买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：长春理工大学

摘要：本发明公开了一种肠鸣音智能监测腰腹带及其数据处理系统，属于机器学习技术领域。本发明的系统进行信号处理，将连续信号分解成离散的帧，并对每帧应用汉宁窗函数，计算每个帧的频谱和信号在频率域上的幅度谱，使用巴特沃斯滤波器对信号进行预处理；构建神经网络，通过前向传播公式进行传递，计算输出层的均方误差，利用反向传播算法将均方误差反向传递，通过若干次迭代，不断调整权重和偏置；选择基准信号，进行相位差补偿和信号拟合，设计梅尔滤波器计算梅尔倒谱系数，计算相位差和幅度比；对上述三个参数进行整合，划分原始子数据集，进行决策树生成和递归分裂，建立不同的决策树，进行样本分类，输出最终的预测结果。

主权项：1.一种肠鸣音智能监测腰腹带的数据处理系统，其特征在于，包括：预处理模块：包括：分帧与窗函数处理单元、频率谱计算单元、幅度谱计算单元和滤波处理单元；其中，分帧与窗函数处理单元负责进行信号处理，通过数据的分割和窗口函数的应用，将连续信号分解成离散的帧，并对每帧应用汉宁窗函数，频率谱计算单元负责计算每个帧的频谱，将信号转换到频域，幅度谱计算单元负责计算信号在频域上的幅度谱，滤波处理单元使用巴特沃斯滤波器对信号进行预处理；神经网络模块：包括：神经网络模型构建单元、前向传播单元、损失计算单元、反向传播单元、迭代训练单元和模型评估单元；其中，神经网络模型构建单元负责将巴特沃斯滤波器预处理后的数据进行输入，构建输入层、隐藏层和输出层，初始化神经网络的权重和偏置，前向传播单元负责通过前向传播公式，将输入信号从输入层传递到隐藏层，再传递到输出层，损失计算单元负责计算输出层的预测输出与目标输出之间的均方误差，反向传播单元负责利用反向传播算法，将均方误差反向传递至隐藏层，迭代训练单元负责通过若干次迭代，使用训练数据反复进行前向传播和反向传播，不断调整权重和偏置，模型评估单元负责使用验证集评估训练后的模型性能；自动识别模块：信号同步单元、梅尔倒谱系数计算单元和特征计算单元；其中，信号同步单元负责选择基准信号，进行相位差补偿和信号拟合，梅尔倒谱系数计算单元负责进行频率转换，设计梅尔滤波器，计算滤波器能量，对数变换与离散余弦变换，计算梅尔倒谱系数，特征计算单元负责计算相位差、幅度比与梅尔倒谱系数，作为随机森林分类器的输入；随机森林分类模块：包括：特征整合单元、数据集划分单元、决策树构建单元、多决策树训练单元和分类预测单元；其中，特征整合单元负责获取每帧信号的梅尔倒谱系数、相位差和幅度比并进行整合，数据集划分单元负责采用Bagging策略，通过随机采样将原始训练集划分为若干个不同的原始子数据集，决策树构建单元负责进行决策树生成和递归分裂，多决策树训练单元负责在不同的原始子数据集上分别建立不同的决策树，分类预测单元负责进行样本分类，输出最终的预测结果；所述预处理模块将数据进行分帧，确定每帧数据的长度和相邻帧的重叠距离，保证肠鸣音事件能够被完整地包含在某一帧中；通过汉宁窗函数wn实现对信号的分帧，计算公式如下： 其中，N是窗口长度，将wn乘以帧中的第n个样本，得到一个窗口帧；对输入信号由以下数学公式逐帧计算信号的频率谱： 其中，所得的X[k]是一系列复数值，表示信号的频率谱，x[n’]是采样点数值，M为一帧中总的采样点数，k为频率索引，与实际频率值一一对应，取值范围为[0,M-1]；对输入信号由以下数学公式逐帧计算信号的幅度谱： 