一种柯氏音时相分类识别方法及系统与流程

本发明涉及血压测量技术领域，尤其涉及一种柯氏音时相分类识别方法及系统。

背景技术：

在使用人工听诊法进行血压测量时，需要对缠绕于上臂的袖带进行充气加压，阻断肱动脉血液流通，然后再匀速放气减压。随着压力下降，血流重新冲开血管，发出与心动周期节拍相同的节律音，叫做柯氏音。柯氏音的特征会随着袖带压力的下降发生变化，这个过程分为五种时相：i、ii、iii、iv和v时相，也分别叫做弹响音、杂音、拍击音、捂音和消失音。

对大多数成年人来说，第一个听到的柯氏音和最后一个听到的柯氏音分别对应的袖带压力记为收缩压和舒张压。目前有一些论文和专利提出了能够自动识别这两个柯氏音的方法。然而对于一些特殊人群(如12岁以下儿童、孕妇、老年人、严重贫血、甲状腺机能亢进症和主动脉瓣关闭不全患者等)，则需要以柯氏音的iv时相读取舒张压。因此，正确识别柯氏音第iv时相是准确测量这类特殊人群血压的关键。然而，目前绝大多数以示波法为代表的自动血压测量方法是基于袖带内的压力振荡波推算血压值，其根本无法对柯氏音信号进行判断，更不用说区分柯氏音信号的时相。虽也可通过统计规律校准血压推算经验系数，但其精度仍然很低。因此，示波法无法完成对特殊人群的准确测量。人工听诊法虽然可以实现对特殊人群血压的测量，但其测量结果与测量医师的经验和操作准确度相关性很大，测量结果的可靠性很难得到保证，而且人工听诊法也不便于人们在家中自行进行血压监测。此外，现有技术中还出现了一些自动听诊法，能够对柯氏音的出现和消失进行识别和判断，但这些方法和技术都没有涉及对柯氏音时相的识别和判断。因此，现有的无创血压测量方法无法应对特殊人群的血压测量要求。

技术实现要素：

本发明的目的在于解决上述问题，提供一种可对柯氏音的时相进行准确有效的分类识别的方法及系统。

本发明的柯氏音时相分类识别方法，包括以下步骤:

s1、获取袖带压力数据p和听诊器音频数据k；

s2、从所获取的袖带压力数据中提取压力脉搏波数据po，检测压力脉搏波数据的顶点得到顶点位置序列pi；

s3、对听诊器音频数据k进行预加重处理，得到听诊器音频数据k1；

s4、以顶点位置序列pi为参考点，对听诊器音频数据k1进行切分，切分后形成听诊器音频数据帧序列ks；

s5、将听诊器音频数据帧序列ks转换成声谱图，并按照先后顺序组成听诊器音频数据声谱图序列数据kis；

s6、将听诊器音频数据k中各柯氏音的峰值点位置序列kpi与与之相对应的压力脉搏波顶点位置序列pi相减，然后除以采样率fs得到峰-峰时延序列pkis；

s7、将声谱图序列数据kis和峰-峰时延序列pkis送入深度神经网络进行识别，每一对语谱图数据和峰-峰时延数据由深度神经网络输出一个对应的柯氏音时相分类识别结果。

可选择的，通过声学换能器将听诊器内采集到的声学信号转换为电信号，该电信号依次经过放大和ad转换处理后转换为音频数字信号，从而得到听诊器音频数据k；通过压力传感器将袖带内的压力信号转换为电信号，该电信号依次经过放大和ad转换处理后转换为压力数字信号，从而得到袖带压力数据p。

可选择的，对袖带压力数据p进行带通滤波，带通滤波器通带频率为0.05hz到20hz，得到滤波后的袖带压力数据p1，通过多项式拟合的方法去除p1的基线，得到所述压力脉搏波数据po。

可选择的，步骤s3中，预加重处理的滤波器传递函数采用h(z)＝1–az^-1，其中a＝0.928。

可选择的，基于增强型谱减法，对听诊器音频数据k1进行噪声抑制处理，得到降噪后的听诊器音频数据k2。

可选择的，步骤s4中，进行切分时，以pis作为切分数据帧起点，pie作为切分数据帧结束点，pis＝pi–(or*0.3)，pie＝pi+(or*0.5)，其中，or为平均脉搏波周期，n为顶点序列个数。

