一种基于两阶段法的肺音信号预处理方法

1.本发明属于信号分析与处理领域，更具体的讲，涉及一种基于两阶段法的肺音信号预处理方法。


背景技术：

2.肺脏是人体的重要器官，其主要功能是进行呼气和换气，以维持身体的基本生命。肺部疾病是威胁人类健康的主要疾病之一，常见的肺部疾病包括肺炎、哮喘、肺结核、慢性阻塞性肺病等。当肺部出现病变时，会导致患者呼吸受到阻碍，严重影响其身体健康和生活质量；如若没有及时治疗，甚至会对患者的生命造成严重的威胁。
3.听诊器听诊是最简单、最重要的肺部疾病的前期诊断手段。在听诊时，医生会将听诊器放在正确的位置上，通过聆听呼吸音是否存在异常(如湿啰音、干啰音、喘鸣音等)来判断患者的肺部是否存在问题与隐患。随着科学技术的发展，电子听诊器得到了越来越广泛的应用，它可以将听诊信号数字化，有着信息全面、不失真、听诊清晰准确等特点。其采集的信号可以通过软件进一步处理并显示波形，丰富了临床诊断方式；还可以与机器学习结合，进行辅助诊断，提高医生的筛查效率。
4.根据肺音的频带分布(100～2000hz)，目前对肺音信号的常用预处理方式为：低频部分使用高通滤波或陷波器滤除低频干扰；高频部分使用一截止频率固定的低通滤波器来对其进行降噪处理。然而，在实际情况中存在以下问题：(1)生活中的肺音采集包含噪声更多，杂音频带分布更广且更多样化，简单使用统一的截止频率很难保证噪音最大程度的滤除；(2)不同的肺音采样点的关键信息分布存在一定的差异，统一的截止频率会导致某些肺音关键信息丢失；(3)不同的采样者年龄、性别、身高、体重等参数各不相同，其对应的肺音频带分布也存在较大差异。
5.综上所述，使用常用的肺音信号预处理方式并不能有效保留肺音信号的有效信息，且不利于临床医师诊断以及基于机器学习的信号识别。因此，本专利申请提出一种基于两阶段法的肺音信号预处理方法。


