基于智能识别功能的电子听诊器

1.一种基于智能识别功能的电子听诊器，其特征在于：包括，
处理器单元，用于具体实现对心音和呼吸音信号的处理、噪声析出、分类提取、标准样式对比，通过嵌入在此单元的智能识别算法提取心音和呼吸音病例特征、识别心音和呼吸音病例特征信号的包络特征、实现分段算法识别以及神经网络计算，实现对心音和呼吸音信号的智能识别；
信号采集单元，与处理器单元连接，用于采集心音肺音信号并对其进行放大、滤波处理并将采集到的模拟信号转换为数字信号；
外围驱动单元，与处理器单元连接，用于对各操作功能单元提供控制驱动；
存储单元，与处理器单元连接，用于对程序及其扩展程序进行存储，还用于存储心音呼吸音以及标准的心音和呼吸音、疾病的各典型病例的听音样式；
数据总线接口单元，与处理器单元连接，用于4G\3G模块、WiFi模块、GPRS模块、WLAN模块和LAN模块的连接。
2.按照权利要求1所述的基于智能识别功能的电子听诊器，其特征在于：所述处理器单元为由嵌入式微处理器ARM和DSP构成的双处理器。
3.按照权利要求1所述的基于智能识别功能的电子听诊器，其特征在于：所述信号采集单元包括传感器、信号调理电路及音频芯片；所述传感器由传统的听诊器听头、胶皮管以及微型驻极体电容传声器构成；所述微型驻极体电容传声器位于胶皮管的一端，其信号引出线连接至所述信号调理电路的输入端；所述信号调理电路包括放大电路和滤波电路；所述音频芯片设于所述信号调理电路和所述处理器单元之间，用于实现音频信号的采集与回放，还用于播放存储单元中预设的标准心音、呼吸音以及疾病各典型病例的听音样式。
4.按照权利要求1所述的基于智能识别功能的电子听诊器，其特征在于：还包括数据通信单元，该数据通信单元包括4G\3G模块、WiFi模块、GPRS模块、WLAN模块和LAN模块，用以实现与互联网以及主从设备之间的数据通讯。
5.按照权利要求4所述的基于智能识别功能的电子听诊器，其特征在于：所述数据通信单元还包括用于实现与PC机进行数据交互的USB接口单元，所述USB接口单元与所述处理器单元直接连接。
6.按照权利要求1所述的基于智能识别功能的电子听诊器，其特征在于：所述存储单元包括用于存储数据的FLASH存储器和用于扩展程序执行的SDRAM存储器，所述FLASH存储器和SDRAM存储器均直接连接至所述处理器单元，并且两者之间也互相连接，所述SDRAM存储器在扩展程序执行时对FLASH存储器中的数据进行读取和写入。
7.按照权利要求6所述的基于智能识别功能的电子听诊器，其特征在于：所述FLASH存储器还同时连接至所述处理器单元，且两者之间还设有用于扩展处理器对所述FLASH存储器进行高位寻址的锁存器FPGA。
8.按照权利要求6或7所述的基于智能识别功能的电子听诊器，其特征在于：所述存储单元还包括直接连接至所述处理器单元、作为主存储器进行心音呼吸音数据存储的SDCARD。
9.按照权利要求1所述的基于智能识别功能的电子听诊器，其特征在于：还包括用于屏蔽电磁干扰的抗磁电路单元。
10.按照权利要求1所述的基于智能识别功能的电子听诊器，其特征在于：还包括电源单元，所述电源单元包括聚合物锂离子电池。

基于智能识别功能的电子听诊器 \n技术领域\n[0001] 本发明属于医疗器械技术领域，尤其涉及一种用于辅助诊断的智能识别心音和呼吸音等生理参数、判别心音和呼吸音的类型、提取疾病特征的电子听诊器。\n背景技术\n[0002] 心音和呼吸音是人体心脏运动中和人体呼吸运动中所产生的生理特征，它蕴含着心脏和呼吸系统的生理和病理信息。在医学临床中心音和呼吸音的病理分析与血气便化验分析、X光线、B超诊断等技术相比,更能方便快捷的早期预测心脏和呼吸系统疾病。