阅读说明：本技术 一种基于低秩张量学习的多通道心肺音异常识别系统与装置 (Multichannel cardiopulmonary sound abnormity identification system and device based on low-rank tensor learning ) 是由 邱育宁 谢胜利 谢侃 杨其宇 吕俊 周郭许 王艳娇 陈林楷 于 2020-06-24 设计创作，主要内容包括：本发明公开了一种基于低秩张量学习的多通道心肺音异常识别系统与装置,包括：通过3个拾音器组成的拾音器整列采集人体心肺音信号,利用增益调节器对心肺音信号进行放大后,通过滤波器,得到高信噪比的心肺音信号,通过ADC模块转换成数字信号传输至单片机；单片机对于3个通道采集的混合心肺音信号分别进行短时傅里叶变换处理,其中短时傅里叶变换采用的窗函数为汉明窗,对3通道信号进行短时傅里叶变换后,获得3个时频谱；根据采集的心肺音张量数据以及给定的标签,训练低秩张量分类模型,获得预训练的学习参数；当给定的新采集的听诊数据时,使用分类模型预测出患者的心肺音数据是否为异常。本发明能减少学习参数,能实现小样本心肺音异常识别任务。(The invention discloses a multichannel cardiopulmonary sound abnormity identification system and device based on low-rank tensor learning, which comprises the following steps: the method comprises the steps that a sound pick-up composed of 3 sound pick-ups is used for collecting heart and lung sound signals of a human body in an arraying mode, the heart and lung sound signals are amplified by a gain adjuster, then the heart and lung sound signals with high signal-to-noise ratio are obtained through a filter, and the heart and lung sound signals are converted into digital signals through an ADC (analog to digital converter) module and transmitted to a single chip microcomputer; the single chip microcomputer respectively carries out short-time Fourier transform processing on the mixed heart and lung sound signals collected by the 3 channels, wherein a window function adopted by the short-time Fourier transform is a Hamming window, and 3 time spectrums are obtained after the short-time Fourier transform is carried out on the 3 channels of signals; training a low-rank tensor classification model according to the acquired cardiopulmonary sound tensor data and a given label to obtain pre-training learning parameters; given newly acquired auscultation data, a classification model is used to predict whether the patient's cardiopulmonary sound data is abnormal. The invention can reduce learning parameters and realize the task of identifying the small sample cardiopulmonary sound abnormity.)

一种基于低秩张量学习的多通道心肺音异常识别系统与装置

技术领域

本发明涉及智能电子听诊领域，具体是一种基于低秩张量学习的多通道心肺音异常识别系统与装置。

背景技术

近年来，心肺音智能分析已经在时域、频域以及功率谱分析发展到现在的时频分析。心肺音的时频谱分析已经成为了当前有效且流行的方法。为了能够有效地基于心肺音的时频谱识别出存在异常的心肺音信号，研究科学家已经提出了许多方法，包括基于支持向量机(C.Sowmiya and P.Sumitra,"Analytical study of heart disease diagnosisusing classification techniques,"2017 IEEE International Conference onIntelligent Techniques in Control,Optimization and Signal Processing(INCOS),Srivilliputhur,2017,pp.1-5)、线性判别分析(P.Mayorga,J.Valdez,C.Druzgalski andV.Zeljkovic,"Heart and lung sounds based events classification,"2016 GlobalMedical Engineering Physics Exchanges/Pan American Health Care Exchanges(GMEPE/PAHCE),Madrid,2016,pp.1-6,doi:10.1109/GMEPE-PAHCE.2016.7504614)、深度神经网络(Son,Gui-Young,and Soonil Kwon."Classification of heart sound signalusing multiple features."Applied Sciences 8.12(2018):2344.)等方法，但是这些方法存在两个较为严重的问题。一方面，简单地将时频谱向量化后，再进一步地对使用上述提到的方法对其进行异常检测，这种简单地向量化时频谱的方式会破坏数据的时间与空间结构，以致于其无法达到更优的学习效果；另一方面，上述分类器的大规模学习参数，需要提供大量的训练样本，不符合现实需求。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于低秩张量学习的多通道心肺音异常识别系统，包括：