可选择的，步骤s5中，通过短时傅里叶变化和能量运算将听诊器音频数据帧序列ks转换成声谱图。

本发明还提供一种柯氏音时相分类识别系统，包括：

袖带压力数据采集单元，用于采集袖带压力数据p；

听诊器音频数据采集单元，用于采集听诊器音频数据k；

主控与运算处理单元，基于袖带压力数据p和听诊器音频数据k执行权利要求1所述的柯氏音时相分类识别方法。

可选择的，所述听诊器音频数据采集单元包括听诊器、声学换能器、第一信号放大器模块和第一ad转换器，声学换能器用于将听诊器内采集到的声学信号转换为电信号，该电信号经所述第一信号放大器模块将信号放大后，传输至所述第一ad转换器，经第一ad转换器转换后的数字信号被输入至所述主控与运算处理单元。

可选择的，所述袖带压力数据采集单元包括可充气袖带、压力传感器、第二信号放大器模块和第二ad转换器，所述压力传感器用于将可充气袖带内的压力信号转换为电信号，该电信号经第二放大器模块放大后，传输至第二ad转换器，经第二ad转换器转换后的数字信号被输入至所述主控与运算处理单元。

相比现有技术，本发明的显著进步性至少体现在：

针对柯氏音不同时相(i，ii，iii，iv和v时相)具有不同声学和时频特征的性质，基于深度神经网络和相关预处理算法，对从听诊器中采集到的柯氏音信号进行自动分类识别，从而能够能够区分出柯氏音的不同时相，并输出时相的识别结果(即，输入识别的柯氏音是i、ii、iii、iv或v时相)。

附图说明

图1为本发明实施例的柯氏音时相分类识别方法示意图；

图2为本发明实施例的峰-峰时延示意图；

图3为本发明实施例的深度神经网络结构示意图；

图4为本发明实施例的柯氏音时相分类识别系统原理示意图；

图5为本发明实施例的主控与运算处理单元的执行流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明的作详细的阐述说明，应该说明的是本发明的实施方式并不局限于以下所列举的具体实施例，本领域技术人员在不脱离本发明构思的情况下，可对本发明的方案作等同替换。

参阅图1所示，本发明的柯氏音时相分类识别方法，包括以下步骤:

s1、获取袖带压力数据p和听诊器音频数据k；

s2、从所获取的袖带压力数据中提取压力脉搏波数据po，检测压力脉搏波数据的顶点得到顶点位置序列pi；

s3、对听诊器音频数据k进行预加重处理，得到听诊器音频数据k1；

s4、以顶点位置序列pi为参考点，对听诊器音频数据k1进行切分，切分后形成听诊器音频数据帧序列ks；

s5、将听诊器音频数据帧序列ks转换成声谱图，并按照先后顺序组成听诊器音频数据声谱图序列数据kis；

s6、将听诊器音频数据k中各柯氏音的峰值点位置序列kpi与与之相对应的压力脉搏波顶点位置序列pi相减，然后除以采样率fs得到峰-峰时延序列pkis；

s7、将声谱图序列数据kis和峰-峰时延序列pkis送入深度神经网络进行识别，每一对语谱图数据和峰-峰时延数据由深度神经网络输出一个对应的柯氏音时相分类识别结果。

可选择的，所述步骤s1中，可通过声学换能器将听诊器内采集到的声学信号转换为电信号，该电信号依次经过放大和ad转换处理(模数转换)后转换为音频数字信号，从而得到听诊器音频数据k；还可通过压力传感器将袖带内的压力信号转换为电信号，该电信号依次经过放大和ad转换处理后转换为压力数字信号，从而得到袖带压力数据p。

可选择的，所述步骤s2中，从所获取的袖带压力数据中提取压力脉搏波数据的方法具体包括：先对袖带压力数据p进行带通滤波，带通滤波器通带频率优选为0.05hz到20hz，得到滤波后的袖带压力数据p1；进一步的，考虑到所采集的压力数字信号中可能会含有基线干扰信号(低频噪音)，会对信号分析产生不利影响，因此可通过多项式拟合的方法去除袖带压力数据p1的基线，以得到所述压力脉搏波数据po。再进一步的，可通过检测压力脉搏波数据中的各个顶点以得到顶点位置序列pi。应该说明的是，以上所列举的通过多项式拟合去除基线的方法仅为一种优选实施例，本领域技术人员还可通过其它去除基线的方法。

应该说明的是，步骤s3中，对听诊器音频数据进行了预加重处理，其目的在于加强听诊器音频信号中的柯氏音信号特征中的高频部分信号，这样将有利于对柯氏音ii和iii时相的识别。作为一种优选的，预加重处理的滤波器传递函数采用h(z)＝1–az^-1，基于多次试验总结，在本实施例中，预加重传递函数系数a的优选取值为a＝0.928。

