一种肠鸣音的标注识别系统及方法与流程

本发明涉及医疗技术领域，尤其涉及一种肠鸣音的标注识别系统及方法。

背景技术：

肠鸣音检测系统一般采用人工检测和自动检测。人工检测，即采用传统听诊器来检测肠鸣音，具有主观性强，精度低，科学性差等特点。自动检测，现有技术中，是先提取肠鸣音音调，响度，场活动频率等，然后与预存肠鸣音特征库进行对比对肠鸣音进行诊断，由于肠鸣音声音小，噪声大，随机性强，因此，这些特征难以准确稳定检测肠鸣音。

目前采用基于深度学习识别算法来检测肠鸣音已经成为主流，深度学习算法需要采集大量的肠鸣音数据，并对其标注数据来构建肠鸣音数据库，这些肠鸣音数据中存在大量相似的肠鸣音数据，对提升深度学习算法准确率意义不大，且直接构建数据库，会浪费大量存储空间和人力标注成本。因此，针对上述问题，成为本领域技术人员亟待解决的难题。

技术实现要素：

针对现有技术中存在的上述问题，现提供一种旨在降低标注成本的肠鸣音的标注识别系统及方法，具体技术方案如下：

本发明提供一种肠鸣音的标注识别系统，其中，所述标注识别系统包括：

一数据采集模块，用于采集复数个肠鸣音数据；

一数据识别模块，连接所述数据采集模块，用于识别复数个所述肠鸣音数据，以获取所述肠鸣音数据的类型以及特征参数；

一数据筛选模块，连接所述数据识别模块，用于根据所述数据识别模块识别出复数个所述肠鸣音数据之后，筛选出一可疑数据，并放置于一标注平台；

一标注模块，连接所述数据筛选模块，用于对所述可疑数据进行标注，以生成一标注数据；

一录入模块，连接所述标注模块，用于将所述标注数据录入一肠鸣音数据库；

一训练模块，连接所述录入模块，用于将所述肠鸣音数据库中的所述标注数据进行训练，并于所述数据识别模块中重新识别，以获取所述标注数据的类型以及特征参数。

优选的，所述数据采集模块通过一肠鸣音传感器采集所述肠鸣音数据。

优选的，所述数据识别模块包括：

一提取单元，用于提取所述肠鸣音数据的特征；

一获取单元，连接所述提取单元，用于获取所述肠鸣音数据的特征在不同时刻的状态；

一处理单元，连接所述获取单元，用于处理所述肠鸣音数据的特征在不同时刻的状态，以输出所述肠鸣音数据在不同时刻的类型以及特征参数。

优选的，所述提取单元通过梅尔频率倒谱系数提取所述肠鸣音数据的特征。

优选的，所述获取单元通过双向长短时记忆网络算法获取所述肠鸣音数据的特征在不同时刻的状态。

优选的，所述处理单元通过卷积神经网络算法和激活函数处理所述肠鸣音数据的特征在不同时刻的状态。

优选的，所述数据筛选模块包括：

一第一获取特征参数单元，用于获取第一时段的所述肠鸣音数据的最高特征参数；

一第二获取特征参数单元，连接所述第一获取特征参数单元，用于获取第一时段的所述肠鸣音数据的第二高特征参数；

一判断单元，连接所述第二获取特征参数单元，用于判断所述最高特征参数与所述第二高特征参数的差值是否小于一预设的临界值，

当所述判断单元判断所述最高特征参数与所述第二高特征参数的差值大于预设的所述临界值时，则获取下一时段的所述肠鸣音数据的最高特征参数和下一时段的所述肠鸣音数据的第二高特征参数；

