对于待分析的平方可积信号f(t)，其连续小波变换为：

f(t)是输入信号，a和b是尺度和平移参数，ψ

本发明中，离散小波变换方法的原理如下所示。

对于a以2的整数次方得到的小波，通常称为“二进”小波，即a＝2

此时信号f(t)的离散小波变换为：

肺音数字生物标志物信号同样可以由WT

因此，本发明中提及的分解方法，可以指小波变换方法，也可以指离散小波变换方法。在肺音数字生物标志物信号被逐层分解的过程中，小波变换方法和离散小波变换方法也可以在不同层的分解中混合使用。

本发明优选使用二进小波变换对信号进行多次分解，以获得多个频率段的重构信号。低频部分具有较平滑的特征，而高频部分则包含了更细节的信息。在分析高频分量时，小波变换对应于时域信号中的快速变化部分。在这种情况下，时域分辨率需要满足快速变化元素之间距离的要求，频率分辨率的要求相对较低，更容易满足。然而，在分析低频分量时，小波变换对应于信号的缓慢变化部分。在这种情况下，更注重频域分辨率，时域分辨率相对较容易满足。此外，信号分析的中心频率应该移动到较低的频率位置。因此，基于二进小波变换的优点，本发明对肺音数字生物标志物信号进行逐层分解。

S1：基于小波变换方法和/或离散小波变换方法将肺音数字生物标志物信号进行至少一层分解并得到至少一个重构信号。

S11：基于小波变换方法和/或离散小波变换方法分解肺音数字生物标志物信号以得到高频小波系数和低频小波系数，基于高频小波系数和低频小波系数的系数之和形成重构信号。

本发明以Coieflet小波分解方法为例对本发明的肺音数字生物标志物信号处理方法进行示例性说明。

初始信号f(t)可以由以下公式表示：

其中t＝0,1,…,N-1。N表示采样数；h和g表示低通滤波器和高通滤波器的重构信号；A

分解后得到的重构信号可以表示为：

重构信号的高频特征包括较多的呼吸细节。因此，分解出高频特征和低频特征，能够提取出更多的与呼吸特征相关的数据。

低频分量通常代表了信号的大致轮廓，不包含细微的变化和快速的振荡。它对于捕获信号的全局信息和整体结构非常重要。高频分量对于描述信号中的突变、噪声或尖锐的边缘非常有用。它提供了信号的局部细节信息，使得能够更精确地分析信号的细微结构。将信号分解为低频和高频部分，可以选择性地保留或丢弃高频细节信息。这种特性对信号压缩非常有用，因为可以通过舍弃一些高频小波系数来实现数据压缩，同时保留信号的主要结构。

S12：将每一层分解得到的重构信号中的高频小波系数和低频小波系数分别进行再次分解，得到若干高频小波系数。

本发明可以将肺音数字生物标志物信号进行一层分解并得到具有单一维数的重构信号。本发明还可以将肺音数字生物标志物信号进行两层分解并得到具有两个维数的重构信号。本发明还可以将肺音数字生物标志物信号进行多于两层分解并得到大于两个维数的重构信号。

优选地，本发明将肺音数字生物标志物信号进行至少三层分解。若分解层数少于三层，那么特征向量的维数就会少，甚至形成单一的高频小波系数，就无法将呼吸的多个细节以数据的方式提取出来。进行三层分解，能够得到三个维数的高频小波系数，最终形成具有三个维数的特征向量。

本发明将肺音数字生物标志物信号进行三层分解的步骤作为示例进行说明。

如图1所示，基于小波分解方法将肺音数字生物标志物信号进行第一层分解以得到第一低频小波系数a

将第一低频小波系数a

将第一高频小波系数d

将第二低频小波系数a

将第二高频小波系数d

将第三高频小波系数d

如图1所示，肺音数字生物标志物信号进行三层分解，得到的重构信号包括第四高频小波系数d

肺音数字生物标志物信号的频率为100～2000Hz。根据奈奎斯特采样定理实验信号的采样频率将肺音数字生物标志物信号的频率定为4000Hz。观察发现肺音数字生物标志物信号在1000Hz以上的频率成分极少，因此本发明可以把需要分析的重构信号的频率范围定为100～1000Hz。这样设定频率范围，还将心音部分除去。