探索和研究心音和呼吸音的临床诊断的技术理论已有120年的漫长时间，形成了较为完善听诊诊断学科体系并在临床实践和教学实践中广泛应用。同时随着科学技术应用的发展，听诊器也在不断地发展和完善从机械式发展到电子式，都是在帮助医生更能准确的捕捉生理和病理信息。但是由于我们人耳听音本身功能的局限，是难以实现对于心音和呼吸音准确的听诊效果，而人们对心音和呼吸音的声音信息产生与传播的机理等方面的研究不够深入，对于声音信息与病理、生理之间相关性的还有待于深入的研究和掌握，这些都影响了当今临床听诊诊断学的应用和发展。\n[0003] 听诊器在向电子式的发展过程中只是在硬件环节上的创新，形式是电子麦克风接受声音再进行各种电子硬件的滤波、运算放大、存储等，实现听诊的声音信息录音生成数字文件、储存及重复播放的功能。这些目的都是让听到的心音和呼吸音信号更加清晰准确，但由于心音和呼吸音的声音干扰噪声与信号在频谱上的重叠，单纯采用一般的硬件功能往往不能有效地消除干扰噪声，需要采用更有效的信号处理技术来消除这些干扰噪声，所以，目前的电子听诊器还不能真正意义上辅助医生进行临床诊断。\n[0004] 因此临床上迫切需要一种准确性高、易于操纵、携带方便、快速诊断的智能识别辅助医生的听诊装置。让临床医生在心音和呼吸音听诊的同时仪器装置通过已具备的科学识别方法智能识别出当时听到音的特征同声判断出类别，并做出分析指正出疾病的类型和含有的病理信息，有效利用听诊技术实现早期发现疾病征兆辅助医生诊断。目前业已成熟的现代信号处理和模式识别技术为此种辅助诊断设备的研究开发奠定了基础，国内外众多厂商所提供的最先进微电子模块器材为研制新一代的智能识别的电子听诊器创造了条件，应用嵌入式电子信息技术和传感器技术构成了研究开发的技术手段。\n发明内容\n[0005] 本发明为解决公知技术中存在的技术问题而提供一种准确性高、易于操纵、携带方便、快速诊断的基于智能识别功能的电子听诊器。\n[0006] 本发明为解决公知技术中存在的技术问题所采取的技术方案是：基于智能识别功能的电子听诊器包括：\n[0007] 处理器单元，用于具体实现对心音和呼吸音信号的噪声析出、提取心音和呼吸音病例特征、提取心音和呼吸音病例特征信号的包络特征、实现自动分段算法识别以及神经网络计算；信号采集单元，与处理器单元连接，用于采集心音呼吸音信号并对其进行放大、滤波、等处理并将采集到的模拟信号转换为数字信号；外围驱动单元，与处理器单元连接，用于对各操作功能环节如键盘、触摸屏等提供控制驱动；存储单元，与处理器单元连接，用于对程序及其扩展程序进行存储，还用于存储心音呼吸音数据以及标准的心音和呼吸音、疾病的各典型病例的听音样式；数据总线接口单元，与处理器单元连接，用于4G/3G模块、WiFi模块、GPRS模块、WLAN模块和LAN模块的连接。\n[0008] 本发明采用了如下技术方案：\n[0009] 所述处理器单元为由嵌入式微处理器ARM和DSP构成的双处理器。\n[0010] 所述信号采集单元包括传感器、信号调理电路及音频芯片；所述传感器由传统的听诊器听头、胶皮管以及微型驻极体电容传声器构成；所述微型驻极体电容传声器位于胶皮管的一端，其信号引出线连接至所述信号调理电路的输入端；所述信号调理电路包括放大电路和滤波电路；所述音频芯片设于所述信号调理电路和所述处理器单元之间，用于实现音频信号的采集与回放，还用于播放存储单元中预设的标准心音、呼吸音以及疾病各典型病例的听音样式。\n[0011] 还包括用于提高仪器的应用性能、与其他设备进行通信的数据通信单元，所述数据通信单元为连接至所述处理器单元的串行通信接口。\n[0012] 所述数据通信单元还包括用于实现与PC机进行数据交互的的USB接口单元，所述USB接口单元与所述处理器单元直接连接。