技术实现要素：

6.鉴于此，本发明旨在提出一种基于两阶段法的肺音信号预处理方法，将传统的预处理方法改进为初步预处理和信号再处理这两部分，以解决目前肺音信号预处理方式过于固定统一，不能有效保留环境噪声太大、采样点不同、采样人群不同的肺音信号有效信息，进而不利于临床医师诊断以及基于机器学习信号识别的问题。本发明技术方案如下：
7.一种基于两阶段法的肺音信号预处理方法，包括下列步骤：
8.步骤一：信号采集与分组；使用电子听诊器采集肺音信号，采集的信号应保证涵盖较广的人群以及包含较多的呼吸音种类；按照年龄、性别、身高、体重参数以及采样点位置进行分组，构成不同的样本集，对一个样本集做如下处理；
9.步骤二：初步预处理；低频部分使用陷波器，高频部分使用巴特沃斯低通滤波器,
预设初始截止频率，对样本集的肺音信号进行初步的去噪处理；
10.步骤三：对预处理后的信号进行特征提取
11.对预处理后的肺音信号使用快速多尺度的离散小波变换，得到多个频率段的小波系数,获得离散小波变换的小波系数s
m,k
；
12.选取可以反映不同种类肺音信号差异的小波系数进行特征提取，建立小波系数s
m,k
与信号能量e
m,k
的等价关系；
13.将归一化后的小波系数能量作为提取的特征，构成数据集；
14.步骤四：对提取的特征进行分类；将步骤三的数据集分为训练集和测试集，再使用机器学习方式建模并测试，对不同的呼吸音进行分类；
15.步骤五：对初步预处理的信号多次再处理,逐渐减小低通滤波的截止频率，对初步预处理的肺音信号进一步降噪，并重复步骤三和步骤四的操作，分别记录下不同截止频率的分类正确率；当截止频率降低至某一限定频率时，结束步骤五；
16.步骤六：选取该样本集的最优截止频率；根据记录的各截止频率下的分类正确率，选取分类正确率最大值对应的截止频率作为最适合该样本集的低通截止频率。
17.进一步地，低频部分使用50hz陷波器，高频部分预设初始截止频率在1500hz～2500hz之间选取。
18.进一步地，步骤三中，选取前5层小波系数进行特征提取。
19.进一步地，步骤三中，建立小波系数s
m,k
与信号能量e
m,k
的等价关系，其等价关系为：
[0020][0021]
其中，n为信号的离散采样点个数；m离散小波变换的尺度参数；k为离散小波变换的平移参数。
[0022]
进一步地，当截止频率降低至600hz时，结束步骤五。
[0023]
相对于现有技术，本发明所述的基于两阶段法的肺音信号预处理方法有以下有益效果：
[0024]
(1)本发明所述的基于两阶段法的肺音信号预处理方法提升了信号预处理的自适应性，可有效保留环境噪声太大、采样点不同、采样人群不同的肺音信号的有效信息。
[0025]
(2)本发明所述的基于两阶段法的肺音信号预处理方法得到的预处理后的信号更有利于临床医师诊断，且可以有效提高基于机器学习的信号识别的准确率。
[0026]
(3)本发明所述的基于两阶段法的肺音信号预处理方法可以更直观地确定不同环境、采样点、人群的肺音信号的频带分布，并于实际研究相印证。
附图说明
[0027]
图1为本发明的基于两阶段法的肺音信号预处理方法的流程图。
[0028]
图2为正常呼吸音的时域曲线和频域曲线。
[0029]
图3为湿啰音呼吸音的时域曲线和频域曲线。
[0030]
图4为正常呼吸音的8层小波分解的高频小波系数示意图。
[0031]
图5为湿啰音呼吸音的8层小波分解的高频小波系数示意图。
具体实施方式
[0032]
结合附图和实施例对本发明的基于两阶段法的肺音信号预处理方法加以说明。
[0033]
实施例中，针对通过儿童肺音识别是否感染肺炎(即判断儿童的呼吸音是否有湿啰音)这一特殊应用场景，使用本发明有效解决儿童肺音听诊中环境噪声太大、采样点不同、采样人群不同下的信号预处理问题。
[0034]
图1是本发明的基于两阶段法的肺音信号预处理方法的流程图。分为信号的采集与分组、初步预处理和信号再处理这三大部分。其中，本发明的“两阶段”指将传统的一步预处理改进为初步预处理和信号再处理这两部分。
[0035]
第一部分，信号采集与分组。
[0036]
首先根据肺音的频带分布，使用采样频率为4000hz的电子听诊器采集大量儿童肺音信号，每个肺音信号采集10秒钟。采集的信号涵盖较广的儿童群众并包含了正常呼吸音和湿啰音两种肺音，正常呼吸音和湿啰音呼吸音的时频域曲线分别如图2和图3所示；再按照年龄、性别、身高、体重等参数以及采样点位置进行分组，构成不同的样本集。
[0037]
第二部分，初步预处理。
[0038]
1)低频部分使用50hz陷波器，高频部分使用截止频率为2000hz的巴特沃低通斯滤波器，对该样本集的肺音信号进行初步的去噪处理。陷波器的传递函数为：
[0039][0040]
其中，ω
c1
是陷波中央角频率；ω
bw
是陷波宽度。
[0041]
巴特沃斯低通滤波器的幅频特性为：
[0042][0043]
其中，n为滤波器的阶数；ω
c2
为该滤波器的截止角频率。
[0044]
在数字滤波中，巴特沃斯滤波器一般要提供通带截止频率f
p
和阻带截止频率fs两个参数。为了方便描述，后续的截止频率f被定义为：
[0045][0046]
2)对预处理后的信号进行特征提取。首先对预处理后的肺音信号使用快速多尺度的小波分解，得到多个频率段的小波系数。离散小波变换由连续小波变换演变而来，连续小波变换可表示为：
[0047][0048]
其中，a为尺度；τ为平移量；为有限长会衰减的小波基。
[0049]
令连续小波变换中的a＝2m,τ＝k
·2m
(m,k∈z)，并将其离散化即可获得离散小波变换的小波系数s
m,k
。
[0050]
在本实施例中，对预处理后的儿童肺音信号进行8层离散小波变换，各高频小波系
数对应的频率范围分别为1000-2000hz、500-1000hz、250-500hz、125-250hz、63-125hz、32-63hz、16-32hz和8-16hz，低频小波系数对应的频率范围为0-8hz。
[0051]
正常呼吸音和湿啰音呼吸音的高频小波系数分别如图4和图5所示。通过观察发现63-2000hz的高频小波系数，同一层下的不同种类的信号有着较明显的波动和能量差别。最终选取了前5层小波系数进行特征提取。
[0052]
通过建立小波系数s
m,k
与信号能量e
m,k
的等价关系进行特征提取，其等价关系为：
[0053][0054]
其中，n为信号的离散采样点个数；m离散小波变换的尺度参数；k为离散小波变换的平移参数。
[0055]
最终，将归一化后的5维小波系数能量作为提取的特征，构成数据集。
[0056]
3)对提取的特征进行分类。将特征数据集按照8:2的比例分为训练集和测试集，再使用支持向量机、决策树或者随机森林等机器学习方式建模并测试，对正常呼吸音和湿啰音进行分类，并记录其正确率。
[0057]
第三部分，信号再处理。
[0058]
首先，对初步预处理的信号多次再处理，逐渐多次减小低通滤波的截止频率(1950hz，1900hz，
…
，750hz，700hz)，对初步预处理的肺音信号进一步降噪，并重复第二部分的特征提取和数据集分类操作，分别记录下不同截止频率的分类正确率。
[0059]
表1为当截止频率为850hz(通带截止频率为750hz，阻带截止频率为950hz)时基于决策树的不同采样点的分类效果。可以看出，此时虽然信号的滤波频带与肺音的频带存在一定的交集，但依旧取得了不错的分类效果(平均值普遍高于90％)。根据聆听音频，分析可能是采样环境较为嘈杂导致该结果。这也从侧面印证了采样环境是影响预处理方式的主要因素之一，并证明该发明具有较强的实际应用价值。
[0060]
[0061][0062]
表1：当截止频率为850hz时基于决策树的不同采样点的分类效果
[0063]
最终，根据记录的各截止频率下的分类正确率，选取分类正确率最大值对应的截止频率作为最适合该样本集的低通截止频率，进而完成儿童肺音信号的再处理。
[0064]
本发明不局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的显而易见的等效或修改，都在本发明的保护之列。

