一种罗音检测的方法和装置的制造方法
【专利摘要】本发明涉及一种罗音检测方法及装置，在一个实施例中，该方法包括：接收待测肺音信号，并将小波信号与待测肺音信号卷积进行小波变换，获得第一级分解信号；对第一级分解信号进行奇异值分解获得对应的第一级奇异值；至少根据第一级奇异值构建待测肺音信号的特征向量；将待测肺音信号的特征向量送入已训练的分类器中进行判别，输出判别结果。本发明实施例所提供的罗音检测方法及装置具有较高的检测准确率，其检测准确率可以达到100％，具有良好的应用前景。
【专利说明】
一种罗音检测的方法和装置
技术领域
[0001] 本发明涉及生物医学信号处理技术领域，尤其涉及一种罗音检测的方法和装置。
【背景技术】
[0002] 呼吸系统疾病是常见疾病，例如哮喘、慢性阻塞性肺疾病(chronic obstructive pulmonary disease，简称COF1D)、肺炎、支气管炎等。近年来随着空气污染和其他环境因素， 呼吸系统疾病患病率持续增长，肺部疾病诊断得到了更多的关注。肺部呼吸音含有大量信 息，是反应肺的生理及病理的一项重要指标。其中，罗音是一种常见的肺部异常音，与肺炎 等疾病密切相关。目前，临床医学对罗音的诊断主要依靠听诊，这很大程度上依赖于医生的 听诊技术和临床经验，主观性较强。相比于传统的听诊，研究一种精度较高、非侵入式的客 观的肺部异常音检测技术显得尤为重要。
[0003] 现阶段，国内外越来越多的研究者致力于肺音信号研究，通过信号处理技术分析 肺音，提取其中的生理及病理信息，建立一个分类系统，以准确地量化正常和异常肺音，从 而为肺的状态评估及疾病诊断提供更多的依据。目前，采用信号处理技术检测罗音可通过 时频分析(短时傅里叶变换、小波分解等)提取其特征(功率、分形维数等），通过机器学习或 者神经网络的方法训练分类器，从而对罗音进行识别。
[0004] 小波分析由于其可变化的时频分辨率在时频分析中得到广泛应用，小波变换 (wavelet transform，简称WT)与傅里叶变换相比，小波变换是时间（空间）频率的局部化分 析，它通过伸缩平移运算对信号（函数)逐步进行多尺度细化，最终达到高频处时间细分，低 频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了傅 里叶变换的困难问题，但是由于罗音波形的特殊性，目前并没有找到较为合适的小波应用 于罗音检测，从而影响了检测准确率。
【发明内容】
[0005] 为解决上述问题，第一方面，本发明实施例提供了一种罗音检测的分类器训练方 法，该方法包括:接收肺音训练信号，将小波信号与接收到的肺音训练信号卷积，进行小波 变换，获得第一级分解信号;对第一级分解信号进行奇异值分解获得对应的第一级奇异值； 至少根据第一级奇异值构建肺音训练信号的特征向量;通过肺音训练信号的特征向量，训 练分类器。
[0006] 可选地，上述方法还包括:对第一级分解信号进行η倍降采样，获得第一降采样信 号，将小波信号与第一降采样信号卷积进行小波变换，获得第二级分解信号;其中，η为大于 1的正整数，如2;对第二级分解信号进行η倍降采样，获得第二降采样信号，将小波信号与第 二降采样信号卷积进行小波变换，获得第三级分解信号;对第二级分解信号和第三级分解 信号分别进行奇异值分解获得对应的第二级奇异值和第三级奇异值。
[0007]可选地，在上述方法中，小波信号为罗音模拟信号。
[0008]可选地，在上述方法中，当第一级奇异值为根据第一级分解信号进行奇异值分解 获得对应的L个奇异值时，步骤至少根据所述第一级奇异值构建所述肺音训练信号的特征 向量，包括:将L个奇异值相加，获得奇异值和;将每个奇异值与奇异值和作比，获得L个比 值，将L个比值组成第一级特征向量;至少根据第一级特征向量构建所述肺音训练信号的特 征向量。