进一步的，为避免听诊器音频数据中噪声信号干扰，可对听诊器音频数据k1进行噪声抑制处理。作为一种优选的，可基于谱减法对听诊器音频数据k1进行噪声抑制处理，得到降噪后的听诊器音频数据k2。可以理解的是，谱减法是用带噪信号的频谱减去噪声信号的频谱的处理方法。本领域技术人员可采用现有技术中的改进型/增强型谱减法实施对听诊器音频数据k1进行噪声抑制处理。

可选择的，步骤s4中，以顶点位置序列pi为参考点，对听诊器音频数据k1进行切分时，以pis作为切分数据帧起点，pie作为切分数据帧结束点，pis＝pi–(or*0.3)，pie＝pi+(or*0.5)，其中，or为平均脉搏波周期，计算式为：

n为压力脉搏波数据中的顶点序列个数。

可选择的，步骤s5中，可通过短时傅里叶变化和能量运算将听诊器音频数据帧序列ks转换成声谱图。

还应该说明的是，步骤s6中，可通过检测听诊器音频数据k中各柯氏音的峰值点得到峰值点位置序列kpi，将听诊器音频数据k中各柯氏音的峰值点位置序列kpi与与之相对应的压力脉搏波顶点位置序列pi相减，然后将相减得到的差值pi-kpi除以采样率fs得到峰-峰时延序列pkis。参考图2所示为峰-峰时延示意图。本实施例中引入了柯氏音峰值点和压力脉搏波顶点之间峰-峰时延pkis，基于申请人的发现，pkis会随着袖带压力的下降而逐渐延长，且不同柯氏音时相期间时延时长不同，与柯氏音时相有较强相关性，有利于实现柯氏音时相的准确识别。

进一步的，步骤s7中，将声谱图序列数据kis和峰-峰时延序列pkis送入深度神经网络进行识别，两个序列数据一一对应，也就是k1s对应的峰-峰时延就是pk1s，k2s对应的峰-峰时延就是pk2s，若无法计算峰-峰时延则默其值为0；每一对语谱图数据和峰-峰时延数据由深度神经网络输出一个对应的柯氏音时相分类识别结果。作为一种具体的，若识别为i、ii、iii、iv和v时相则分别对应输出识别结果1，2，3，4和0。参考图3所示为一种实施例的深度神经网络结构示意图，其中fc表示全连层，concatenate表示连接层，cnn表示卷积神经网络，lstm表示长短时记忆循环网络。可以理解的是，该网络在进行识别之前，需要用人工标注时相后的听诊器音频数据进行训练。

上述方案中，采用了多输入参数深度神经网络模型，将语谱图序列数据kis和峰-峰时延序列pkis作为网络的输入，通过连接层(concatenate)将两者输出进行合并，不仅利用了柯氏音不同时相在时间-频率-能量特征上的区别，还利用了柯氏音不同时相具有不同的峰-峰时延的发现，提高了柯氏音时相识别的准确率。进一步的，专门设计了深度神经网络结构，并且以序列而不是单个音频帧进行识别。深度神经网络结合了卷积神经网络(cnn)和长短时记忆网络(lstm)，利用cnn对单帧柯氏音信号的时间-频率-能量等特征进行分析，利用lstm学习序列中柯氏音信号的上下文关系以及峰-峰时延的前后变化关系，提高了识别的准确率；深度神经网络中，语谱图序列各帧对应的cnn网络的权值是共享的。本发明所设计的深度神经网络，其分类器可以输出5类柯氏音识别结果(分别对应柯氏音的i、i、iii、iv和v时相)。

参阅图4所示，本发明还提供一种柯氏音时相分类识别系统，包括：

袖带压力数据采集单元，用于采集袖带压力数据p；

听诊器音频数据采集单元，用于采集听诊器音频数据k；

主控与运算处理单元，基于袖带压力数据p和听诊器音频数据k进行柯氏音时相分类识别处理，参阅图5所示为处理流程示意图。

应该说明的是，处理流程中，可将袖带压力数据采集单元所采集的袖带压力数据p以及听诊器音频数据采集单元所采集的听诊器音频数据k作为主控与运算处理单元的输入数据。作为另一种可选择的实施例，可将袖带压力数据p和听诊器音频数据k预先存储于存储器中，主控与运算处理单元可直接调用存储器中所存储的数据进行柯氏音时相分类识别处理；

进一步的，从所获取的袖带压力数据中提取压力脉搏波数据po，并进行顶点检测，即检测压力脉搏波数据的顶点得到顶点位置序列pi；

进一步的，对听诊器音频数据k进行预加重处理，得到听诊器音频数据k1，预加重处理的滤波器传递函数采用h(z)＝1–az^-1，其中，预加重传递函数系数a的取值为a＝0.928；

