本发明涉及心音识别，特别涉及一种基于大语言模型的用于辅助诊断血管疾病的心音识别系统。
背景技术：
1、心血管疾病已成为全球范围内主要的致死致残原因之一，早期准确诊断对于提高患者的治疗效果至关重要。传统的心音识别系统在噪声处理、信号识别及动态判断等方面存在局限，难以实现高效准确的诊断支持。随着人工智能技术的发展，基于大语言模型的心音识别系统在信号处理和人机交互方面展现出显著优势，可为心血管疾病的辅助诊断提供新的技术路径。
2、目前市面上有多款大语言模型（large language model，llm）可以感知和理解各种音频输入，并因此具备了多语言语音识别和翻译以及音频——语音推理等新兴能力，使得llm具备了 "听觉"，即认知听觉能力，这是通向听觉启发的人工通用智能的重要一步。
3、因此，本发明提出一种基于大语言模型的用于辅助诊断血管疾病的心音识别系统。
技术实现思路
1、本发明提供一种基于大语言模型的用于辅助诊断血管疾病的心音识别系统，用以通过对信号进行预处理以及信号融合技术，且结合两个大语言模型进行语言处理以及信号处理，有效提高辅助诊断的精准性。
2、本发明提供一种基于大语言模型的用于辅助诊断血管疾病的心音识别系统，包括：
3、预处理模块，用于基于心音传感器采集用户的心音信号，并对所述心音信号进行预处理得到若干第一信号，所述预处理包括：数据清洗以及数据增强；
4、动态调整模块，用于采用音频编码技术对每个第一信号进行编码，且基于多模态数据融合技术，将编码后的信号与所述用户的指定信号进行融合，并基于实时监测的所述用户的轮廓起伏运动，对融合信号进行动态调整；
5、模型分析模块，用于基于第一大语言模型获取所述用户的输入信息并进行语言处理，且结合第二大语言模型对每个动态调整信号进行再次调整，来实时判断所述用户的心功能变化并输出个性化诊断建议。
6、优选的，所述预处理模块，包括：
7、阈值确定子模块，用于从历史数据库中调取与所述心音传感器匹配的历史监测记录，确定所述心音传感器的清洗阈值，其中，所述历史监测记录包含所述心音传感器在每次历史监测下的历史精准性以及对相应历史监测下信号的历史清洗率；
8、
9、
10、其中，表示所述心音传感器的清洗阈值；表示历史监测的次数；表示第i1次历史监测下的历史清洗率；表示第i1次历史监测下的历史精准性；表示基于所有的方差；( )表示指数函数；表示所有中的最大值；表示精准性阈值；a1表示阈值计算函数；
11、初步确定子模块，用于统计所述心音信号中不在标准声音范围的上超出信号以及下超出信号，并根据所述上超出信号的第一截断信号能量以及下超出信号的第二截断信号能量，且结合所述清洗阈值，初步确定所述心音信号的数据清洗率；
12、聚类子模块，用于对所述上超出信号进行第一聚类以及对所述下超出信号进行第二聚类；
13、系数计算子模块，用于基于第一聚类结果中涉及到的所有第一聚类中心确定所述上超出信号与所述心音信号处于标准声音范围内的信号的第一紧密系数；
14、基于第二聚类结果中涉及到的所有第二聚类中心确定所述下超出信号与所述心音信号处于标准声音范围内的信号的第二紧密系数；
15、当下确定子模块，用于根据所述第一紧密系数、第二紧密系数依次与数据清洗率结合，得到当下清洗率；
16、清洗子模块，用于从清洗率-清洗对照表中获取与所述当下清洗率匹配的清洗方式，对所述心音信号进行清洗；
17、函数配置子模块，用于锁定清洗后的信号中属于信号特异类型的信号点，并根据所述信号点所处清洗后的信号中的第一位置向对应信号点配置截取函数，来对所述清洗后的信号进行划分得到包含对应信号点在内的划分信号；
18、信号扩增子模块，用于搭建心音模拟环境，且结合数字孪生技术对所述划分信号进行扩增，得到对应信号点的扩增信号，进而基于所有信号点的扩增信号，得到若干第一信号。
19、优选的，所述初步确定子模块，用于：
20、
21、