[0009] 可选地，上述方法还包括:将根据第二级分解信号进行奇异值分解获得对应的L个 奇异值作为第二级奇异值，并将L个奇异值相加，获得奇异值和;将每个奇异值与奇异值和 作比，获得L个比值，将L个比值组成对应的第二级特征向量;将根据第三级分解信号进行奇 异值分解获得对应的L个奇异值作为第三级奇异值，并将L个奇异值相加，获得奇异值和;将 每个奇异值与奇异值和作比，获得L个比值，将L个比值组成对应的第三级特征向量。
[0010] 可选地，在上述方法中，步骤至少根据第一级奇异值构建肺音训练信号的特征向 量包括:根据第一级特征向量、或者第一级特征向量和第二级特征向量、或者第一级特征向 量和第二级特征向量和第三级特征向量构建肺音训练信号的特征向量。
[0011] 可选地，在上述方法中，分类器为支持向量机分类器。
[0012] 第二方面，本发明实施例提供一种罗音检测方法，该方法包括:接收待测肺音信 号，并将小波信号与待测肺音信号卷积，进行小波变换，获得第一级分解信号;对第一级分 解信号进行奇异值分解获得对应的第一级奇异值;至少根据第一级奇异值构建待测肺音信 号的特征向量;将待测肺音信号的特征向量送入已训练的分类器中进行判别，输出判别结 果。
[0013] 可选地，上述方法还包括:对第一级分解信号进行η倍降采样，获得第一降采样信 号，将小波信号与第一降采样信号卷积进行小波变换，获得第二级分解信号;对第二级分解 信号进行η倍降采样，获得第二降采样信号，将小波信号与第二降采样信号卷积进行小波变 换，获得第三级分解信号；其中，η为大于1的正整数;对第二级分解信号和第三级分解信号 分别进行奇异值分解获得对应的第二级奇异值和第三级奇异值。
[0014]可选地，在上述方法中，小波信号为罗音模拟信号。
[0015] 可选地，在上述方法中，当第一级奇异值为根据第一级分解信号进行奇异值分解 获得对应的L个奇异值时，步骤至少根据所述第一级奇异值构建所述肺音训练信号的特征 向量，包括:将L个奇异值相加，获得奇异值和;将每个奇异值与奇异值和作比，获得L个比 值，将L个比值组成第一级特征向量;至少根据第一级特征向量构建所述肺音训练信号的特 征向量。
[0016] 可选地，上述方法还包括，将根据第二级分解信号进行奇异值分解获得对应的L个 奇异值作为第二级奇异值，并将L个奇异值相加，获得奇异值和;将每个奇异值与奇异值和 作比，获得L个比值，将L个比值组成对应的第二级特征向量;将根据第三级分解信号进行奇 异值分解获得对应的L个奇异值作为第三级奇异值，并将L个奇异值相加，获得奇异值和;将 每个奇异值与奇异值和作比，获得L个比值，将L个比值组成对应的第三级特征向量。
[0017] 可选地，在上述方法中，步骤至少根据第一级奇异值构建待测肺音信号的特征向 量，包括:根据第一级特征向量、或者第一级特征向量和第二级特征向量、或者第一级特征 向量和第二级特征向量和第三级特征向量构建肺音训练信号的特征向量。
[0018] 可选地，在上述方法中，分类器为支持向量机分类器。
[0019] 第三方面，本发明实施例提供一种罗音检测装置，该装置包括:小波变换单元用于 接收待测肺音信号，将小波信号与待测肺音信号卷积进行小波变换，获得至少一级分解信 号;奇异值分解单元用于接收至少一级分解信号，并分别对至少一级分解信号进行奇异值 分解获得对应的至少一级奇异值;特征向量构建单元用于根据至少一级奇异值构建待测肺 音信号的特征向量;分类单元用于将待测肺音信号的特征向量送入已训练的分类器中进行 判别，输出判别结果。
