智能听诊系统及其听诊方法与流程

本发明涉及电子听诊器，尤其涉及一种可以实时识别周围环境从而给出相应的滤波降噪方法的智能听诊系统。

背景技术：

听诊器已经有200多年的历史，自发明以来，就成为了医生的一个基础检查装置，并且在心肺疾病的初诊方面发挥重要的作用。然而传统听诊器是机械结构的，通过物理结构对声音进行放大，其主要缺点只能医生凭借经验判断疾病特征，并且人体的声音数据无法数字化保存。

随着移动互联网与人工智能的迅速发展，电子听诊器的出现，这个古老的行业有了全新的升级。电子听诊器利用电子技术放大身体的声音，在一定程度上克服了听诊器噪音高的问题，在保持传统声学听诊器的外观和感觉的基础上，能够提高声音信号的检测能力。

电子听诊器的优点使得听诊器的使用场合不再局限于医生的诊室，人们在家里、在户外随时都可以进行听诊，但是环境不同，环境噪声也不同。现有技术中电子听诊器通常都是采用固定的高通滤波器或者是低通滤波器等进行滤波，同时降噪算法也是预先设置好的固定的算法，电子听诊器针对环境的变化对噪音的抑制调节作用不能做出动态反馈以及及时调配，这就使得电子听诊器随着环境的不同，存在很大的检测差异。

技术实现要素：

本发明为了解决上述现有技术电子听诊器根据环境的不同检测结果存在较大差异的技术问题，提出一种智能听诊系统及听诊方法。

本发明提出的智能听诊系统，包括：

采集模块，采集实时的心肺音数据；

缓存模块，将实时的心肺音数据进行缓存并预处理；

滤波模块，根据滤波器及其对应的滤波参数对预处理后的心肺音数据进行滤波处理；

降噪模块，根据降噪参数及对应的降噪算法对心肺音数据进行降噪处理；

智能终端，接收所述降噪模块输出的心肺音数据进行播放，同时通过神经网络计算模型对所述心肺音数据进行深度网络学习分析后，得到与当前环境相匹配的滤波参数以及降噪参数并反馈给滤波模块和降噪模块进行实时更新。

进一步，所述采集模块、缓存模块、滤波模块以及降噪模块设置在电子听诊器上。

优选的，所述滤波器为双二阶滤波器。所述滤波参数包括信号增益参数、高通滤波频率参数以及低通滤波频率参数。

优选的，所述降噪算法为webrtc技术内置的降噪算法。所述降噪参数为降噪强度系数。

进一步，所述预处理包括对心肺音数据进行分帧处理。

进一步，所述智能终端包括但不限于手机、平板电脑、智能手表、笔记本电脑或者台式机电脑。

本发明提出的智能听诊系统的听诊方法，包括步骤：

通过电子听诊器采集实时的心肺音数据并进行预处理；

将预处理后的心肺音数据进行滤波和降噪处理；

智能终端收到降噪处理后的心肺音数据进行播放，同时通过神经网络计算模型对心肺音数据进行深度网络学习分析，得到与当前环境相关的滤波参数和降噪参数并反馈给电子听诊器；

电子听诊器接收到与当前环境相关的滤波参数和降噪参数后，对其设置的滤波参数和降噪参数进行实时更新。

本发明通过神经网络计算模型对环境噪音进行实时分析、学习，从而得到对应的环境滤波、降噪参数，反馈到电子听诊器设备进行对心肺音滤波及降噪自适合处理，让心肺音以最佳的音质呈现给用户。通过本发明对实时心音肺信号滤波处理，去除心肺音之外的频率干扰，增强心肺信号，同时通过智能终端实时更新最新的滤波、降噪参数，设置合理降噪比，使得心肺音信号与环境噪音信号达到一个信噪比平衡，消除大部分环境音及底噪声同时又可以有效放大心肺信号，大大提高心肺音听感体验，通过本发明，音频放大的同时又能高保真性，音质音色上完全媲美传统听诊器，整体效果完全超越传统听诊器。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的整体构架图。

图2为本发明的听诊流程图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图以及实施例对本发明的原理及结构进行详细说明。

本发明设计主要是基于嵌入式平台(即电子听诊器采用的是嵌入式平台)，前端麦克风采集到的实时心肺音数据在芯片内部进行实时滤波及噪音消除的一套设计方法，先利用双二阶滤波器(biquad)进行滤波，由ai算法（神经网络计算模型）根据用户所处环境及用途，智能学习生成自适应配置参数下发到听诊器设备算法模块，自适应性去除心肺音频率之外的信号干扰，加强心肺音信号，同时降噪算法模块采用ai自适应配置，最优幅度的降低环境音对声音信号的干扰获得清晰干净的心音肺数据。让用户根据各自的敏感度获取最佳体验。

