嘈杂环境下的肠鸣音检测方法、装置及系统与流程

技术特征：

1.一种嘈杂环境下的肠鸣音检测方法，其特征在于，包括：

通过传感器采集当前用户的肠鸣音混合信号，其中，所述肠鸣音混合信号包括肠鸣音信号和环境干扰信号；

将所述肠鸣音混合信号转换为数字信号；

提取所述数字信号的时频谱特征；

将所述数字信号的时频谱特征输入训练好的卷积神经网络中进行处理，检测出肠鸣音出现的时间点，从而区分所述肠鸣音信号和所述环境干扰信号；其中，所述卷积神经网络的训练过程包括：

通过所述传感器分别采集肠鸣音样本信号和至少一组干扰样本信号；

将所述肠鸣音样本信号和至少一组干扰样本信号均转换成数字样本信号；

提取所述数字样本信号的时频谱特征；

在时频域内，对所述数字样本信号制作信号标签；所述信号标签包括用于标记肠鸣音信号在所述肠鸣音样本信号中出现时间点的肠鸣音标签，和用于标记干扰信号在所述干扰样本信号中出现时间点的干扰标签；

按照所述肠鸣音标签和所述干扰标签从所述数字样本信号中抽取肠鸣音标签信号和各组干扰标签信号作为训练样本；

将所述训练样本对应的数字样本信号的时频谱特征作为训练数据，将所述肠鸣音标签和所述干扰标签作为监督信息，训练用于区分肠鸣音信号和各种干扰信号的卷积神经网络。

2.根据权利要求1所述的肠鸣音检测方法，其特征在于，提取所述数字样本信号的时频谱特征包括：

对具有时序的所述数字样本信号进行分帧和加窗；

对加窗后的所述数字样本信号进行快速傅里叶变换，提取功率谱；

采用Gammatone滤波器组对所述功率谱滤波；所述Gammatone滤波器组实现的是一种线性变换，其冲激相应表示为：

g_i(t)＝At^n-1exp(-2πb_it)cos(2πf_i+φ_i),t≥0,1≤i≤N,

其中，A表示调节比例的常数，n表示滤波器级数，b_i表示衰减速度，f_i表示中心频率，φ_i表示相位，N表示滤波器个数；针对第i个滤波器，有b_i＝1.019ERB(f_i)，其中等效矩形带宽ERB(f_i)的表达式为

$ERB\left(f_i\right)=24.7\×(4.37\×\frac{f_i}{1000}+1),$

对经过Gammatone滤波器组的滤波后的所述功率谱的系数矩阵进行离散余弦变换，得到Gammatone倒谱系数；

将所述Gammatone倒谱系数作为所述数字样本信号的时频谱特征。

3.根据权利要求2所述的肠鸣音检测方法，其特征在于，在时频域内对所述数字样本信号制作信号标签包括：

在时频域内对每个时间点对应的所述数字样本信号进行判断；其中，每个时间点对应的所述数字样本信号为所述分帧和加窗后的信号帧；

当当前时间点的所述信号帧中有肠鸣音信号时，为所述信号帧设置肠鸣音标签；当当前时间点的所述信号帧中有干扰信号时，为所述信号帧设置干扰标签；其中，所述肠鸣音标签和所述干扰标签用多维向量表示；

按照所述肠鸣音标签和所述干扰标签从所述数字样本信号中抽取肠鸣音标签信号和各组干扰标签信号作为训练样本包括：按照设置所述肠鸣音标签和所述干扰标签的所述信号帧顺序，从所述数字样本信号中抽取肠鸣音标签信号和各组干扰标签信号作为训练样本。

4.根据权利要求1或权利要求3所述的肠鸣音检测方法，其特征在于，所述卷积神经网络包括输入层、多个隐藏层、全链接层和输出层；所述隐藏层和全链接层都含有自身的参数，所述参数包括权值和偏置；

所述卷积神经网络的的训练过程采用梯度下降法，具体过程包括：

对卷积神经网络进行随机初始化；

开始训练，将所述训练样本和所述信号标签的顺序随机化，每次不重复地随机抽取J个训练样本作为输入样本组成一个样本子集，抽取与所述输入样本对应的信号标签组成一个标签子集，完成在一个所述样本子集所有输入样本上的训练为一轮训练，完成在所有样本子集上的训练为一次训练；

在一轮训练的过程中，所述样本子集内所有的输入样本全部进行前向传播，经过所述卷积神经网络的作用后，在卷积神经网络的输出层与对应的信号标签进行比较，计算输出结果与对应的信号标签之间差异的平方作为平方误差；取得所有输入样本的输出结果与信号标签的平方误差；

在一轮训练的过程中，利用所述平方误差进行反向传播和参数更新，包括：从所述输出层开始，反向依次经过每一层，取得每一层上的等效误差；利用每一层上的等效误差计算所在层上参数的梯度，利用每一层上的梯度更新所在层的参数；

在一次训练的过程中，完成最后一轮训练时，计算所有所述平方误差的平均误差，利用所述平均误差判断所述卷积神经网络是否收敛；在所述平均误差趋于设定的稳定阈值时，确定所述卷积神经网络达到收敛，如果所述卷积神经网络达到收敛则停止训练；否则开始新一次训练，直到训练的次数或时长达到设定阈值时，停止训练；