当所述判断单元判断所述最高特征参数与所述第二高特征参数的差值小于预设的所述临界值时，则筛选出第一时段的所述肠鸣音数据为所述可疑数据。

本发明还提供一种肠鸣音的标注识别方法，应用于上述任意一项所述的一种肠鸣音的标注识别系统，所述标注识别方法包括：

步骤s1、采用一数据采集模块，以采集复数个肠鸣音数据；

步骤s2、采用一数据识别模块，以识别复数个所述肠鸣音数据之后获取所述肠鸣音数据的类型以及特征参数；

步骤s3、采用一数据筛选模块，根据所述数据识别模块识别出复数个所述肠鸣音数据之后，筛选出一可疑数据，并放置于一标注平台；

步骤s4、采用一标注模块，对所述可疑数据进行标注，生成一标注数据；

步骤s5、采用一录入模块，将所述标注数据录入一肠鸣音数据库；

步骤s6、采用一训练模块，将所述肠鸣音数据库中的所述标注数据进行训练，并于所述数据识别模块中重新识别，以获取所述标注数据的类型以及特征参数。

优选的，于所述步骤s2中，包括：

步骤s20、采用一提取单元，以提取所述肠鸣音数据的特征；

步骤s21、采用一获取单元，以获取所述肠鸣音数据的特征在不同时刻的状态；

步骤s22、采用一处理单元，以处理所述肠鸣音数据的特征在不同时刻的状态，并输出所述肠鸣音数据在不同时刻的类型以及特征参数。

优选的，于所述步骤s3中，包括：

步骤s30、采用一第一获取特征参数单元，以获取第一时段的所述肠鸣音数据的最高特征参数；

步骤s31、采用一第二获取特征参数单元，以获取第一时段的所述肠鸣音数据的第二高特征参数；

步骤s32、采用一判断单元，将所述最高特征参数与所述第二高特征参数的差值判断是否小于一预设的临界值，

若否，则获取下一时段的所述肠鸣音数据的最高特征参数和下一时段的所述肠鸣音数据的第二高特征参数；

若是，则筛选出所述第一时段的所述肠鸣音数据为所述可疑数据。

本发明的技术方案的有益效果在于：提供一种肠鸣音的标注识别系统及方法，通过数据识别模块对采集到的肠鸣音数据进行识别后，再通过数据筛选模块进行筛选过滤，以此来节约磁盘空间和减少标注成本的浪费，提高检测肠鸣音数据的准确性。

附图说明

参考所附附图，以更加充分的描述本发明的实施例。然而，所附附图仅用于说明和阐述，并不构成对本发明范围的限制。

图1为本发明实施例的整体结构框图；

图2为本发明实施例中的数据识别模块框图；

图3为本发明实施例中的数据筛选模块框图；

图4为本发明实施例的整体步骤图；

图5为本发明实施例中的步骤s2的步骤图；

图6为本发明实施例中的步骤s3的步骤图。

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的前提下所获得的所有其他实施例，都属于本发明保护的范围。

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。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

本发明提供一种肠鸣音的标注识别系统，其中，标椎识别系统包括：

一数据采集模块1，用于采集复数个肠鸣音数据；

一数据识别模块2，连接数据采集模块1，用于识别复数个肠鸣音数据，以获取肠鸣音数据的类型以及特征参数；

一数据筛选模块3，连接数据识别模块2，用于根据数据识别模块2识别出复数个肠鸣音数据之后，筛选出一可疑数据，并放置于一标注平台；

一标注模块4，连接数据筛选模块3，用于对可疑数据进行标注，以生成一标注数据；

一录入模块5，连接标注模块4，用于将标注数据录入一肠鸣音数据库；

一训练模块6，连接录入模块5，用于将肠鸣音数据库中的标注数据进行训练，并于数据识别模块中重新识别，以获取标注数据的类型以及特征参数。

数据采集模块1通过一肠鸣音传感器采集肠鸣音数据。

通过上述提供的标注识别系统，如图1所示，首先通过数据采集模块1中的肠鸣音传感器来采集肠鸣音数据，再通过数据识别模块2对所采集的肠鸣音数据进行识别，以获取肠鸣音数据的类型以及特征参数，上述所提到的肠鸣音数据的类型以及特征参数，例如，类型为“正常”的特征参数为0.04或0.03或0.02或0.01等，或者类型为“活跃”的特征参数为0.73或0.63或0.41等，又或者类型为“亢进”的特征参数为0.13或0.27或0.34等，再或者类型为“减弱”的特征参数为0.1或0.08或0.07等。