将每一个重构信号都进行再次分解，就相当于将呼吸特征中的与细节相关的数据被反复提取出来，最终得到含有多个维数的原始信号，依据多维数的原始信号提取的呼吸特征足够丰富，有利于对肺部情况进行准确判断。

本发明还可以将肺音数字生物标志物信号进行五层分解的步骤作为示例进行说明。

肺音数字生物标志物信号的原始信号的频率范围为0～2000Hz。

第一层分解：

将肺音数字生物标志物信号分解以得到第一低频小波系数A

第二层分解：

将第一低频小波系数A

将第一高频小波系数D

第三层分解：

将第二低频小波系数A

将第二高频小波系数D

将第三高频小波系数D

第四层分解：

将第三低频小波系数A

将第四高频小波系数D

将第五高频小波系数D

将第六高频小波系数D

第五层分解：

将第四低频小波系数A

将第七高频小波系数D

将第八高频小波系数D

将第九高频小波系数D

将第十高频小波系数D

此时频率范围已经足够小，不再继续分解。各层分解对应的频率范围如表1所示。

在上述步骤中，通过多层次的分解，本发明可以将信号分解成不同频率和尺度上的成分，从而更好地捕捉信号的多样性和复杂性。这有助于增强信号的特征提取能力，能够更准确地识别信号中的关键特征。通过对高频部分进一步的划分，是为了捕获更多局部信息，能够更精确地分析信号的细微结构。虽然第一层分解得到的低频小波系数范围“0～1000Hz”能够覆盖第四层分解得到的高频小波系数范围“125～250Hz”，但是本发明没有选择第一层的高频小波系数、仅选择了第五层得到的结果。因此，上述低频小波系数和高频小波系数不存在矛盾选择。

本发明将高频小波系数进行多层次分解的优势在于：

(1)实现更精确的频率定位：频率范围小意味着可以更精确地定位信号中的频率成分。这对于分析信号中的局部特征和快速变化非常有用，因为它可以提供对频率变化的高分辨率。

(2)具有更好的时频局部性：较小的频率范围使得它更适合分析信号的瞬时频率，从而更好地捕捉信号的瞬时特性。

(3)实现更好的细节捕捉效果：频率范围小的小波基函数对信号的细节部分更为敏感。本发明能够在捕捉信号中的细微结构和特征时表现出色，尤其在噪声较小的情况下。

(4)实现更好的噪声分离效果：较小的频率范围有助于分离信号和噪声，因为噪声通常在较高频率范围内更明显。

(5)实现多尺度分析：增加分解层数可以实现多尺度分析，允许在不同尺度下查看信号的细节。

表1各层低频小波系数和高频小波系数的频率范围

S13：将得到的若干高频小波系数按照频率范围排序以表示肺音的原始信号。

取第5层分解的高频小波系数D

优选地，在将每一层分解得到的重构信号进行再次分解的过程中，将由高频小波系数分解得到的低频小波系数舍弃。将由低频小波系数分解得到的新高频小波系数和新低频小波系数保留。由于低频部分具有较平滑的特征，几乎不含有呼吸细节，因此将低频小波系数舍弃。将能够提供较多呼吸细节的高频小波系数进行进一步提取。分层次数越多，提取出的与呼吸细节相关的高频小波系数越多。

S2：选择重构信号中的高频小波系数并提取能量值。

不同种类肺音具有不同的声学特征，其在整个频率范围内应该具有不同的能量分布。小波系数刚好是时域信号在特定频率段的表示，因此可以选择计算最后一层小波系数的能量并作为该频率段的特征。设E

n为D

S3：基于能量值构建与呼吸周期相关的特征向量。

肺音数字生物标志物信号的一个周期的数据有呼气和吸气两部分组成。

在将呼气过程中的肺音数字生物标志物信号进行逐层分解后，基于最后一层分解得到高频小波系数计算能量并构建第一特征向量。在将吸气过程中的肺音数字生物标志物信号进行逐层分解后，基于最后一层分解得到高频小波系数计算能量并构建第二特征向量。将由第一特征向量和第二特征向量组合形成与呼吸周期相关的特征向量进行归一化处理，得到特征向量的总能量。根据呼吸周期的全部呼吸过程提取出的特征向量才能够全面反映肺音特征。将特征向量进行归一化处理，能够消除信号间能量大小的差异。