图1给出了本发明的整体框架图。本发明的智能听诊系统主要涉及两个硬件：电子听诊器和智能终端，电子听诊器具体包括采集模块、缓存模块、滤波模块以及降噪模块。

电子听诊器通过采集模块的前端麦克风可以采集到实时的心肺音数据。

缓存模块可以缓存一定量的心肺音数据，同时将缓存的心肺音数据进行分帧，分帧后的每一帧心肺音数据的长度为不小于10ms的数据长度，从而使得后续分析可以准确识别至少一次心音数据或者肺音数据。

滤波模块根据滤波器及其对应的滤波参数对预处理后的心肺音数据进行滤波处理，在本实施例中，滤波器采用的是双二阶滤波器(biquad)。根据智能终端，如手机端的神经网络计算模型实时计算分析环境中的高频噪音、低频噪音、噪音强度等情况生成低通滤波频率参数、高通滤波频率参数、信号增益等参数，然后将这些滤波参数下发到电子听诊器，电子听诊器再利用双二阶滤波器以及实时更新的滤波参数对心肺音信号进行低通滤波、高通滤波、信号增益等滤波增益处理，使得滤波可以根据环境的不同而采用不同的滤波方法。

降噪模块根据降噪参数及对应的降噪算法对心肺音数据进行降噪处理。降噪模块也可以根据智能终端实时分析的环境噪音强弱程度生成需要降噪强度参数，来更新其降噪参数。在本实施例中，降噪模块采用的是webrtc技术中内置的降噪模块来进行自适应降噪处理。

在智能终端更新对应的滤波参数以及降噪参数之前，滤波模块和降噪模块采用最开始预置的或者是历史存储的滤波参数以及降噪参数进行滤波降噪，这个过程非常短，以本实施例为例，约为最开始的10ms，不会影响整体心肺音的降噪滤波准确性。

本发明的智能终端不限于手机，还可以是平板电脑、智能手表、笔记本电脑或者台式机电脑等智能终端。智能终端接收到降噪模块输出的心肺音数据，然后通过其扬声器或者喇叭、或者耳机进行播放，同时会通过神经网络计算模型对心肺音数据进行实时深度网络学习分析后，得到与当前环境相匹配的滤波参数以及降噪参数并反馈给滤波模块和降噪模块进行实时更新。神经网络计算模型可以是预先通过足够多的样本数据生成的，通过准备不同环境下的足够样本数据来训练神经网络计算模型，从而可以得到不同环境下对应的滤波、降噪参数。由于环境音源的变化，需要实时更新听诊器降噪滤波配置参数，智能终端的神经网络模型可以每隔一定周期时间（例如小于100毫秒）来更新一次需要配置的滤波、降噪参数，让用户感觉不到异常，同时可以使检测结果更加精准，呈现最佳体验感。

如图2所示，本发明的听诊方法是先通过电子听诊器采集实时的心肺音数据并进行预处理，接着将预处理后的心肺音数据进行滤波和降噪处理，智能终端收到降噪处理后的心肺音数据后通过耳机或者扬声器进行播放，同时通过神经网络计算模型对心肺音数据进行深度网络学习分析，得到与当前环境相关的滤波参数和降噪参数并反馈给电子听诊器。而电子听诊器接收到与当前环境相关的滤波参数和降噪参数后，对其设置的滤波参数和降噪参数进行实时更新。

基于本发明的技术方案，可以实现听诊的智能性，本发明利用神经网络计算模型的深度学习特性，智能区分心音、肺音信号，智能分析低频高频噪音、环境噪音及音源强度等情况，自适应生成最优化配置。实现听诊信号的低延时性，本发明采用的是短时分帧设计方法，在实现提高音质音效的前提下保证了听感上的实时性。因利用实时滤波及降噪不仅能去除低频及高频噪音，本发明最终播放的心音或者肺音十分清晰，同时还能大大降低环境干扰音，使最后得到心肺音清晰且高音质。本发明由于采用了双二阶滤波算法，滤去心肺音频率之外的信号的同时对心肺音频率进行增强处理，让心肺音信号完全凸现出来，使得播放的声音质感洪亮。

本发明是针对单麦降噪，使得系统以最低成本和最简洁的方式获取优秀的音质，提高设备的临床价值。本发明采用的滤波降噪算法大大降低了麦克风电路中产生的心肺音的带外低频高能分量，使得听感清晰，另外使得数字心音的科研价值得到提升，更加符合包络算法处理和深度学习等算法。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。