基于变分模态分解的肺音去噪算法

目的：为有效提高肺音信号质量,提出一种基于变分模态分解的肺音去噪方法。方法：首先利用经验模态分解对带噪肺音信号进行分解,根据本征模态函数特征确定最佳分解层数,然后根据分解层数对原始带噪肺音进行变分模态分解处理,接着根据皮尔逊系数选取有用模态,最后采用阈值方法对各模态函数去噪,重构后得到没有噪声干扰的肺音信号。结果：通过与维纳滤波和FIR滤波进行对比,本文方法的语音质量感知评价、短时间客观可读性和源信号失真比均更优。结论：本文方法能有效对肺音信号进行去噪处理。     

基于小波变换和CNN-LSTM的肺音分类算法

目的：针对如何建立有助于电子听诊诊断的肺音分类模型,提出一种基于卷积神经网络（CNN）-长短期记忆网络（LSTM的混合深度学习肺音分类模型方法。方法：首先使用小波变换对数据集进行特征提取,使肺音信号转化为能量熵、峰值等特征;在此基础上构建CNN和LSTM的混合算法分类模型,其中将小波变换提取的特征先输入CNN模块,能够获得数据的空间维度特征,再通过LSTM模块获得数据的时间维度特征,融合两类特征,通过模型可以将肺音分类,从而达到辅助判断患者的肺部疾病。结果：CNN-LSTM混合模型准确率、F1分数均明显高于其他单一模型,可达到0.948和0.950。结论：提出的CNN-LSTM混合模型分类准确率更高,在智能听诊领域具有广泛的潜在应用价值。     

心肺音分离方法研究进展

听诊是诊断心血管和呼吸系统疾病最有效的方法。为了达到准确诊断的目的,设备必须能够识别各种临床情况下的心肺音。然而,记录的胸腔声音通常为心肺音混合信号。因此,将心肺音混合信号分离对于医生听诊至关重要。本文介绍了心音信号和肺音信号的频率范围和信号特征,综述了目前心肺音分离方法的研究进展,阐述了现有各种心肺音分离方法的优缺点,指出了选取一种合适的心肺音分离算法来分离心肺音对辅助医疗的重要意义。