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。