\n[0013] 所述存储单元包括用于存储数据的FLASH存储器和用于扩展程序执行的SDRAM存储器，所述FLASH存储器和SDRAM存储器均直接连接至所述处理器单元，并且两者之间也互相连接，所述SDRAM存储器在扩展程序执行时对FLASH存储器中的数据进行读取和写入。\n[0014] 所述FLASH存储器还同时连接至所述处理器单元，且两者之间还设有用于扩展处理器对所述FLASH存储器进行高位寻址的锁存器FPGA。\n[0015] 所述存储单元还包括直接连接至所述处理器单元、作为主存储器进行心音呼吸音数据存储的SDCARD。\n[0016] 还包括用于屏蔽电磁干扰的抗磁电路单元。\n[0017] 还包括电源单元，所述电源单元包括聚合物锂离子电池。\n[0018] 本发明具有的优点和创新效果是：把现代信号处理和模式识别技术引入到了电子听诊器中，应用嵌入式电子信息技术和传感器技术来实现基于智能识别功能的电子听诊器。由ARM+DSP双微处理器构成的处理器单元具体实现对心音和呼吸音的模式识别算法，完成对心音呼吸音信号的智能识别和分类，存储单元不仅用于存储当前所得心音呼吸音数据、而且预设有心音、呼吸音疾病的各典型病例的标准听音样式，通过音频芯片对采集到的音频信号进行回放并可以选择播放收听上述标准心音、呼吸音以及疾病各典型病例的听音样式，方便使用者进行对比判断，并增强判断的准确性，尽量降低主观因素的影响。数据通信单元中的串行通信接口以及USB接口使仪器能够与其他设备进行通信，尤其是与PC机之间的数据交互；连接4G/3G模块、WiFi模块、GPRS模块、WLAN模块和LAN模块的数据总线接口单元让仪器实现与网络环境的数据交互和Internet的数据通信，配合网络辅助诊断系统更能发挥其优势。\n附图说明\n[0019] 图1是本发明的系统框图；\n[0020] 图2是图1中传感器部分的结构示意图。\n具体实施方式\n[0021] 为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下：\n[0022] 图1是本发明的系统框图。基于智能识别功能的电子听诊器包括处理器单元，用于具体实现对心音和呼吸音信号的噪声析出、提取心音和呼吸音病例特征、提取心音和呼吸音病例特征信号的包络特征、实现自动分段算法识别以及神经网络计算。信号采集单元，与处理器单元连接，用于采集心音呼吸音信号并对其进行放大、滤波、等处理并将采集到的模拟信号转换为数字信号。外围驱动单元，与处理器单元连接，用于对各操作功能环节如键盘、触摸屏等提供控制驱动。存储单元，与处理器单元连接，用于对程序及其扩展程序进行存储，还用于存储心音呼吸音数据以及标准的心音和呼吸音、疾病的各典型病例的听音样式。数据总线接口单元，与处理器单元连接，用于4G/3G模块、GPRS模块、WLAN模块和LAN模块的连接。\n[0023] 本发明的智能识别听诊器的嵌入式微处理器，应用ARM+DSP中心处理单元C6A816x，集成ARM CortexA9内核和具有1.5GHz的单内核浮点与定点DSP，以此实现现代信号处理和模式识别技术的通用算法，如数据滤波、图像处理，智能识别技术算法，创新实现在此核心处理器单元内应用MATLAB系统仿真实现了复杂的数学函数运算、时频域分析，小波转换、神经网络计算和模式识别软件功能的处理算法。正是采用ARM CortexA9实现图形用户界面(GUI)、通讯处理和网络连接、系统控制以及具体操作功能的处理应用，其双核的高处理能力与DSP高性能嵌入式硬件架构，以保障智能识别算法功能的实现。\n[0024] 本发明实现心音和呼吸音信号自动识别与分析，其采用的识别方法为：利用心音和呼吸音各成分的时频域特性，应用小波分解重构进行消噪，矫正基线漂移，然后提取其包络信号，进而从包络信号中提取心音和呼吸音各成分的特征信息，结合心音和呼吸音的相关医学知识，利用神经网络的方法对心音进行训练和识别，让医生使用便捷。