训练停止后，将当前的卷积神经网络作为训练好的卷积神经网络。

5.根据权利要求4所述的肠鸣音检测方法，其特征在于，所述输入样本进行前向传播的具体过程包括：

所述卷积神经网络的输入层对所述输入样本做运算，卷积神经网络的每一层对上一层的输出做运算；

卷积神经网络中第l层的输出为

x^l＝f(u^l) 式(1)

其中f(·)是激活函数，u^l＝W^lx^l-1+b^l，x^l-1是第l-1层的输出，第l层的输入，W^l和b^l分别是第l层的权值和偏置；激活函数采用sigmoid函数或者双曲线正切函数；

计算输出结果与对应的信号标签之间的平方误差包括：针对每一个输入样本，计算由卷积神经网络的输出层得到的输出结果与对应的信号标签之间的平方误差，第j个输入样本的平方误差函数是

其中，K表示所述输出结果和信号标签的维度，表示第j个样本经过卷积神经网络后的输出结果的第k维，表示第j个样本对应的信号标签的第k维。

6.根据权利要求5所述的肠鸣音检测方法，其特征在于，所述反向传播和参数更新具体包括：

将所述输出结果与信号标签的平方误差从所述输出层开始，反向依次传递至卷积神经网络中的每一层，取得每一层上的等效误差；所述等效误差为平方误差对所在层参数的误差变化率，计算公式为

其中，E为输出结果的平方误差，b为卷积神经网络的参数；

输出层上的等效误差为

式中的L代表输出层，运算符号表示逐个元素相乘；

其他层上的等效误差为

利用每一层上的等效误差δ^l，计算所在层上参数的梯度，得到权值和偏置的梯度分别为：

η为学习率，为不同的参数设置不同的学习率；

利用每一层上参数的梯度更新所在层的参数；在每一层原有的参数上加上所在层参数的梯度得到新的参数。

7.根据权利要求6所述的肠鸣音检测方法，其特征在于，在一次训练的过程中，完成最后一轮训练时，计算所有所述平方误差的平均误差，所述平均误差函数为：

其中，J表示一次训练中的样本个数；

在所述平均误差E^J趋于趋于设定的稳定阈值时，确定所述卷积神经网络达到收敛；

如果所述卷积神经网络达到收敛则停止训练；否则开始新一次训练，更新卷积神经网络的参数，逐渐最小化E^J，使所述卷积神经网络的输出结果与对应的信号标签接近。

8.一种嘈杂环境下的肠鸣音检测装置，其特征在于，包括：

卷积神经网络训练模块，用于卷积神经网络的训练，具体训练过程包括：通过传感器分别采集肠鸣音样本信号和至少一组干扰样本信号；将所述肠鸣音样本信号和至少一组干扰样本信号均转换成数字样本信号；提取所述数字样本信号的时频谱特征；在时频域内，对所述数字样本信号制作信号标签；所述信号标签包括用于标记肠鸣音信号在所述肠鸣音样本信号中出现时间点的肠鸣音标签，和用于标记干扰信号在所述干扰样本信号中出现时间点的干扰标签；按照所述肠鸣音标签和所述干扰标签从所述数字样本信号中抽取肠鸣音标签信号和各组干扰标签信号作为训练样本；将所述训练样本对应的数字样本信号的时频谱特征作为训练数据，将所述肠鸣音标签和所述干扰标签作为监督信息，训练用于区分肠鸣音信号和各种干扰信号的卷积神经网络；

信号采集模块，用于通过传感器采集当前用户的肠鸣音混合信号，其中，所述肠鸣音混合信号包括肠鸣音信号和环境干扰信号；

信号转换模块，用于将所述肠鸣音混合信号转换为数字信号，并提取所述数字信号的时频谱特征；

肠鸣音检测模块，用于将所述数字信号的时频谱特征输入所述卷积神经网络训练模块训练好的所述卷积神经网络中进行处理，检测出肠鸣音出现的时间点，从而区分所述肠鸣音信号和所述环境干扰信号。

9.根据权利要求8所述的肠鸣音检测装置，其特征在于，所述卷积神经网络训练模块包括：

信号加窗单元，用于对具有时序的所述数字样本信号进行分帧和加窗；

傅里叶变换单元，用于对加窗后的所述数字样本信号进行快速傅里叶变换，提取功率谱；

Gammatone滤波器组，用于实现一种线性变换，对所述功率谱滤波；所述Gammatone滤波器组的冲激相应表示为：

g_i(t)＝At^n-1exp(-2πb_it)cos(2πf_i+φ_i),t≥0,1≤i≤N,

其中，A表示调节比例的常数，n表示滤波器级数，b_i表示衰减速度，f_i表示中心频率，φ_i表示相位，N表示滤波器个数；针对第i个滤波器，有b_i＝1.019ERB(f_i)，其中等效矩形带宽ERB(f_i)的表达式为

$ERB\left(f_i\right)=24.7\×(4.37\×\frac{f_i}{1000}+1);$

离散余弦变换单元，用于对经过Gammatone滤波器组的滤波后的所述功率谱的系数矩阵进行离散余弦变换，得到Gammatone倒谱系数；将所述Gammatone倒谱系数作为所述数字样本信号的时频谱特征。

10.一种嘈杂环境下的肠鸣音检测系统，其特征在于，包括权利要求8或9所述的肠鸣音检测装置和传感器；

所述传感器用于在神经网络训练过程中采集肠鸣音样本信号和至少一组干扰样本信号；在进行肠鸣音检测过程中采集当前用户的肠鸣音混合信号，其中，所述肠鸣音混合信号包括肠鸣音信号和环境干扰信号；并将采集的信号发送至所述肠鸣音检测装置。