-
题名基于多尺度小波包分析的肺音特征提取与分类
被引量：31
- 1
-
-
作者
刘毅
张彩明
赵玉华
董亮
-
机构
山东大学计算机科学与技术学院
山东大学信息科学与工程学院
山东大学齐鲁医院呼吸内科
-
出处
《计算机学报》
EI
CSCD
北大核心
2006年第5期769-777,共9页
-
基金
山东省自然科学基金(Y2005G01)资助.
-
文摘
提出了一种适于非平稳肺音信号的特征提取方法.以4种肺音信号(正常、气管炎、肺炎和哮喘)为样本数据,通过分析肺音信号的时频分布特点,选择了具有任意多分辨分解特性的小波包.对小波包进行空间划分后找到了适合肺音特征提取的最优基,并基于最优基对肺音信号进行快速多尺度的分解,得到了各级节点的高维小波系数矩阵,建立了小波系数与信号能量在时域上的等价关系,并将能量作为特征值,构造了低维的作为分类神经网络的输入特征矢量,大大降低了输入特征的维数.研究表明该算法的识别性能是高效的.
-
关键词
肺音
多尺度分析
小波包
特征提取
分类
-
Keywords
lung sound
multiscale analysis
wavelet packet
feature extraction
classification
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于深度学习的肺音分类研究
被引量：3
- 2
-
-
作者
张乙鹏
陈扶明
孙文慧
李川涛
李楠
-
机构
中国人民解放军联勤保障部队第九四○医院医学工程科
甘肃中医药大学信息工程学院
海军军医大学海军医学中心航空生理心理训练队
-
出处
《中国医疗设备》
2023年第11期155-160,共6页
-
基金
国家自然科学基金(61901515)
甘肃省自然科学基金(22JR5RA002)。
-
文摘
肺部疾病对人类健康和生命安全有重大的影响,肺部出现异常是肺部疾病的直接反应,对肺音的研究在临床诊断中有重要的意义。随着电子听诊技术的不断发展,现代肺音的特征提取和分类技术也得到进一步研究。目前,肺音分类的研究是将信号分析和深度学习算法相结合,以提升辅助电子听诊器的实际应用。本文旨在对肺音的概念进行阐述,并分析肺音分类的发展现状以及肺音分类技术存在的不足,以期对肺音分类技术未来的研究方向和应用发展趋势进行展望。
-
关键词
肺音信号
特征提取
深度学习
肺音分类
-
Keywords
lung sound signal
feature extraction
deep learning
classification of lung sounds
-
分类号
R319
[医药卫生—基础医学]
-
-
题名具有空间-通道重构卷积模块的肺音分类模型
- 3
-
-
作者
叶娜
吴辰文
蒋佳霖
-
机构
兰州交通大学电子与信息工程学院计算机科学与技术系
-
出处
《南方医科大学学报》
CAS
CSCD
北大核心
2024年第9期1720-1728,共9页
-
基金
国家自然科学基金(62241204)。
-
文摘
目的探究肺音数据的准确识别及分类。方法本文提出了一种结合空间-通道重构卷积(SCConv)模块的卷积网络架构以及双可调Q因子小波变换(DTQWT)与三重Wigner-Ville变换(WVT)结合的肺音特征提取方法,通过自适应地聚焦于重要的通道和空间特征,提高模型对肺音关键特征的捕捉能力。基于ICBHI2017数据集,进行正常音、哮鸣音、爆裂音、哮鸣音和爆裂音结合的分类。结果方法在分类的准确率、敏感性、特异性以及F1分数上分别达到85.68%、93.55%、86.79%、90.51%。结论所提方法在ICBHI 2017肺音数据库上取得了优异的性能,特别是在区分正常肺音和异常肺音方面。
-
关键词
肺音分类
卷积神经网络
空间-通道重构卷积
双可调Q因子小波变换
三重Wigner-Ville变换
-
Keywords
lung sound classification
convolutional neural network
spatial and channel reconstruction convolution
dual tunable Q-factor wavelet transform
triple Wigner-Ville transform
-
分类号
TN912.3
[电子电信—通信与信息系统]
R563.9
[电子电信—信息与通信工程]
TP18
[医药卫生—呼吸系统]
-
-
题名基于小波变换和CNN-LSTM的肺音分类算法
- 4
-
-
作者
张乙鹏
孙文慧
陈扶明
-
机构
甘肃中医药大学信息工程学院
中国人民解放军联勤保障部队第
-
出处
《中国医学物理学杂志》
CSCD
2024年第3期356-364,共9页
-
基金
国家自然科学基金(61901515,62361038)
甘肃省自然科学基金(22JR5RA002)。
-
文摘
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。
-
关键词
肺音分类
小波变换
卷积神经网络
长短期记忆网络
-
Keywords
lung sound classification
wavelet transform
convolutional neural network
long short-term memory
-
分类号
R318
[医药卫生—生物医学工程]
TP912.35
[医药卫生—基础医学]
-
-
题名基于机器学习的肺音分类技术的研究进展
被引量：2
- 5
-
-
作者
郑明杰
宋余庆
刘毅
-
机构
江苏大学计算机科学与通信工程学院
-
出处
《计算机科学》
CSCD
北大核心
2015年第12期8-12,31,共6页
-
基金
江苏省自然科学基金(BK20130529)
高等学校博士学科点专项科研基金课题(20113227110010)
+2 种基金
镇江市科技计划项目(SH20140110)
江苏省博士后科研资助计划项目(1202037C)
中国博士后科学基金(2013M541616)资助
-
文摘
肺音(Lung Sound)信号是人体呼吸系统与外界在换气过程中产生的一种生理声信号,其因含有大量的生理和病理信息而具有很高的研究价值。近年来,频发的雾霾天气等环境问题所带来的呼吸道疾病发病率的提高,也使得对肺部疾病诊断的快速性与准确性的需求大幅提升。肺部听诊以其迅捷便利和无创等优良特性重新引发人们的广泛关注,而自动肺音诊断技术的发展无疑会对肺部疾病诊断带来重要的帮助。电子听诊器以及其他信号采集技术等硬件方面的发展进一步促进了现代肺音信号的分析和识别技术的研究与进步。主要介绍了肺音的概念、基于计算机的肺音信号处理和模式识别技术,并对近年来基于机器学习的肺音分类技术的发展状况进行了总结与列举;最后,对肺音分类技术的研究和应用发展趋势进行了展望。
-
关键词
肺音
分类技术
机器学习
-
Keywords
lung sound, classification techniques, Machine learning
-
分类号
TP391.7
[自动化与计算机技术—计算机应用技术]
-