进一步地，根据数据识别模块2识别出复数个肠鸣音数据之后，通过数据筛选模块3筛选出大量相似的肠鸣音数据，即可疑数据，并将这些可以数据送入标注平台，在通过标注单元4对这些可疑数据进行标注后，生成标注数据，再将生成的标注数据通过录入模块5录入肠鸣音数据库。

进一步地，再通过训练模块6将录入肠鸣音数据库中的标注数据进行训练，并于数据识别模块2中重新识别，再重新获取标注数据的类型以及特征参数，从而节约磁盘空间和减少标注成本的浪费，且提高检测肠鸣音数据的准确性。

一种较优的实施例中，数据识别模块2包括：

一提取单元20，用于提取肠鸣音数据的特征；

一获取单元21，连接提取单元20，用于获取肠鸣音数据的特征在不同时刻的状态；

一处理单元22，连接获取单元21，用于处理肠鸣音数据的特征在不同时刻的状态，以输出肠鸣音数据在不同时刻的类型以及特征参数。

提取单元20通过梅尔频率倒谱系数提取肠鸣音数据的特征。

获取单元21通过双向长短时记忆网络算法获取肠鸣音数据的特征在不同时刻的状态。

处理单元22通过卷积神经网络算法和激活函数处理肠鸣音数据的特征在不同时刻的状态。

具体地，如图2所示，数据识别模块2需要对采集的肠鸣音数据进行识别，首先通过提取单元20通过采用梅尔频率倒谱系数来提取肠鸣音数据在不同时刻的特征，再通过获取单元21采用双向长短时记忆网络算法获取肠鸣音数据的特征在不同时刻的状态，另外，此处所提到的特征于上述中所提到的类型一致，例如，为“正常”或“活跃”或“亢进”或“减弱”，本实施例中所提到的状态，换句话说，可以为肠鸣音数据在不同时刻所表现出的特征，例如，在t1至t2时刻之间，肠鸣音数据的特征可能由“正常”转变为“活跃”或者由“活跃”转变为“亢进”等其它特征，由此获取肠鸣音数据在不同时刻之间的联系。

进一步地，再通过处理单元22采用卷积神经网络算法和激活函数将肠鸣音数据的特征在不同时刻的状态进行处理，从而输出肠鸣音数据在不同时刻的类型以及特征参数。

在一种较优的实施例中，数据筛选模块3包括：

一第一获取特征参数单元30，用于获取第一时段的肠鸣音数据的最高特征参数；

一第二获取特征参数单元31，连接第一获取特征参数单元30，用于获取第一时段的肠鸣音数据的第二高特征参数；

一判断单元32，连接第二获取特征参数单元31，用于判断最高特征参数与第二高特征参数的差值是否小于一预设的临界值，

当判断单元32判断最高特征参数与第二高特征参数的差值大于预设的临界值时，则获取下一时段的肠鸣音数据的最高特征参数和下一时段的肠鸣音数据的第二高特征参数；

当判断单元32判断最高特征参数与第二高特征参数的差值小于预设的临界值时，则筛选出第一时段的肠鸣音数据为可疑数据。

具体地，如图3所示，根据上述数据识别模块2识别出复数个肠鸣音数据之后，首先通过数据筛选模块3中的第一获取特征参数单元30获取第一时段的肠鸣音数据的最高特征参数，再通过第二获取特征参数单元31获取第一时段的肠鸣音数据的第二高特征参数。

进一步地，通过判断单元32经过下述计算过程判断上述最高特征参数与第二高特征参数的差值是否小于预设的临界值，另外，本实施例中，预设的临界值为0.2，

例如：获取的肠鸣音数据在t1时段的最高特征参数，记为t1:smax＝a，获取的肠鸣音数据在t1时段的第二最高特征参数，记为t1:ssecmax＝b，当smax-ssecmax<0.2时，则认为该肠鸣音数据为可疑数据，应送入标注平台进行标注，当smax-ssecmax>0.2时，，则认为该肠鸣音数据不是可疑数据，再进一步地，获取在t2时段的肠鸣音数据的最高特征参数和在t2时段的肠鸣音数据的第二高特征参数，再通过上述计算方式逐步筛选出可疑数据，并送入标注平台进行标注。