[0020] 本发明实施例所提供的罗音检测方法及装置，通过将罗音模拟信号作为基小波， 首先对肺音信号进行小波分解，提取其特征波形，然后对分解信号进行奇异值分解，将奇异 值组成特征向量，选取支持向量机训练分类器，对肺音中是否含有罗音进行检测。该方法具 有较高的检测准确率，其检测准确率可以达到1〇〇%，具有良好的应用前景。
【附图说明】
[0021] 了更清楚地说明本发明实施例的技术方案，下面将对实施例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它的附 图。
[0022] 图1为本发明实施例提供的一种罗音检测的分类器训练方法；
[0023] 图2为本发明实施例提供的一种罗音检测方法流程图；
[0024]图3为本发明实施例提供的一种罗音检测装置。
【具体实施方式】
[0025] 下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
[0026] 罗音在时频域具有明显特征:在时域上，罗音开始于一个突然的尖锐震荡然后逐 渐展宽，持续时间一般小于20ms;在频域上，其频率一般在150-1800HZ，与正常肺音的频率 有较大差别。
[0027] 罗音的检测过程包括训练过程和识别过程。训练过程包括接收正常肺音和罗音两 类若干训练肺音信号，提取训练肺音信号的特征信息，构建训练肺音信号的特征向量，利用 该特征向量训练分类器;识别过程包括接收待测肺音，提取待测肺音的特征信息，构建待测 肺音信号的特征向量，并利用训练过程得到的分类器根据待测肺音的特征向量对其进行分 类识别，输出识别结果。
[0028] 图1为本发明实施例提供的一种罗音检测的分类器训练方法，如图1所示，该方法 包括步骤SlOl-步骤S104:
[0029] 步骤SlOl，接收肺音训练信号，将小波信号与接收到的肺音训练信号卷积，进行小 波变换，获得第一级分解信号；
[0030] 可选地，"步骤Sior还包括:对第一级分解信号进行η倍降采样，获得第一降采样 信号，将小波信号与第一降采样信号卷积进行小波变换，获得第二级分解信号;对第二级分 解信号进行η倍降采样，获得第二降采样信号，将小波信号与第二降采样信号卷积进行小波 变换，获得第三级分解信号;其中，所述η为大于1的正整数，在本实施例中η为2。
[0031] 可选地，采用罗音模拟信号作为小波信号对肺音训练信号进行小波变换，罗音波 形模拟公式如下：
[0032] g(t) = sin (2!l X /() X iWl) X iii2 X e%:,
[0033] 其中，ai = 0.5, a2 = 1.49, a3 = 0.78, fo = 2.0〇
[0034] 需要说明的是，接收到的肺音训练信号伴有心音、消化道音以及环境噪音等噪声 信号。基小波信号为罗音模拟信号，该罗音模拟信号最大程度的逼近真实的罗音波形，所以 基于罗音模拟信号对肺音训练信号进行分解，其分解效果优于一般小波变换。需要说明的 是，罗音模拟信号并不是严格意义上的小波，它不满足小波所具备的归一化条件。
[0035]步骤S102,对第一级分解信号进行奇异值分解获得对应的第一级奇异值。
[0036]具体地，对第一级分解信号进行奇异值分解获得对应的L个奇异值O1，〇2，…，〇 L为 第一级奇异值，其中，〇1彡〇2彡~彡〇1^>〇1^+1 = 〇1^2 = 〇[ = 0(1'〈 = 1^)0
[0037]可选地，"步骤S102"还包括:对第二级分解信号进行奇异值分解获得第二级奇异 值，以及对第三级分解信号进行奇异值分解获得第三级奇异值，获得第二级奇异值、第三级 奇异值的具体方式与获得第一级奇异值相同，此处不予赘述。