\n[0025] 图2是传感器部分的结构示意图。信号采集单元包括传感器、信号调理电路及音频芯片。其中，传感器由传统的听诊器听头1、胶皮管2以及微型驻极体电容传声器3构成，微型驻极体电容传声器3位于胶皮管2的一端，其信号引出线10连接至信号调理电路的输入端。信号调理电路包括放大电路和滤波电路。音频芯片选择TLV320AIC3253设于信号调理电路和处理器单元之间，用于实现音频信号的采集与回放，还用于播放存储单元中预设的标准心音、呼吸音以及疾病各典型病例的听音样式。\n[0026] 音频芯片TLV320AIC3253对心音呼吸音信号进行模数(A/D)转换。充分应用高性能、集成有模拟功能的立体声编解码音功能，内置麦克和耳机输出放大器，支持MIC和LINE IN两种输入方式，且对输入和输出都具有可编程增益调节。AIC3253的模数转换(A/D)和数模转换(D/A)部件高度集成在芯片内部，在内部集成了高采样率的数字内插滤波器。由于具有上述优点，使得AIC3253是一款非常理想的音频模拟I/O器件，可以很好地应用在各种数字音频领域，对于心音呼吸音这类生理声信号尤为适合。\n[0027] 应用合适的传感器采集信号是准确收集心音呼吸音信号的基础，由于心音呼吸音信号比较微弱，这对传感器的灵敏度、清晰度、精度和稳定性提出了很高的要求，必须选择高配置、小型轻量化、信噪比高并且易于操作使用的传感器。既要便于与人体皮肤表面接触，又要尽量降低对人体表面振动及环境噪声的影响。在现有技术中，符合要求的有PVDF压电传感器、电容传声器和加空气耦合腔电容传声器、驻极体电容式传声器。本设备选用了微型驻极体电容传声器。\n[0028] 信号调理电路的实现：直接从传感器输出的心音呼吸音信号是很微弱的，将传感器放置人体左侧锁骨下第四根肋骨的空处时测得信号的峰峰值为20mV，此信号主要为心音信号，包含部分的呼吸音信号和噪声；在右侧锁骨下第二根肋骨的空处测得信号的峰峰值为5mV，此信号主要为呼吸音信号，包含部分心音及噪声；在传感器不接触人体条件下测得噪声的峰峰值为2mV。这类包含一定强度噪声的微弱交流小信号不利于数据的采集，必须对其进行放大、滤波等一系列调理，由此设置了信号调理电路。\n[0029] 运算放大采用AD827对传感器输出的信号进行放大处理。AD827是一款高性能低噪声的运算放大器，具有较好的噪声性能，输入噪声仅为5nV，同时具有优良的放大能力及相当高的小信号带宽。\n[0030] 经传感器检测的心音呼吸音信号首先滤除高频噪声信号，然后经过AD827进行放大。为了更好的滤除频率较高的噪声，通过在运算放大器的反馈电路中加入滤波电容降低放大电路的高频增益。实际实现中，当增益为10dB时，在人体左侧锁骨下第三至四根肋骨的空处输出信号的峰峰值为200-300mV；在人体右侧锁骨下第二根肋骨的空处输出信号的峰峰值为150mV；在传感器不接触人体条件下噪声的峰峰值为10mV。放大的心音和呼吸音信号可以满足系统要求。由于心音的主要频率范围是20Hz-300Hz，呼吸音的主要频率范围是25Hz-2000Hz，为了更好的抑制该范围的带外噪声，系统在放大器的输出端有一个截止频率为2000Hz的低通滤波器来滤除额外噪声。\n[0031] 语音信号输入之后，预处理和数字化是进行语音识别的前提条件。其中，预处理主要是进行预滤波，保留正常人的20～3400Hz的语音信号；数字化是要进行A/D转换及抗混叠等处理；特征提取是进行语音信号训练和识别必不可少的步骤。能够体现语音信号特征的参数包括：基于LPC的倒谱参数；Mel系数的倒谱参数；采用前沿数字信号处理技术的特征分析手段，如小波分析、时/频域分析、人工神经网络等。