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。
[0033] 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流程图，如图1所示， 该方法包括：
[0034] 步骤S101、对接收到的肺音训练信号进行滤波处理，输出滤波信号。
[0035] 接收到的肺音训练信号伴有屯、音、消化道音W及环境噪音等噪声信号，由于罗音 的频率主要集中在150-1800化之间，因此可通过带通滤波器滤除150-1800化W外的噪声信 号，即去除部分噪声的影响，得到150-1800化频段的肺音。其中，肺音训练信号包括若干正 常肺音和罗音。
[0036] 步骤S102、对滤波信号进行时频变换，得到时频信号。
[0037] 在时频分析中，主要方法有短时傅里叶变换（STFT，Short-Time Fourier Transf orm)、Hi化ert变换、Hi Aed-Huang变换、小波变换、S变换等，其中，优选地选用STFT 来对采集到的肺音训练信号进行时频变换，运是由于相比于上述其他时频变换方法，STFT 具有快速算法，适合于快速实时检测罗音。
[0038] 连续STFT公式如下所示：
(1 )
[0040] 其中，X(t，f)表示时频信号，x(t)表示时域信号，W^t-T)表示窗函数。
[0041] 进一步的，短时傅立叶变换之后得到信号的时频幅度谱或功率谱。时频幅度谱A (t，f)和时频功率谱P(t，f)定义如下： (2)
[0044] 步骤S103、根据时频信号，分别沿频率轴积分得到时间边缘信号和沿时间轴积分 得到频率边缘信号。
[0045] 具体的，时间边缘信号和频率边缘信号可W是时频功率谱P(t，f)沿频率轴和时间 轴积分得到的信号，也可W是时频幅度谱A(t，f)沿频率轴和时间轴积分得到的信号，即时 间边缘信号定义为巧(*，門壯或jA(t，f)壯，频率边缘信号定义为巧(*，門化或jA(t，f)dt。
[0046] 进一步的，时间边缘信号也指信号瞬时功率，是信号功率相对于时间变化的函数； 频率边缘信号也指信号功率谱密度函数，是信号功率相对于信号频率变化的函数。
[0047] 优选地，对时频功率谱信号沿频率轴积分，得到时间边缘信号;对时频功率谱信号 沿时间轴积分，得到频率边缘信号。
[004引步骤S104、根据频率边缘信号得到肺音训练信号的第一特征值，根据时间边缘信 号得到肺音训练信号的第二特征值和/或肺音训练信号的第=特征值。
[0049] 具体的，计算频率边缘信号下降到其最大值的0.05至0.15倍范围内指定倍数值对 应的频率与所述频率边缘信号最大值对应的频率的比值，得到肺音训练信号的第一特征 值。优选地，该倍数值可设为0.1。
[0050] 具体的，计算时间边缘信号的标准差或方差，得到肺音训练信号的第二特征值。
[0051] 具体的，对所述时间边缘信号进行平滑滤波，计算平滑滤波后的信号的标准差或 方差，得到肺音训练信号的第=特征值。
[0052] 需要说明的是，运些特征信息是正常肺音与罗音共有的，且具有显著差别的特征 f目息。
[0053] 进一步的，由于正常肺音频段不同于罗音的频段，所W二者的频率边缘特性有明 显差异，其中，正常肺音频段一般低于罗音的频段。
[0054] 图2为罗音与正常肺音的频率边缘特性对比示意图。图(a)为罗音频率边缘特性示 意图；图（b)为正常肺音频率边缘特性示意图。如图2所示，在0-1000化的频段内，图(a)与图 (b)中罗音信号与正常肺音信号的功率达到最大值后，随频率的不断增大，二者功率都逐渐 下降。但是，由于罗音的主要频段高于正常肺音，且大部分罗音频段在500Hz附近，因此，罗 音的功率达到最大值后，随频率的不断增大，其功率下降的速度与正常肺音下降的速度相 比较缓慢。
[0055] 进一步的，将罗音功率达到最大值时所对应的频率值记为fmaxl，正常肺音功率达 到最大值时所对应的频率值记为fmax2;在频率逐渐增大的过程中，将罗音功率下降至其最 大功率值的0.05至0.15倍范围内指定倍数值，例如0.1倍，所对应的频率值记为fminl，正常 肺音功率下降至其最大功率值的0.05至0.15倍范围内指定倍数值，例如0.1倍，所对应的频 率值记为fmin2;由此可得到罗音频率比fminl/fmaxl和正常肺音频率比fmin2/fmax2。
[0056] 在一个例子中，由于罗音功率达到最大值后其下降速度较正常肺音相对缓慢，因 此罗音的频率比fminl/fmaxl的值比正常肺音的频率比fmin2/fmax2的值大，从而将肺音训 练信号的频率比fmin/fmax的值作为第一特征值。
[0057] 由于罗音在时域内具有时间短、能量高的特点，所W二者在时间边缘特性中也具 有差异。
[0058] 图3为罗音与正常肺音的时间边缘特性对比示意图。图(a)为罗音时间边缘特性示 意图；图（b)为正常肺音时间边缘特性示意图。如图3所示，时间边缘信号在随时间变化过程 中，罗音的功率变化较为明显，正常肺音的功率变化相对平稳，可得到罗音的功率标准差或 方差远大于正常肺音的功率标准差或方差，因此将肺音训练信号的时间边缘信号的标准差 或方差作为第二特征值。
[0059] 肺音的时间边缘信号很容易受到突发噪声影响。通过对罗音和正常肺音的时间边 缘信号进行平滑滤波处理，得到罗音与正常肺音的平滑后的时间边缘信号，从而计算二者 的标准差或方差。平滑滤波是一种空间域滤波技术，一般采用邻域平均法进行，即通过一点 和邻域内指定个数点的均值代替该点的值，从而滤除一定噪声。由于平滑处理并没有改变 二者随时间变化的幅度，即仍然保持罗音的功率变化较为明显，正常肺音的功率变化相对 平稳的特点，也就是说此时罗音的功率标准差或方差仍然远大于正常肺音的功率标准差或 方差，因此，可将肺音训练信号的时间边缘信号经平滑滤波处理后的信号的标准差或方差 作为第=特征值，W提高罗音检测准确率。
[0060] 步骤S105、利用肺音训练信号的第一特征值和第二特征值、或第一特征值和第= 特征值、或第一特征值和第二特征值和第=特征值来构建肺音训练信号的特征向量。
[0061] 具体的，利用步骤S104中肺音训练信号的第一特征值和第二特征值构建肺音训练 信号的二维特征向量，或利用步骤S104中肺音训练信号的第一特征值和第=特征值构建肺 音训练信号的二维特征向量，或利用步骤S104中肺音训练信号的第一特征值、第二特征值 和第=特征值构建肺音训练信号的=维特征向量。
[0062] 需要说明的是，对于特征向量维数，即特征值的个数的选择可由设计所要求的检 测准确程度而定，检测准确度随特征值数目的变化而改变。
[0063] 步骤S106、根据肺音训练信号的特征向量训练分类器。
[0064] 具体的，根据肺音训练信号集的二维或=维特征向量，训练分类器。
[0065] 进一步的，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(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W及 高