进一步的，进行切分处理，进行切分时以顶点位置序列pi为参考点，对听诊器音频数据k1进行切分，切分后形成听诊器音频数据帧序列ks，优选的，以pis作为切分数据帧起点，pie作为切分数据帧结束点，pis＝pi–(or*0.3)，pie＝pi+(or*0.5)，其中，or为平均脉搏波周期，计算式为n为压力脉搏波数据中的顶点序列个数；

进一步的，将听诊器音频数据帧序列ks转换成声谱图，并按照先后顺序组成听诊器音频数据声谱图序列数据kis；

将听诊器音频数据k中各柯氏音的峰值点位置序列kpi与与之相对应的压力脉搏波顶点位置序列pi相减，然后再将差值除以采样率fs得到峰-峰时延序列pkis；

再进一步的，将声谱图序列数据kis和峰-峰时延序列pkis送入深度神经网络进行识别，每一对语谱图数据和峰-峰时延数据由深度神经网络输出一个对应的柯氏音时相分类识别结果。

可选择的，所述听诊器音频数据采集单元包括听诊器、声学换能器、第一信号放大器模块和第一ad转换器，声学换能器用于将听诊器内采集到的声学信号转换为电信号，该电信号经所述第一信号放大器模块将信号放大后，传输至所述第一ad转换器，经第一ad转换器转换后的数字信号被输入至所述主控与运算处理单元。应该说明的是，可将所述声学换能器内嵌于听诊器，该声学换能器可以使电容式麦克风、微机电系统(mems)麦克风或压电薄膜麦克风，实现将声学信号转换为电信号。

可选择的，所述袖带压力数据采集单元包括可充气袖带、压力传感器、第二信号放大器模块和第二ad转换器，所述压力传感器用于将可充气袖带内的压力信号转换为电信号，该电信号经第二放大器模块放大后，传输至第二ad转换器，经第二ad转换器转换后的数字信号被输入至所述主控与运算处理单元。作为进一步的优选，可充气袖带包括袖带本体，袖带本体通过导管分别与压力传感器、气泵和气阀相连接。由此，可以通过压力传感器采集袖带内的压力信号，通过气泵和气阀实现对袖带进行充气以及对袖带进行放气等操作。再进一步的，所述气泵和气阀还分别通过驱动器与主控与运算处理单元连接，气泵配合驱动器用于实现对袖带的充气，一般充气至200mmhg。气阀配合驱动器用于对袖带放气，放气速度控制在2-3mmhg/s。可选择的，系统还包括与主控与运算处理单元连接的显示模块，以用于显示柯氏音分类识别结果。由此，主控与运算处理单元至少具有两大功能，其一是驱动气阀和气泵进行袖带充气与放气、采集数据获取以及上电时序逻辑进行控制。其二是根据获取到的听诊器音频数据和袖带压力数据，对柯氏音时相进行分类识别处理，并输出识别结果并予以显示。

为了更好的体现本发明提供的柯氏音时相分类识别方法及系统的实施效果，本申请人进行了相关临床验证，采用人工标注的柯氏音时相作为参考值，将本发明中的深度神经网络和未使用峰-峰时延的网络比较，数据采集自40名志愿者，每个志愿者共采集了18条数据，因此，总共有720条柯氏音数据和对应的袖带压力数据。验证采用10折交叉验证的方式，40名志愿者共分为10组的方式进行，实验结果如表1所示。

表1

通过表1可以看出，本发明的网络比未使用峰-峰时延网络平均识别准确率高约2.2％。

因为柯氏音ii、iii时相相对于i、iv时相有明显的高频成分。此外，本发明方法在对柯氏音数据进行处理时，对其进行了预加重。进行预加重可以对柯氏音的高频成分进行加重，增加柯氏音的高频分辨率，这会有利于后续深度神经网络对柯氏音时相进行区分。为此申请人同样进行了实验，实验数据和方法同上，网络采用的都是本发明的深度神经网络，区别仅在于是否进行了预加重，实验结果如表2所示。

表2

由表2可以看出，引入预加重后，分类识别准确率提高了0.4％。

可以理解的是，在本发明的实施例的描述中，术语“第一”、“第二”、“第三”、“第四”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”、“第四”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在本发明的实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“组装”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

在本发明的实施例的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

在本发明的实施例的描述中，需要理解的是，“-”和“～”表示的是两个数值之同的范围，并且该范围包括端点。例如:“a-b”表示大于或等于a，且小于或等于b的范围。“a～b”表示大于或等于a，且小于或等于b的范围。

在本发明的实施例的描述中，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。