首先采用基于LPC的倒谱参数表示方法，提取出的特征值存入参考模式库中，然后再用寻找Mel系数的倒谱参数，用来匹配待识别语音信号的特征值。匹配计算是进行语音识别的核心部分，由待识别的样本语音值经过特征提取后，与系统训练时产生的模板进行匹配，在识别辨认中，取与待识别语音相似度最大的模型所对应的语音作为识别结果。\n[0032] 存储电路的实现：在DSP数字信号处理器内部集成了一定容量的RAM，但是由于本系统涉及到自适应滤波算法、小波算法以及各种外设的驱动程序较大，内部RAM无法满足运行程序的要求，因此需要在DSP片外扩展程序存储器。SDRAM为同步动态随机存储器，需要不断的刷新才能保持数据，而且行列地址复用，读写速度较慢，但容量较大，成 本较低。\nDSP数字信号处理器的EMIF接口经过配置之后可以连接多种类型的SDRAM。为了预留更大的存储空间，适应复杂算法的需要，本实现为选用SDRAM作为主存储器。\n[0033] 程序和数据在SDRAM中运行，但是当系统掉电，SDRAM中的程序和数据就会消失，因此，这时就需要一种非易失性存储器用来保存数据。常用的这类存储器包括：FLASH、磁盘、各种存储卡等，本系统选用FLASH作为程序存储器，采用了AMD公司生产的FLASH芯片Am29F010B。该芯片具有容量大、体积小、功耗低、成本低等优点。FLASH存储器与上述SDRAM存储器之间也互相连接，SDRAM存储器在扩展程序执行时对FLASH存储器中的数据进行读取和写入。\n[0034] 数据通信实现：为了提高系统的应用性能，与目前的一些远程医疗诊断系统相结合，数据通信单元中的串行通信接口以及USB接口使仪器能够与其他设备进行通信，尤其是与PC机之间的数据交互；连接4G/3G模块、GPRS模块、WLAN模块和LAN模块的数据总线接口单元让仪器实现与网络环境的数据交互和Internet的数据通信，配合网络辅助诊断系统更能发挥其优势。\n[0035] SDCARD接口实现为：为了能有足够的空间存储心音呼吸音信号，本系统采用SD卡作为心音呼吸音信号主存储设备。DSP芯片内集成了一个SD卡控制模块，通信方便、速度快。\n[0036] 本系统设置用于屏蔽电磁干扰的抗磁电路单元。\n[0037] 本系统设置电源单元，为整个系统提供电力支持，电源单元中采用聚合物锂离子电池,容量在1500—2000mAH。\n[0038] 本发明的电子听诊器以双微处理器为核心，在上述硬件架构的基础之上，通过嵌入式软件研发实现具体的功能。具体实现过程如下：\n[0039] 实现基于MATLAB软件平台的DSP嵌入式程序设计，充分利用MATLAB科学计算软件的强大功能，以图形化、基于模型的组态式建模，结合软件仿真及软硬件相结合的仿真方式对算法的正确性进行验证，快速高效地生成直接运行在目标开发板上的嵌入式实时C代码独立程序，在MATLAB环境下通过DSP开发环境实时地调试目标板上运行的程序以及改变相关参数。充分应用代码生成的快捷高效，软件系统的升级和针对硬件平台的移植系统易于维护。\n[0040] 应用MATLAB软件中的嵌入式MATLAB (Embedded MATLAB)、Simulink、RTW(RTW Embedded Coder)、Embedded IDE Link和Target Suppoa Package以及开发DSP应用程序的集成开发环境(如用于TI的Code Composer Studio集成开发环境)构建的DSP软件系统 综合开发平台，采用基于模型的嵌人式应用软件设计理念，包括算法设计及仿真、代码及项目生成、代码验证以及在线调试等在内的系统研发任务。