[0038]可选地，在本发明实施例中奇异值的长度L为20。需要说明的是，可以根据检测精 度的具体要求，确定奇异值的具体长度。
[0039] 需要说明的是，奇异值分解（Singular Value Decomposition，简称SVD)，是线性 代数中一种重要的矩阵分解，是矩阵分析中正规矩阵酉对角化的推广，是现代数值分析的 最基本和最重要的工具之一。
[0040]步骤S103,至少根据第一级奇异值构建肺音训练信号的特征向量。
[0041 ]具体地，将L个第一级奇异值相加，获得奇异值和;将每个奇异值与奇异值和作比， 将作比后的L个比值组成的向量为第一级特征向量，为了更准确的描述第一级特征向量的 工作原理及过程，举例进行说明，如:计算L个第一级奇异值的和:S = 〇1+〇2+…+〇r;最终获得 的第一级特征向量为
[0042] 可选地，"步骤S103"还包括:将根据第二级分解信号进行奇异值分解获得对应的L 个奇异值作为第二级奇异值，并将L个奇异值相加，获得奇异值和;将每个奇异值与所述奇 异值和作比，获得L个比值，将L个比值组成对应的第二级特征向量；以及将根据第三级分解 信号进行奇异值分解获得对应的L个奇异值作为第三级奇异值，并将L个奇异值相加，获得 奇异值和;将每个奇异值与所述奇异值和作比，获得L个比值，将L个比值组成对应的第三级 特征向量。
[0043] 可选地，可以根据第一级特征向量、或者第一级特征向量和第二级特征向量、或者 第一级特征向量和第二级特征向量和第三级特征向量构建所述肺音训练信号的特征向量。 需要说明的是，可以根据检测精度的具体要求，确定特征向量的具体长度。
[0044] 步骤S104,根据肺音训练信号的特征向量，训练分类器。
[0045] 可选地，分类器是支持向量机（Support Vector Machine，SVM)分类器。支持向量 机是基于结构风险最小化和VC维(Vapnik-Chervonenkis Dimension)理论为基础，选择适 当的函数子集和决策函数，从而使机器学习的实际风险达到最小化，具有较好的性能，能够 较好的解决小样本、非线性以及高维模式识别中所存在的问题。在本实施例中选取线性函 数作为支持向量机的核函数，训练分类器。
[0046]需要说明的是，在具体的训练过程中，可以根据检测精度的具体要求，而选择适应 的小波分解次数，获得至少一级分解信号，如:将罗音模拟信号与肺音训练信号卷积进行小 波变换，获得第一级分解信号，对第一级分解信号进行奇异值分解获得第一级奇异值，根据 第一级奇异值得到第一级特征向量，根据第一级特征向量构建肺音信号的特征向量，并根 据该特征向量训练分类器。
[0047] 通过上述方法训练分类器后，可以利用该已训练的分类器进行罗音检测识别，下 述实施例描述的是一种罗音检测方法。
[0048] 图2为本发明实施例提供的一种罗音检测方法流程图。如图2所示，该方法包括以 下步骤S201-步骤S204:
[0049] 步骤S201，接收待测肺音信号，并将小波信号与待测肺音信号卷积进行小波变换， 获得第一级分解信号。
[0050] 可选地，"步骤S20 Γ还包括:对第一级分解信号进行η倍降采样，获得第一降采样 信号，将罗音模拟信号与第一降采样信号卷积进行小波变换，获得第二级分解信号;对第二 级分解信号进行η倍降采样，获得第二降采样信号，将罗音模拟信号与第二降采样信号卷积 进行小波变换，获得第三级分解信号;其中，所述η为大于1的正整数，在本实施例中η为2。
[0051] 可选地，采用罗音模拟信号作为小波信号对肺音训练信号进行小波变换，罗音波 形模拟公式如下：
[0052]
[0053]