通过3个拾音器组成的拾音器整列采集人体心肺音信号，利用增益调节器对心肺音信号进行放大后，通过滤波器，得到高信噪比的心肺音信号，通过ADC模块转换成数字信号传输至单片机；

单片机对于3个通道采集的混合心肺音信号分别进行短时傅里叶变换处理，其中短时傅里叶变换采用的窗函数为汉明窗，对3通道信号逐一进行短时傅里叶变换后，获得3个时频谱，将3个时频谱表示成1个三维的3*T*F大小的张量，其中T代表采集时长，F代表频率；

根据采集的心肺音张量数据以及给定的标签，训练低秩张量分类模型，获得预训练的学习参数；当给定的新采集的听诊数据时，使用分类模型预测出患者的心肺音数据是否为异常；

单片机将预测结果输出至显示模块，对用户进行提醒。

进一步的，所述的汉明窗的长度设置为100-128，窗移动的补偿设置为50-64；

进一步的，所述的三维的张量数据如下式所示：

3维张量的低秩约束可以表示为3个模态展开的核范数加权求和：

其中||·||*为矩阵核范数，W_[κ]为张量的模-k矩阵展开。

进一步的，所述的模型构建包括如下过程：

将心肺音信号分成4大类，分别是1)心音肺音皆正常，2)心音正常、肺音异常，3)心音异常、肺音正常，4)心音肺音皆异常。通过划分的数据集，分别使用提出的基于张量低秩学习的多通道心肺音异常识别方法学习4个类别的参数目标函数如下：

其中C_r为第r类别的心肺音训练样本个数，和b^r分别为第r类别的参数和偏差，和分别为类别r的第k个辅助变量和对偶变量；

3)求解目标函数

在给定采用交替乘子更新方法，交替地更新目标函数的各个变量

a)更新辅助变量其中k＝1,2,3：

其中为奇异值收缩算子；

b)更新学习参数

c)更新对偶变量其中k＝1,2,3：

d)检查是否达到下述收敛条件，若达到，则停止迭代学习：

其中为前一次迭代的学习参数；

通过交替地更新以上变量，可以使得目标函数达到局部极小值点，从而获得每一个类别的学习参数和b^T。

进一步的，所述的分类包括如下过程：将测试样本输入4个学习到的多通道心肺音异常识别系统中，然后分别计算其在4个学习器的输出。通过比较4个不同识别系统的输出，选取输出最大值对应的系统，以确定该次输入的心肺音信号属于哪种类别的异常，采用如下所示的公式：

代表预测的的类别。

一种多通道心肺音异常识别装置，包括数据处理器、拾音器、增益调节器、滤波器、模数转换器、显示模块；所述的拾音器、增益调节器、滤波器、模数转换器依次连接，所述的模数转换器、显示模块分别与所述的数据处理器连接。

优选的，所述的拾音器采用驻极体话筒、咪头、麦克风或其他将声音信号转换为电信号的传感器中的一种；

优选的，还包括多通道采集音腔，所述的多通道采集音腔设置在拾音器上，每一个通道内设置一个拾音器。

优选的，所述的增益调节器为运算放大器，所述的运算放大器采用的型号为TLC2274。

优选的，所述的模数转换器采用的型号为ADS1115。

本发明的有益效果是：本发明不需要手动地提取心肺音的操作，减少人工干预，并可提升识别准确率；本发明能减少学习参数，能实现小样本心肺音异常识别任务；本发明能够有效地保留多个通道的时频谱中的空间信息，有效地提高识别准确率。

附图说明

图1为一种基于低秩张量学习的多通道心肺音异常识别系统原理图；

图2为一种多通道心肺音异常识别装置原理图；

图3为单个心肺音信号采集通道原理图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

如图1所示，步骤1，通过3个拾音器组成的拾音器整列采集人体心肺音信号，利用增益调节器对心肺音信号进行放大后，通过滤波器，得到高信噪比的心肺音信号，通过ADC模块转换成数字信号传输至单片机；