\n[0041] 在MATLAB平台上设计嵌入式DSP实时应用程序的步骤，以算法模型开始，添加并配置目标选择模块(Target References block)，设置仿真参数，编译模型，在处理器上运行生成的代码。从算法设计到验证、从概念到代码实现的整个环节，所有的重点落在方案的验证及算法开发上，代码开发生成转换后可直接嵌入到芯片。\n[0042] 具体在本发明中实现的步骤：\n[0043] (1)运动控制算法设计与仿真：在Matlab/Simulink中调用对应DSP芯片所需要的芯片的各个模块，结合Simulink中相关控制模块搭建出系统控制模型，利用Simulink强大的仿真功能，对搭建好的系统控制模型进行实时仿真，调节相应的控制参数，直到在仿真中达到控制要求；运用Matlab软件，对Simulink的工具箱对ARM+DSP主模块模拟仿真输出的结果，观察系统控制模块的效果以提高设计的效率；\n[0044] (2)自动代码转换：利用自动代码生成功能将仿真好的控制模型转换成需要的代码，同时设置好要生成代码的类型(如：汇编代码，C代码或者C++代码)，生成对应的控制代码，并自动将代码转到CCS开发环境中；\n[0045] 本步骤利用自动代码生成功能，使开发者能在不写一行代码的情况下获得复杂的运动控制代码，降低了运动控制算法开发的开发门槛，提高了运动控制算法程序的开发效率；\n[0046] (3)代码移植：将运动控制代码在CCS开发环境中进行综合，做必要的修改后移植到嵌入式实时操作系统中；\n[0047] 采用嵌入式开发方法，给代码的移植带来很大的便利，此步骤在CCS开发环境下进行汇编代码或者C代码的编程工作，自动生成的代码进行必要的修改，符合具体开发应用的需要，最后将移植有运动控制算法的嵌入式实时系统代码编译成最终的可执行代码；\n[0048] (4)验证：将CCS环境中生成的二进制代码通过SEEDXDS-usb2.0仿真编程器，下载到通用运动控制器的处理器(DSP)中，进行实际对象的在线运动控制，并且做好数据记录工作；\n[0049] 本步骤使用SEEDXDS-usb2.0仿真编程器，正确的将编译的可执行文件下载到处理器中，在硬件实体是进行调试，做好数据记录，以便进行再次修改；\n[0050] (5)信息反馈：将记录的数据与期望的控制输入进行对比，将对比结果反馈到Simulink中的控制模型中，如果实际结果和期望值有所出入，则相应的对Simulink中的系统控制模型或者系统参数进行修改；\n[0051] 本步骤为有效智能识别算法的优化提供了试验数据，在记录下实际结果的基础上进行再编程，提高了应用算法开发的效率；\n[0052] (6)重复以上步骤调节控制器的各个参数，完善整个智能识别的算法过程。\n[0053] 本发明可以根据算法程序在硬件平台上的运行情况以及产品硬件系统的需要，在硬件平台的基础上，同步的进行算法程序和产品硬件电路的设计，以提高了开发效率；采用Matlab的自动代码装换技术，可以很好的将在Matlab中很容易实现的各种智能识别算法转换成可读可写的C代码，而且能够很好的移植嵌入到CCS开发环境中进行调用，这些运动控制的C代码很复杂，往往需要专业有经验的程序员进行编写，这样就大大的降低了北系统开发的门槛，而且开发的周期和成本得到缩减。\n[0054] 本发明中的智能识别方法的具体实现为：\n[0055] 一、心呼吸音信号的噪声析出。在采集心呼吸音信号的过程中，不可避免会有噪声混杂其中，这些噪声不仅影响采集信号的准确性，更严重的情况下可能完全覆盖掉被测信号的有效成分。因而在对心呼吸音进行细致的分析识别之前，必须首先对采集到的信号进行预处理，设法滤除和减弱噪声。具体地这些噪声包括：\n[0056] （1）随机噪声\n[0057] 为了能接收到较弱心呼吸音信号，一般选用的传声器灵敏度都很高，听诊时当周围环境有较大的噪声干扰时，或者听诊器与人体直接接触而产生摩擦噪音时，就会被传声器同时接收、放大而进入系统，使有用信号中混杂进干扰信号。