[0054]需要说明的是，接收到的肺音训练信号伴有心音、消化道音以及环境噪音等噪声 信号。基小波信号为罗音模拟信号，该罗音模拟信号最大程度的逼近真实的罗音波形，所以 基于罗音模拟信号对肺音训练信号进行分解，其分解效果优于一般小波变换。需要说明的 是，罗音模拟信号并不是严格意义上的小波，它不满足小波所具备的归一化条件。
[0055]步骤S202,对第一级分解信号进行奇异值分解获得对应的第一级奇异值。
[0056]具体地，对第一级分解信号进行奇异值分解获得对应的L个奇异值O1，〇2，…，〇 L为 第一级奇异值，其中，〇1彡〇2彡~彡〇1^>〇1^+1 = 〇1^2 = 〇[ = 0(1'〈 = 1^)0
[0057]可选地，"步骤S102"还包括:对第二级分解信号进行奇异值分解获得第二级奇异 值、对第三级分解信号进行奇异值分解获得第三级奇异值，获得第二级奇异值、第三级奇异 值的具体方式与获得第一级奇异值相同，此处不予赘述。可选地，在本发明实施例中奇异值 的长度L为20。需要说明的是，可以根据检测精度的具体要求，确定奇异值的具体长度。 [00 58] 需要说明的是，奇异值分解（Singular Value Decomposition，简称SVD)，是线性 代数中一种重要的矩阵分解，是矩阵分析中正规矩阵酉对角化的推广，是现代数值分析的 最基本和最重要的工具之一。
[0059]步骤S203,至少根据第一级奇异值构建待测肺音信号的特征向量。
[0060]具体地，将L个第一级奇异值相加，获得奇异值和;将每个奇异值与奇异值和作比， 将作比后的L个比值组成的向量为第一级特征向量，为了更准确的描述第一级特征向量的 工作原理及过程，举例进行说明，如:计算L个第一级奇异值的和:S = 〇1+〇2+…+〇r;最终获得 的第一级特征向量为
[0061 ]可选地，"步骤S103"还包括:将根据第二级分解信号进行奇异值分解获得对应的L 个奇异值作为第二级奇异值，并将L个奇异值相加，获得奇异值和;将每个奇异值与所述奇 异值和作比，获得L个比值，将L个比值组成对应的第二级特征向量；以及将根据第三级分解 信号进行奇异值分解获得对应的L个奇异值作为第三级奇异值，并将L个奇异值相加，获得 奇异值和;将每个奇异值与所述奇异值和作比，获得L个比值，将L个比值组成对应的第三级 特征向量。
[0062] 具体地，可以根据第一级特征向量、或者第一级特征向量和第二级特征向量、或者 第一级特征向量和第二级特征向量和第三级特征向量构建所述待测肺音信号的特征向量。 需要说明的是，可以根据检测精度的具体要求，确定特征向量的具体长度。
[0063] 步骤S204,将待测肺音信号的特征向量送入已训练的分类器中进行分类识别，输 出识别结果，识别结果将指出该待测肺音信号中是否出现罗音。
[0064] 可选地，分类器是支持向量机分类器。支持向量机是基于结构风险最小化和VC维 理论为基础，选择适当的函数子集和决策函数，从而使机器学习的实际风险达到最小化，具 有较好的性能，能够较好的解决小样本、非线性以及高维模式识别中所存在的问题。在本实 施例中选取线性函数作为支持向量机的核函数。
[0065]需要说明的是，上述实施例仅是本发明技术方案的一种具体的实施方式，并不限 定本发明，在具体的识别过程中，可以根据检测精度的具体要求，而选择适当的小波函数及 小波分解次数，获得至少一级分解信号，如:将罗音模拟信号与肺音训练信号卷积进行小波 变换，获得第一级分解信号，对第一级分解信号进行奇异值分解获得第一级奇异值，根据第 一级奇异值得到第一级特征向量，根据第一级特征向量构建待测肺音信号的特征向量，并 将该特征向量送入已训练的分类器中进行分类识别，输出识别结果。其中，待测肺音信号的 特征向量长度与肺音训练信号的特征向量长度一致。