其中，所得的|X[k]|为索引k对应频率分量的幅值，ReX[k]表示X[k]的实部，ImX[k]表示X[k]的虚部；基于python中的scipy函数库，使用signal.butter函数，设置通带频率为Ahz-Bhz，其中A和B均为正整数，使用巴特沃斯滤波器对信号进行处理；将巴特沃斯滤波器预处理后的数据输入神经网络模块，使用简单循环神经网络模型将肠鸣音与其他无关声音分离，得到来自不同声源的信噪比的若干组声音信号；在安静状态下佩戴设备，采集没有肠鸣音时的麦克风信号作为体内噪声，采集运动时设备与皮肤摩擦产生的麦克风信号作为摩擦音；将包含肠鸣音的混合声音作为神经网络模型的输入，训练目标为从含有肠鸣音的混合声音中将体内噪声与摩擦音进行分离，得到去噪后肠鸣音信号；模型由输入层、隐藏层和输出层构成；初始化神经网络的权重和偏置，通过向前传播将输入信号从输入层经过隐藏层由以下公式传递到输出层： 其中，z是前向传播公式，ωi表示第i个神经元的连接权重，ai表示前一层的第i个输出，b是偏置项，u是前一层神经元的个数；得到输出后，由以下公式计算输出层的预测输出与目标输出之间的均方误差MSE： 其中，N’是样本数量，是第i’个样本的预测输出，yi'是第i’个样本的目标输出；利用反向传播算法将均方误差反向传递至隐藏层，并根据通过梯度下降算法更新权重，以降低MSE，进行迭代训练；所述自动识别模块设计肠鸣音的自动识别算法，具体为：以从神经网络模块得到的去噪后肠鸣音信号中幅值最大的支路信号为基准，将另外的去噪后肠鸣音信号根据相位差进行延时后，相加取平均值作为拟合后的信号；计算拟合后的信号的梅尔倒谱系数，由以下公式计算出AHz与BHz对应的梅尔频率： 其中，所得的fmel为梅尔频率，f为线性频率，单位为hz；将得到的梅尔频率范围平均分为r个区间，将每个区间中点和端点频率作为中心频率fmel,i”，其中，i”∈1,2r，由下式构建三角梅尔滤波器： 所得Hi”[k]为第i”个三角梅尔滤波器的频率响应，根据Hi”[k]和|X[k]|，由以下公式得出梅尔滤波器的能量Ei”： 其中，G是梅尔滤波器的总个数；由以下公式将滤波器能量取对数后进行离散余弦变换，得到原始信号的梅尔倒谱系数Cj： 其中，j是所求得的梅尔倒谱系数的序号；取Cj的前V个系数，计算出相位差Δφ、幅度比AR与V维梅尔倒谱系数作为特征投入随机森林分类器，识别肠鸣音信号；相位差Δφ的计算公式如下： 其中，X1[k]代表第一麦克风接收到的信号的频率谱，X2[k]代表第二麦克风接收到的信号的频率谱；幅度比AR的计算公式如下： 随机森林分类模块得到一帧信号的梅尔倒谱系数、相位差、幅度比后，整合作为特征，按下式的结构生成特征矩阵输入所述随机森林分类器模型： 特征矩阵W输入所述随机森林分类器模型后，采用Bagging策略将原始训练集通过随机采样的方式划分为不同的原始子数据集，对每个原始子数据集使用以下公式计算信息熵UD： 其中D是原始子数据集，Count是数据集中不同类别数量，pi”'表示数据集D中属于类别i”’的样本所占的比例；根据得到的信息熵使用以下公式计算数据集中每个特征的信息增益GainD,FEA： 其中，FEA是待评估的特征，NoVT是特征FEA的取值个数，Do是特征FEA取值为o时的子数据集，UDo是子数据集Do的信息熵，|D|表示数据集D的样本数量，|Do|表示数据集Do的样本数量；得到不同特征的信息增益后，选择信息增益最大的特征作为当前节点的分类依据，以此分割数据集；在分割后的数据集内重复进行计算信息熵和信息增益，再进行分割，直至达到预设深度，由此建立一棵决策树；在不同的原始子训练集内建立不同的决策树，构成随机森林分类器；在输入未知类别的数据时，每棵决策树都会对输入样本进行分类，统计每个类别在所有决策树的预测结果中出现的次数，选择出现次数最多的类别作为最终的预测结果，所述最终的预测结果包含了该帧数据是否为肠鸣音的声音数据。

全文数据：

权利要求：

百度查询： 长春理工大学 一种肠鸣音智能监测腰腹带及其数据处理系统