\n[0058] （2）排除工频干扰\n[0059] 测量环境周围的电气设备存在电磁波辐射，这种电磁干扰以50Hz工频为主要成分，电子听诊器自身电路也可能受电源中工频干扰影响，在处理信号时掺杂工频干扰，使信号带有毛刺。\n[0060] （3）降低仪器自身噪声\n[0061] 由于电子仪器本身的缺陷，将产生诸如电子器件的离散噪声、电阻的热噪声等。这些噪音和测量信号混杂在一起，使得仪器对测量信号的分辨能力下降。此外由于生理信号的复杂性，在心呼吸音信号的采集过程中，还会受到许多其他生理信号的干扰和影响，这个问题也不容忽视。对于这些噪声可以通过提高电子听诊器的性能来降低影响，如采用屏蔽、滤波技术等。\n[0062] 二、小波变换心音和呼吸音病例特征提取。\n[0063] 小波变换中的时-频窗具有自适应性，所以可以得到更能反映心音和呼吸音病例特征 的信息。小波变换对一个窗口中两个时间段的心音和呼吸音信号进行自动分段并提取特征参数，在这个窗口中实现了两个分析目的，一个是X1和X2的分段，另一个是特征提取。分段以后，用小波变换分解心音和呼吸音信号，并由第六层分解的细节（高频）系数得到特征向量，从而使用动态设计分析得到最优的特征参数。\n[0064] 三、心音和呼吸音病例特征音信号的包络特征提取。\n[0065] 包络提取算法是采用希尔伯特变换得到的信号包络后，多次寻找新包络的极大值点，用三次比样条插值曲线拟合并顺次连接这些极大值点，得到多次多样包络线，最终确定为接近的样式包络。\n[0066] 四、自动分段算法识别，经过前面的预处理和包络提取之后，心音和呼吸音信号位置已经能比较明显的突出来，为心音和呼吸音自动分段检测的实现提供了可能。但由于生理信号存在随机性和突变性，实际上的心音和呼吸音信号各成分表现出来的时长、幅值、频率等特征之间的差异很大，因此对已经获得的信号包络，还必须配合一系列适当的动态检测策略，去伪存真，才能达到准确自动分段的要求。经过不断试验调整，具体步骤为：\n[0067] （1）根据希尔伯特变换和三次样条差值曲线获得的信号包络，从包络线的峰值算出两个参数作为阈值，由于心呼吸音信号的幅值比较微弱，阈值取值要适当的稳定；\n[0068] （2）求出包络线的所有极限值域，舍弃那些峰值过大的极小值点；\n[0069] （3）应用希尔伯特变换提取信号的包络线，把原有实信号对应到复空间的一种映射。对于一个实信号X(t)，其解析信号的数学表达式如下：Z(t)＝X(t)＋Y v(t)，式中的实部和虚部均为分别满足柯西-黎曼方程的实函数。解析信号的虚部Yv(t)，可以通过对实信号X(t)进行希尔波特变换来求得对心音和呼吸音信号进行了有效的预处理，保留了心音和呼吸音的基本特征，为各种复杂心音和呼吸音的分段奠定了基础。\n[0070] 五、神经网络特征值的选取。\n[0071] 时域波形特征矢量时域波形中已经包含了信号的全部有效信息，确定性信号或者数据变化不大并且长度在一定范围的随机信号，全部数据作为神经网络的输入特征值。对心音呼吸音只做简单处理后，将其时域数据直接作为输入特征矢量，保持原有信号的客观真实性，充分发挥神经网络自身的识别功能。应用这种方法在本发明中CPU主处理芯片ARM+DSP可以适应规模庞大复杂神经网络高计算的能力增强运算速度，首次实现心音呼吸音信号属于非线性非平稳的随机信号，直接将其作为神经网络的输入特征的实现。\n[0072] 实现人工神经网络是在结构上模仿生物神经连接的系统，来进行模式识别工作。\n应用神经网络系统需要有存储信息的能力对系统进行训练，系统经过训练后对于任何给定的输 入都能给出期望的输出。