[0066] 相应的，本发明实施例提供了与上述实施例中的检测方法对应的检测装置。
[0067] 图3为本发明实施例提供的一种罗音检测装置，如图3所示，该装置3包括:小波变 换单元31、奇异值分解单元32、特征向量构建单元33、分类单元34;其中，
[0068] 小波变换单元31，用于接收待测肺音信号，将小波信号与所述待测肺音信号卷积 进行小波变换，获得一级或多级分解信号。
[0069] 具体地，小波变换单元31根据具体检测精度要求确定所需获取分解信号的具体级 数；
[0070] 若仅获取一级分解信号，则小波变换单元31在接收待测肺音信号后，将罗音模拟 信号与待测肺音信号卷积进行小波变换，获得第一级分解信号；
[0071] 若获取多级分解信号，如三级(第一级分解信号、第二级分解信号和第三级分解信 号），则小波变换单元31在接收待测肺音信号后，将小波信号与待测肺音信号卷积进行小波 变换，获得第一级分解信号;对第一级分解信号进行η倍降采样，获得第一降采样信号，将小 波信号与第一降采样信号卷积进行小波变换，获得第二级分解信号;对第二级分解信号进 行η倍降采样，获得第二降采样信号，将小波信号与第二降采样信号卷积进行小波变换，获 得第三级分解信号;其中，所述η为大于1的正整数，在本实施例中η为2。
[0072] 可选地，采用罗音模拟信号作为小波信号对肺音训练信号进行小波变换，罗音波 形模拟公式如下：
[0073]
[0074] 其中，ai = 0.5, a2 = 1.49, a3 = 0.78, fo = 2.0〇
[0075] 需要说明的是，接收到的肺音训练信号伴有心音、消化道音以及环境噪音等噪声 信号。基小波信号为罗音模拟信号，该罗音模拟信号最大程度的逼近真实的罗音波形，所以 基于罗音模拟信号对肺音训练信号进行分解，其分解效果优于一般小波变换。需要说明的 是，罗音模拟信号并不是严格意义上的小波，它不满足小波所具备的归一化条件。
[0076] 奇异值分解单元32,用于接收一级或多级分解信号，并分别对一级或多级分解信 号进行奇异值分解获得对应的一级或多级奇异值;如接收到第一级分解信号、第二级分解 信号和第三级分解信号，则对第一级分解信号进行奇异值分解获得对应的第一级奇异值、 对第二级分解信号进行奇异值分解获得第二级奇异值、对第三级分解信号进行奇异值分解 获得第三级奇异值。
[0077]具体地，对第一、二或三级分解信号进行奇异值分解获得对应的L个奇异值〇1， 〇2，···，〇L为第一、二或三级奇异值，其中，O1^o2彡…彡Or >Or+1 = Or+2 = OL = 〇(r〈 = L)。可选 地，在本发明实施例中奇异值的长度L为20。需要说明的是，可以根据检测精度的具体要求， 确定奇异值的具体长度。
[0078]需要说明的是，奇异值分解，是线性代数中一种重要的矩阵分解，是矩阵分析中正 规矩阵酉对角化的推广，是现代数值分析的最基本和最重要的工具之一。
[0079] 特征向量构建单元33,用于根据接收到的至少一级奇异值构建待测肺音信号的特 征向量。
[0080] 具体地，将L个第一级奇异值O1，〇2，…，〇l(O1彡〇2彡…彡〇 r > or+1 = or+2 = 〇l = 0，r〈 =L)相加，获得奇异值和;将每个奇异值与奇异值和作比，获得作比后的L个比值组成的向 量为第一级特征向量，如:计算L个第一级奇异值的和:S = 〇1+〇2+…+〇r;最终获得的第一级 特征向量为：
[0081] 可选地，由第二级奇异值得到第二级特征向量、由第三级奇异值得到第三级特征 向量，获得第二级特征向量、第三级特征向量的具体方式与获得第一级特征向量相同，此处 不予赘述。