步骤2，单片机对于3个通道采集的混合心肺音信号分别进行短时傅里叶变换处理，其中短时傅里叶变换采用的窗函数为汉明窗，汉明窗的长度设置为100-128，窗移动的补偿设置为50-64。对3通道信号逐一进行短时傅里叶变换后，能够获得3个时频谱，因此得到的3个时频谱可以自然地表示成1个三维度的3*T*F大小的张量，其中T代表采集时长，F代表频率，由于心音频率范围为20Hz-600Hz，肺音频率范围为60Hz-1000Hz，因此我们选取20Hz-1000Hz的频率范围；根据上述采集的心肺音张量数据以及给定的标签，训练低秩张量分类模型，获得预训练的学习参数；当给定的新采集的听诊数据时，使用分类模型预测出患者的心肺音数据是否为异常；

步骤3，单片机将步骤2的预测结果输出至显示模块，对用户进行提醒；

具体为：拾音器可以包含驻极体话筒、咪头、麦克风或其他将声音信号转换为电信号的传感器，通过拾音器将声音震动信号转化为电信号，此处采用拾音器阵列配合多通道采集音腔，如图X所示，一个听诊器头中包含3个音腔；如图X所示，其中U1为运算放大器，型号为TLC2274，运算放大器配合阻容网络构成两级反向放大器和带通滤波器对采集到的的心肺音进行放大和滤波，其中反向放大器增益为40dB，带通滤波器的上下限截止频率分别为100Hz和3kHz；在具体实施过程中，拾音器、增益调节器和滤波器会设置3个通道，得到3个通道的心肺音信号后，信号传输至ADC模块；在具体实施过程中，ADC选择为ADS1115，其拥有4个ADC采集通道，可以将模拟的心肺音信号转化为数字信号，通过IIC接口传输至单片机；在具体实施过程中，单机片为STM32H743ZI，算法程序运行在此单片机中，得到预测结构后将结果输出至显示模块；在具体实施过程中，显示模块为0.91寸OLED12832显示屏，通过IIC接口与单片机连接。

将原始的多个通道的时频谱表示成三维的张量数据

1)是对参数张量进行低秩约束，旨在学习对心肺音识别分类器的有用的低秩判别信息。

3维张量的低秩约束可以表示为3个模态展开的核范数加权求和：

其中||·||*为矩阵核范数，W_[κ]为张量的模-k矩阵展开。

2)构建目标函数

为了识别异常的心肺音信号，我们将心肺音信号分成4大类，分别是1)心音肺音皆正常，2)心音正常、肺音异常，3)心音异常、肺音正常，4)心音肺音皆异常。通过划分的数据集，分别使用提出的基于张量低秩学习的多通道心肺音异常识别方法学习4个类别的参数目标函数如下：

其中C_r为第r类别的心肺音训练样本个数，和b^r分别为第r类别的参数和偏差，和分别为类别r的第k个辅助变量和对偶变量。

3)求解目标函数

在给定采用交替乘子更新方法，交替地更新目标函数的各个变量

e)更新辅助变量其中k＝1,2,3：

其中为奇异值收缩算子；

f)更新学习参数

g)更新对偶变量其中k＝1,2,3：

h)检查是否达到下述收敛条件，若达到，则停止迭代学习：

其中为前一次迭代的学习参数。

通过交替地更新以上变量，可以使得目标函数达到局部极小值点，从而获得每一个类别的学习参数和b^r。

使用学习的参数和b^r对心肺音测试样本进行分类，分类步骤如下：

基于上述学习的参数，将测试样本输入4个学习到的多通道心肺音异常识别系统中，然后分别计算其在4个学习器的输出。通过比较4个不同识别系统的输出，选取输出最大值对应的系统，以确定该次输入的心肺音信号属于哪种类别的异常。即，表达为如下形式：

代表预测的的类别。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。