本发明还提供一种肠鸣音的标注识别方法，如图4所示，其中，包括：

步骤s1、采用一数据采集模块1，以采集复数个肠鸣音数据；

步骤s2、采用一数据识别模块2，以识别复数个肠鸣音数据之后获取肠鸣音数据的类型以及特征参数；

步骤s3、采用一数据筛选模块3，根据数据识别模块识别出复数个肠鸣音数据之后，筛选出一可疑数据，并放置于一标注平台；

步骤s4、采用一标注模块4，对可疑数据进行标注，生成一标注数据；

步骤s5、采用一录入模块5，将标注数据录入一肠鸣音数据库；

步骤s6、采用一训练模块6，将肠鸣音数据库中的标注数据进行训练，并于数据识别模块2中重新识别，以获取标注数据的类型以及特征参数。

通过上述提供的标注识别方法，首先采用数据采集模块1采集复数个肠鸣音数据，再采用数据识别模块2来识别复数个肠鸣音数据之后，获取肠鸣音数据的类型以及特征参数，接着采用数据筛选模块3，在识别出的复数个肠鸣音数据中筛选出可疑数据，并放置于标注平台。

进一步地，采用标注模块4，对上述可疑数据进行标注，生成标注数据，再通过采用录入模块5，将标注数据录入肠鸣音数据库，接着采用训练模块6，将肠鸣音数据库中的标注数据进行训练，并于数据识别模块2中重新识别，再重新获取标注数据的类型以及特征参数，从而节约磁盘空间和减少标注成本的浪费，且提高检测肠鸣音数据的准确性，需要说明的是，本实施例中所述提到的“类型”以及“特征参数”与第一个实施例中所提到的“类型”以及“特征参数”一致，在此不再详细赘述。

一种较优的实施例中，如图5所示，于步骤s2中，包括：

步骤s20、采用一提取单元20，以提取肠鸣音数据的特征；

步骤s21、采用一获取单元21，以获取肠鸣音数据的特征在不同时刻的状态；

步骤s22、采用一处理单元22，以处理肠鸣音数据的特征在不同时刻的状态，并输出肠鸣音数据在不同时刻的类型以及特征参数。

具体地，采用提取单元20提取肠鸣音数据的特征，再通过获取单元21获取肠鸣音数据的特征在不同时刻的状态，接着采用处理单元22，以处理肠鸣音数据的特征在不同时刻的状态，并输出肠鸣音数据在不同时刻的类型以及特征参数。

另外，需要说明的是，本实施例中所涉及到的“如何提取肠鸣音数据的特征”，“如何获取肠鸣音数据的特征在不同时刻的状态”以及“如何处理肠鸣音数据的特征在不同时刻的状态”，已在第二个实施例中详细说明，此处不再赘述。

一种较优的实施例中，如图6所示，于所述步骤s3中，包括：

步骤s30、采用一第一获取特征参数单元30，以获取第一时段的肠鸣音数据的最高特征参数；

步骤s31、采用一第二获取特征参数单元31，以获取第一时段的肠鸣音数据的第二高特征参数；

步骤s32、采用一判断单元32，将最高特征参数与第二高特征参数的差值判断是否小于一预设的临界值，

若否，则获取下一时段的肠鸣音数据的最高特征参数和下一时段的肠鸣音数据的第二高特征参数；

若是，则筛选出第一时段的肠鸣音数据为可疑数据。

具体地，首先采用第一获取特征参数单元30获取第一时段的肠鸣音数据的最高特征参数，再采用第二获取特征参数单元31获取第一时段的肠鸣音数据的第二高特征参数。

进一步地，采用判断单元32，将最高特征参数与第二高特征参数的差值进行判断是否小于一预设的临界值，若否，则获取下一时段的肠鸣音数据的最高特征参数和下一时段的肠鸣音数据的第二高特征参数；若是，则筛选出第一时段的肠鸣音数据为可疑数据，从而降低标注成本。

以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。