[0082] 具体地，可以根据第一级特征向量、或者第一级特征向量和第二级特征向量、或者 第一级特征向量和第二级特征向量和第三级特征向量构建所述肺音训练信号的一维特征 向量。需要说明的是，可以根据检测精度的具体要求，确定特征向量的具体长度。
[0083]分类单元34,用于接收特征向量将待测肺音信号的特征向量送入已训练的分类器 中进行判别，输出判别结果，判别结果将指出该待测肺音信号中是否出现罗音。其中，待测 肺音信号的特征向量长度与肺音训练信号的特征向量长度一致。
[0084] 可选地，分类器是支持向量机分类器。支持向量机是基于结构风险最小化和VC维 理论为基础，选择适当的函数子集和决策函数，从而使机器学习的实际风险达到最小化，具 有较好的性能，能够较好的解决小样本、非线性以及高维模式识别中所存在的问题。在本实 施例中选取线性函数作为支持向量机的核函数。
[0085] 以上所述的【具体实施方式】，对本发明的目的、技术方案和有益效果进行了进一步 详细说明，所应理解的是，以上所述仅为本发明的【具体实施方式】而已，并不用于限定本发明 的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含 在本发明的保护范围之内。
【主权项】
1. 一种罗音检测的分类器训练方法，其特征在于，所述方法包括： 接收肺音训练信号，并将小波信号与所述肺音训练信号卷积，进行小波变换，获得第一 级分解信号； 对所述第一级分解信号分别进行奇异值分解获得对应的第一级奇异值； 至少根据所述第一级奇异值构建所述肺音训练信号的特征向量； 根据所述肺音训练信号的特征向量，训练分类器。2. 根据权利要求1所述的方法，其特征在于，所述方法还包括： 对所述第一级分解信号进行η倍降采样，获得第一降采样信号，将小波信号与所述第一 降采样信号卷积进行小波变换，获得第二级分解信号； 对所述第二级分解信号进行η倍降采样，获得第二降采样信号，将小波信号与所述第二 降采样信号卷积进行小波变换，获得第三级分解信号;其中，所述η为大于1的正整数； 对所述第二级分解信号和第三级分解信号分别进行奇异值分解获得对应的第二级奇 异值和第三级奇异值。3. 根据权利要求1或2所述的方法，其特征在于，所述小波信号为罗音模拟信号。4. 根据权利要求1所述的方法，其特征在于，当所述第一级奇异值为根据所述第一级分 解信号进行奇异值分解获得对应的L个奇异值时，所述至少根据所述第一级奇异值构建所 述肺音训练信号的特征向量，包括： 将所述L个奇异值相加，获得奇异值和； 将每个所述奇异值与所述奇异值和作比，获得L个比值，将所述L个比值组成第一级特 征向量； 至少根据第一级特征向量构建所述肺音训练信号的特征向量。5. 根据权利要求1或2所述的方法，其特征在于，所述方法还包括： 将根据所述第二级分解信号进行奇异值分解获得对应的L个奇异值作为所述第二级奇 异值，并将所述L个奇异值相加，获得奇异值和;将每个所述奇异值与所述奇异值和作比，获 得L个比值，将所述L个比值组成对应的第二级特征向量； 将根据所述第三级分解信号进行奇异值分解获得对应的L个奇异值作为所述第三级奇 异值，并将所述L个奇异值相加，获得奇异值和;将每个所述奇异值与所述奇异值和作比，获 得L个比值，将所述L个比值组成对应的第三级特征向量。6. 根据权利要求1、4或5所述的方法，其特征在于，所述至少根据所述第一级奇异值构 建所述肺音训练信号的特征向量，包括： 根据所述第一级特征向量、或者第一级特征向量和第二级特征向量、或者第一级特征 向量和第二级特征向量和第三级特征向量构建所述肺音训练信号的特征向量。