具体地，将呼气和吸气两个特征向量合二为一。即，形成表示信号一个周期能量分布的特征向量。肺音数字生物标志物信号的原始信号变为一个10维的向量，即:

E＝[Ex，5，Ex，5′，Ex，5″，Ex，5″′，Ex，5″″，Ey，5，Ey，5′，Ey，5″，Ey，5″′，Ey，5″″]。

为了消除信号间能量大小的差异，需要进行归一化处理。设特征向量的总能量为E

对每个能量进行归一化，即：

S4：对特征向量进行降维处理以得到肺音特征。

对特征向量进行降维处理的步骤可以包括：将归一化后的特征向量基于主成分分析(Principal Component Analysis，PCA)算法进行降维。通过降维处理，有利于减少后续处理的计算量，同时不会降低呼吸特征提取的准确程度。

主成分分析(Principal Component Analysis，PCA)算法种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。

本发明进行降维处理的优势在于：

(1)能够降低数据维度：PCA可以将高维数据降低到较低维度，从而减少数据中的冗余信息。这有助于简化数据集，使其更易于处理和理解。

(2)能够去除相关性：PCA的目标是找到数据中最重要的方向(主成分)，这些方向是数据中最大方差的方向。通过选择这些主成分，PCA有助于减少数据特征之间的相关性。这在处理高度相关的特征时特别有用，因为相关特征可能导致过拟合，并且降低模型的性能。

(3)实现噪声过滤：PCA有助于去除数据中的噪声，因为它将注意力集中在具有最大方差的主成分上，而噪声通常具有较小的方差。通过保留前几个主成分，可以去除数据中的噪声成分。

(4)减少计算复杂性：在高维数据集中，计算和存储开销可能很大。通过降低数据维度，PCA可以显著减少计算复杂性，从而加速数据分析和建模过程。

S5：进行特征选择。

数据准备：首先，将肺部声音信号经过改进的小波变换得到的特征向量作为输入数据。

构建随机森林：使用训练数据集构建一个随机森林分类器。随机森林是一种集成学习方法，由多个决策树组成。每个决策树都会基于不同的特征子集进行训练。

特征重要性评估：在构建好的随机森林模型中，使用内置的特征重要性评估方法来确定每个特征在模型中的相对重要性。

特征重要性评估的原理是通过分析机器学习模型对不同特征的使用情况来确定每个特征在模型中的相对重要性。

特征重要性评估的步骤如下：

S21：训练模型：首先，使用拟合数据来训练一个随机森林模型

S22：记录基准性能：在开始特征重要性评估之前，记录模型的基准性能指标，例如模型的准确率、均方误差(MSE)等。这将作为参考，用于评估特征选择对模型性能的影响。

S23：打乱特征：打乱特征的值顺序，即将特征的值顺序随机打乱，而不改变其他特征和目标变量的值。

S24：测量性能下降：在打乱特征后，重新运行模型，并测量性能下降的程度。通常，性能下降可以使用模型性能指标(如准确率、MSE)的变化来衡量。较大的性能下降表明该特征在模型中具有重要性。

S25：重复步骤S23和S24：依次对每个特征进行步骤S23和S24的操作，以测量每个特征对模型性能的影响。这将为每个特征产生一个性能下降的度量。

S26：特征重要性排序：根据性能下降的程度，对特征进行排序。通常，性能下降越大的特征被认为越重要。你可以将特征按照性能下降的大小降序排列，从最重要的特征到最不重要的特征。