22、其中，表示清洗率计算函数；ln( )表示对数函数；、分别表示上超出信号的第一截断信号能量、下超出信号的第二截断信号能量、心音信号的总能量；、分别表示上超出信号涉及到的信号点数量、下超出信号涉及到的信号点数量、心音信号涉及到的信号点总能量；a2表示常数。
23、优选的，所述函数配置子模块，包括：
24、函数匹配单元，用于根据所述信号点的特异系数以及特异方向，从方向-系数-共享表中获取与所述信号点匹配的初始函数；
25、函数调整单元，用于根据所述信号点在所述清洗后的信号中的第一位置，对所述初始函数进行调整，得到截取函数。
26、优选的，所述动态调整模块，包括：
27、数组构建子模块，用于将指定信号与第一信号进行对齐处理，并获取每个时刻下的信号数组，其中，所述信号数组中包含指定信号中对应时刻的心跳速率的推荐能量以及第一信号中对应时刻的声音能量，且推荐能量是从心率-声音对照表中匹配得到；
28、曲线绘制子模块，用于基于每个时刻下的推荐能量与声音能量的能量差值绝对值绘制差异曲线，进而得到所述差异曲线的第一水平趋势；
29、趋势获取子模块，用于获取所述指定信号、第一信号分别处于高状态的第二水平趋势以及处于低状态的第三水平趋势；
30、一次调节模块，用于结合所述第一水平趋势、两个第二水平趋势以及两个第三水平趋势，确定待调整数组；
31、
32、
33、其中，、分别表示第j1个信号数组中基于推荐能量的第一分析系数、基于声音能量的第二分析系数；分别表示第j1个信号数组中的推荐能量、声音能量；、、、、分别表示第一水平趋势、指定信号处于高状态的第二水平趋势、指定信号处于低状态的第三水平趋势、第一信号处于高状态的第二水平趋势、第一信号处于低状态的第三水平趋势的趋势系数；、、、、分别表示基于第一水平趋势、指定信号处于高状态的第二水平趋势、指定信号处于低状态的第三水平趋势、第一信号处于高状态的第二水平趋势、第一信号处于低状态的第三水平趋势的能量变量；
34、当存在1和/或c2时，将对应信号数组视为待调整数组，其中，1、c2表示常数；
35、按照对所述待调整数组中的声音能量进行一次调节，得到融合信号，其中，表示符号函数，表示待调整数组的总数量。
36、优选的，所述动态调整模块，还包括：
37、序列构建子模块，用于在监测轮廓起伏运动的过程中，获取所述用户在每个监测时刻下的呼吸状态，并构建状态序列，其中，所述呼吸状态包括：规律呼吸状态以及非规律呼吸状态，且所述规律呼吸状态包括：运动呼吸状态以及静止呼吸状态；
38、根据所述轮廓起伏运动，构建运动序列；
39、状态配置子模块，用于将所述运动序列与状态序列进行对齐处理，并基于所述状态序列向所述运动序列中的每个子序列配置状态组合；
40、信号调整子模块，用于按照所述状态组合对相应监测时刻下的融合信号中的对应信号点进行调整。
41、优选的，还包括：
42、识别模块，用于基于第一大语言模型对所述用户的输入信息进行语言处理之前，对所述输入信息进行分词以及词性标注，识别关键词以及重要信息；
43、语义分析模块，用于基于深度学习技术对所述关键词及重要信息进行语义分析，得到所述用户的病史、症状描述和健康问题；
44、关联模块，用于从档案记录平台调取所述用户的历史诊断信息，并利用知识图谱技术与所述用户的病史、症状描述和健康问题进行关联，得到完整上下文信息；
45、模型动态调整模块，用于按照所述完整上下文信息，动态调整所述第一大语言模型的语义理解与生成策略。
46、优选的，所述模型分析模块，还包括：
47、策略获取子模块，用于将语言处理结果输入到第二大语言模型中，得到信号调整策略；
48、再次调整子模块，用于按照所述信号调整策略对每个动态调整信号进行再次调整。
49、与现有技术相比，本技术的有益效果如下：
50、通过对信号进行预处理以及信号融合技术，且结合两个大语言模型进行语言处理以及信号处理，有效提高辅助诊断的精准性。
51、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
52、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。