技术特征：
1.一种基于两阶段法的肺音信号预处理方法，包括下列步骤：步骤一：信号采集与分组；使用电子听诊器采集肺音信号，采集的信号应保证涵盖较广的人群以及包含较多的呼吸音种类；按照年龄、性别、身高、体重参数以及采样点位置进行分组，构成不同的样本集，对一个样本集做如下处理；步骤二：初步预处理；低频部分使用陷波器，高频部分使用巴特沃斯低通滤波器,预设初始截止频率，对样本集的肺音信号进行初步的去噪处理；步骤三：对预处理后的信号进行特征提取对预处理后的肺音信号使用快速多尺度的离散小波变换，得到多个频率段的小波系数,获得离散小波变换的小波系数s
m,k
；选取可以反映不同种类肺音信号差异的小波系数进行特征提取，建立小波系数s
m,k
与信号能量e
m,k
的等价关系；将归一化后的小波系数能量作为提取的特征，构成数据集；步骤四：对提取的特征进行分类；将步骤三的数据集分为训练集和测试集，再使用机器学习方式建模并测试，对不同的呼吸音进行分类；步骤五：对初步预处理的信号多次再处理,逐渐减小低通滤波的截止频率，对初步预处理的肺音信号进一步降噪，并重复步骤三和步骤四的操作，分别记录下不同截止频率的分类正确率；当截止频率降低至某一限定频率时，结束步骤五；步骤六：选取该样本集的最优截止频率；根据记录的各截止频率下的分类正确率，选取分类正确率最大值对应的截止频率作为最适合该样本集的低通截止频率。2.根据权利要求1所述的肺音信号预处理方法，其特征在于，步骤二中，低频部分使用50hz陷波器，高频部分预设初始截止频率在1500hz～2500hz之间选取。3.根据权利要求1所述的肺音信号预处理方法，其特征在于，步骤三中，选取前5层小波系数进行特征提取。4.根据权利要求1所述的肺音信号预处理方法，其特征在于，步骤三中，建立小波系数s
m,k
与信号能量e
m,k
的等价关系，其等价关系为：其中，n为信号的离散采样点个数；m离散小波变换的尺度参数；k为离散小波变换的平移参数。5.根据权利要求1所述的肺音信号预处理方法，其特征在于，当截止频率降低至600hz时，结束步骤五。

技术总结
本发明涉及一种基于两阶段法的肺音信号预处理方法，包括下列步骤：信号采集与分组；初步预处理；低频部分使用陷波器，高频部分使用巴特沃斯低通滤波器,预设初始截止频率，对样本集的肺音信号进行初步的去噪处理；对预处理后的信号进行特征提取，将归一化后的小波系数能量作为提取的特征，构成数据集；对提取的特征进行分类；将步骤三的数据集分为训练集和测试集，再使用机器学习方式建模并测试，对不同的呼吸音进行分类；对初步预处理的信号多次再处理,逐渐减小低通滤波的截止频率，对初步预处理的肺音信号进一步降噪，分别记录下不同截止频率的分类正确率；当截止频率降低至某一限定频率时，结束；选取该样本集的最优截止频率。选取该样本集的最优截止频率。选取该样本集的最优截止频率。


技术研发人员：韩忻怡 任尚杰 徐勇胜 宁静 董峰
受保护的技术使用者：天津大学
技术研发日：2023.07.12
技术公布日：2023/10/15