特征选择：根据特征重要性评估的结果，选择排名前20％的特征。

模型评估：使用选定的特征向量重新训练随机森林模型，并使用交叉验证来评估模型的性能。

具体地，交叉验证的步骤包括：

S31：数据集分割：将数据集分成k个近似相等的子集，每个子集称为一个折叠(fold)。

S32：模型训练与测试：对于每个折叠，依次将其作为测试集，其他k-1个折叠作为训练集。这意味着需要执行k次训练和测试。

S33：模型训练：在每次训练中，使用k-1个折叠的数据来训练模型。这就是模型学习的过程。

S34：模型测试：在每次测试中，使用剩下的一个折叠的数据来评估模型的性能。使用一个评估指标均方误差来度量模型在测试集上的性能。

S35：性能记录：将每次测试的性能指标记录下来，通常会计算平均性能指标和标准差，以便综合评估模型的性能。

S36：重复步骤：重复步骤S32到步骤S35，直到每个折叠都曾被用作测试集。

S37：性能汇总：将每次测试的性能指标进行汇总，计算平均性能和标准差，以获取模型的最终性能评估。

S38：模型选择和调优：根据性能评估结果，选择最佳的模型或调整模型的超参数，以提高模型的性能。

迭代优化：如果模型性能不理想，可以调整特征重要性的阈值，来优化模型，从而获得最终的特征向量。

通过特征选择，本发明能够建立标准化模型来对肺音数字生物标志物信号进行准确地分析，并且得到准确的评估结果。

实施例2

本实施例是对实施例1的进一步改进，重复的内容不再赘述。

本发明从第二方面提供一种肺音数字生物标志物信号处理系统，包括至少一个处理器。处理器被配置为：基于小波变换方法和/或离散小波变换方法将肺音数字生物标志物信号进行至少一层分解并得到至少一个重构信号；选择重构信号中的高频小波系数并提取能量值；基于能量值构建与呼吸周期相关的特征向量，对特征向量进行降维处理以得到肺音特征。

处理器能够运行本发明的肺音数字生物标志物信号处理方法的编码程序。即处理器为能够执行本发明的方法的服务器、专用集成芯片和/或服务器群组、云服务器等等。

本发明的系统涉及的硬件少，能够被灵活地设置在采集现场，甚至能够被远程设置。本发明的处理器提取得到的肺音特征，数据的维数更多，表征的信息更丰富。

根据一个优选实施方式，处理器还被配置为：将每一层分解得到的重构信号中的高频小波系数和低频小波系数分别进行再次分解，得到若干高频小波系数；将得到的若干高频小波系数按照频率范围排序以表示肺音的原始信号。由本发明的系统得到的重构后的原始信号，能够反复提取出体现呼吸细节的高频小波系数，因此关于呼吸的信息含量更丰富。

具体的每层的分解步骤不再赘述。

本发明的系统还可以包括预处理模块，用于对肺音数字生物标志物信号进行预处理。

根据一个优选实施方式，系统还包括与处理器以有线和/或无线方式连接的若干肺音采集组件1。若干肺音采集组件1采集至少一个呼吸周期内的肺音数字生物标志物信号。通过设置肺音采集组件，有利于实时采集肺部数字生物标志物信号。

具体地，肺音采集组件1采集若干个患者个体在预定时间内正常静坐呼吸以及步行呼吸状态下的肺音数字信号。

根据一种优选的实施方式，在患者日常行动期间佩戴有肺音采集组件1的情况下，肺音采集组件1采集连续时间段内患者肺部气流摩擦产生的肺音并将产生的肺音发送至预处理模块以存储为肺音数字信号。如图2和图3所示，肺音采集组件1包括设置于患者身体各处的用于采集肺音的第一声音传感器11、第二声音传感器12、第三声音传感器13和第四声音传感器14。本发明具体列出了声音传感器的四种设置方式，但是不代表本发明不包括设置于患者身体其余位置的第五声音传感器或第六声音传感器等。

优选地，如图2所示，在患者环状软骨延胸部前正中线至胸骨角处贴敷设置有第一声音传感器11，以对气管肺音进行采集。上述环状软骨代表患者的气管颈部的起点，即，患者胸骨上窝。上述胸骨角代表患者的气管胸部终点或分岔处。第一声音传感器11包含可移除地贴附设置在患者颈部气管软骨和/或胸骨上的若干声音传感元件。