7. 根据权利要求1所述的方法，其特征在于，所述分类器为支持向量机分类器。8. -种罗音检测方法，其特征在于，所述方法包括： 接收待测肺音信号，并将小波信号与所述待测肺音信号卷积进行小波变换，获得第一 级分解信号； 对所述第一级分解信号进行奇异值分解获得对应的第一级奇异值； 至少根据所述第一级奇异值构建所述待测肺音信号的特征向量； 将所述待测肺音信号的特征向量送入已训练的分类器中进行判别，输出判别结果。9. 根据权利要求8所述的方法，其特征在于，所述方法还包括： 对所述第一级分解信号进行η倍降采样，获得第一降采样信号，将小波信号与所述第一 降采样信号卷积进行小波变换，获得第二级分解信号； 对所述第二级分解信号进行η倍降采样，获得第二降采样信号，将小波信号与所述第二 降采样信号卷积进行小波变换，获得第三级分解信号;其中，所述η为大于1的正整数； 对所述第二级分解信号和第三级分解信号分别进行奇异值分解获得对应的第二级奇 异值和第三级奇异值。10. 根据权利要求8或9所述的方法，其特征在于，所述小波信号为罗音模拟信号。11. 根据权利要求8所述的方法，其特征在于，当所述第一级奇异值为根据所述第一级 分解信号进行奇异值分解获得对应的L个奇异值时，所述至少根据所述第一级奇异值构建 所述肺音训练信号的特征向量，包括： 将所述L个奇异值相加，获得奇异值和； 将每个所述奇异值与所述奇异值和作比，获得L个比值，将所述L个比值组成第一级特 征向量； 至少根据第一级特征向量构建所述肺音训练信号的特征向量。12. 根据权利要求8或9所述的方法，其特征在于，所述方法还包括： 将根据所述第二级分解信号进行奇异值分解获得对应的L个奇异值作为所述第二级奇 异值，并将所述L个奇异值相加，获得奇异值和;将每个所述奇异值与所述奇异值和作比，获 得L个比值，将所述L个比值组成对应的第二级特征向量； 将根据所述第三级分解信号进行奇异值分解获得对应的L个奇异值作为所述第三级奇 异值，并将所述L个奇异值相加，获得奇异值和;将每个所述奇异值与所述奇异值和作比，获 得L个比值，将所述L个比值组成对应的第三级特征向量。13. 根据权利要求8、11或12所述的方法，其特征在于，所述至少根据所述第一级奇异值 构建所述待测肺音信号的特征向量，包括： 根据所述第一级特征向量、或者第一级特征向量和第二级特征向量、或者第一级特征 向量和第二级特征向量和第三级特征向量构建所述肺音训练信号的特征向量。14. 根据权利要求8所述的方法，其特征在于，所述分类器为支持向量机分类器。15. -种罗音检测装置，其特征在于，所述装置包括： 小波变换单元，用于接收待测肺音信号，将小波信号与所述待测肺音信号卷积进行小 波变换，获得至少一级分解信号； 奇异值分解单元，用于接收所述至少一级分解信号，并分别对所述至少一级分解信号 进行奇异值分解获得对应的至少一级奇异值； 特征向量构建单元，用于根据所述至少一级奇异值构建所述待测肺音信号的特征向 量； 分类单元，用于将所述待测肺音信号的特征向量送入已训练的分类器中进行判别，输 出判别结果。
【文档编号】A61B5/00GK106073709SQ201610390420
【公开日】2016年11月9日
【申请日】2016年6月3日 公开号201610390420.4, CN 106073709 A, CN 106073709A, CN 201610390420, CN-A-106073709, CN106073709 A, CN106073709A, CN201610390420, CN201610390420.4
【发明人】李佳芮, 洪缨
【申请人】中国科学院声学研究所