优选地，如图2所示，在患者与胸骨角相连的左侧第二肋骨开始处贴附设置有第二声音传感器12，以对左支气管的肺音进行采集。患者与胸骨角相连的左侧第二肋骨代表患者的左主支气管起始处，即，患者的胸骨柄左侧。第二声音传感器12包含沿肋骨延伸方向可移除地贴附设置在第二肋骨至第六肋骨上的若干声音传感元件。之所以采用可移除地贴附设置方式，是因为肋骨定位不能完全地进行精准的肺音定位采集。由此，医务人员能够通过第二声音传感器12的位置的更改以采集气管分支的声音。

优选地，如图2所示，在患者与胸骨角相连的右侧第二肋骨开始处贴附设置有第三声音传感器13，以对右支气管的肺音进行采集。患者与胸骨角相连的右侧第二肋骨代表患者的右主支气管起始处，即，患者的胸骨柄右侧。第三声音传感器13包含沿肋骨延伸方向可移除地贴附设置在第二肋骨至第六肋骨上的若干声音传感元件。

优选地，如图3所示，在患者背部的两侧肩胛之间的区域设置有第四声音传感器14，以对患者的气管和支气管的声音进行辅助采集。上述患者背部的两侧肩胛之间的区域是指从患者两侧肩胛骨下角沿两侧肩胛线的区域。第四声音传感器14包含可移除地设置在肩胛之间的区域的胸椎和第二肋骨至第六肋骨上的若干声音传感元件。

本发明通过在气管和与气管位置相关的气管软骨、肋骨、胸椎等人骨的位置处设置声音传感元件，可以从人体外部实施更具有方向导向的气管、支气管内肺音的采集。

优选地，上述各个声音传感器能够为带状设置。声音传感器包含能够贴附于患者皮肤的贴附带和若干能够采集并记录局部声音的点状声音传感元件。点状声音传感元件沿其所在的声音传感器针对的气管的延伸方向布设。优选地，贴附带设置有若干用于安装点状声音传感元件的点位。医务人员能够根据X光片确定的气管在体内铺设的具体情况针对性地进行声音传感器的位置设置。优选地，医务人员能够根据获取的左主支气管和右主支气管长度粗细、分支状态不同的情况对点状声音传感元件的安装数量进行个性化的设计。

例如，根据X光显示的患者气管分布情况，如图2所示，第二声音传感器12分别设置第一点状声音传感元件2A、第二点状声音传感元件2B、第三点状声音传感元件2C、第四点状声音传感元件2D共计4个点状声音传感元件分别对左主支气管的起始端、左主支气管的分叉端、左上叶支气管和左下叶支气管进行声音的采集。第三声音传感器13分别设置第五点状声音传感元件3A、第六点状声音传感元件3B、第七点状声音传感元件3C、第八点状声音传感元件3D、第九点状声音传感元件3E共计5个点状声音传感元件分别对右主支气管的起始端、右主支气管的分叉端、右上叶支气管、右中叶支气管和右下叶支气管进行声音的采集。

再例如，如图2所示，由于左右两侧气管分支不同和/或患者左侧具有心脏腔室，因此，第二声音传感器12和第三声音传感器13不对称设置。

医务人员将第一声音传感器11中的若干个声音传感元件依据气管软骨环的分节情况布设。医务人员将第二声音传感器12和第三声音传感器13参考两侧主支气管的延伸长度、角度和分支的特点来布设。如图3所示，医务人员主要根据第一声音传感器11、第二声音传感器12和第三声音传感器13的布设情况将第四声音传感器14在患者的背部肩胛之间的肋骨和胸椎上辅助布设。第四声音传感器14还能够对患者前胸前颈未采集肺音的区域进行补充采集。

优选地，肺音数字信号是由各个点状声音传感元件采集的声音信号组成并包含各个点状声音传感元件编号信息的复合声音信号。

需要注意的是，上述具体实施例是示例性的，本领域技术人员可以在本发明公开内容的启发下想出各种解决方案，而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白，本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。本发明说明书包含多项发明构思，诸如“优选地”“根据一个优选实施方式”或“可选地”均表示相应段落公开了一个独立的构思，申请人保留根据每项发明构思提出分案申请的权利。