一种基于低秩与稀疏张量分解的多通道心肺音去噪系统的制作方法

2021-01-28 17:01:11|

356|

起点商标网

本发明涉及智能听诊领域，具体是一种基于低秩与稀疏张量分解的多通道心肺音去噪系统。

背景技术：

多通道心肺音去噪的目的是将采集的心肺音信号从复杂的噪声环境中分理出干净的心肺音信号。多通道心肺音在人体胸腔表面采集时，由于其声音微弱及环境噪声污染等因素的影响，往往无法直接传送至医生收听，因此通过多种机器学习、信号处理等方式去除心肺音的噪声尤为重要。

多通道心肺音去噪是近年来智能听诊设备发展带来的重要难题，虽然多通道心肺音信号可以简单地使用单通道心肺音去噪的方法实现，但该类方法将大大地破坏数据原有的通道间的关系，无法获得高质量的心肺音。这类方法常用的包括基于时域的方法，如子空间估计法；还包括基于频域的方法，如谱减法、维纳滤波。这类方法在面对简单噪声时能获得不错的性能，但多通道心肺音信号微弱且外部环境噪声复杂，该类算法无法获得令人满意的性能。

此外，基于有辅助信息的多通道心肺音去噪方法在近年来也得到了重视，如基于基函数的非负矩阵分解的单通道心肺音去噪方法，可以通过给定训练样本来学习噪声字典和心肺音字典，从而在测试阶段去除多个通道的心肺音噪声(wilsonkw,rajb,smaragdisp,etal.speechdenoisingusingnonnegativematrixfactorizationwithpriors[c]//acoustics,speechandsignalprocessing,2008.icassp2008.ieeeinternationalconferenceon.ieee,2008:4029-4032)。基于非负矩阵分解的方法在处理多通道心肺音信号时，往往需要将多个通道信号转变成单通道的信号来处理，容易丢失通道间的空间结构信息，无法获得良好的性能表现；另一方面，将多通道信息转变成单通道信息处理时，由于待处理的信号矩阵/向量变大，容易造成计算量过大的问题。基于回归深度神经网络的方法(y.wangandd.wang.towardsscalingupclassification-basedspeechseparation.ieeetrans.audio,speech,lang.process,2013:1381–1390)，通过预训练大量的干净心肺音数据和多种类型的噪声数据，获得神经网络的学习参数，再在离线环境下通过xx获得干净的心肺音噪声。基于回归深度神经网络的心肺音去噪方法，虽然能在性能上达到良好的效果，但是需要预先训练大量的已标注的样本，在实际生产应用中并不现实；此外，当实际心肺音噪声和训练时的噪声模式不一致时，该类方法往往无法去除噪声污染。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种基于低秩与稀疏张量分解的多通道心肺音去噪系统，包括：

通过3个驻极体话筒组成的麦克风整列采集人体心肺音信号，利用增益调节器对肺音信号进行放大后，通过滤波器，得到高信噪比的心肺音信号，通过adc模块转换成数字信号传输至单片机；

单片机利用基于低秩与稀疏张量分解的方法，得到稀疏纯净心肺音，并对其进行增强；

单片机将增强后的纯净的肺音数字信号传输至dac模块，转化成模拟信号后，利用功率放大器输出至扬声器播放。

进一步的，所述的通过3个驻极体话筒组成的麦克风整列采集人体心肺音信号，利用增益调节器对肺音信号进行放大后，通过滤波器，得到高信噪比的心肺音信号，通过adc模块转换成数字信号传输至单片机，包括如下过程：

采集的3个通道的含有多种噪声的心肺音信号分别为x1(t)，x2(t)，x3(t)，对x1(t)，x2(t)，x3(t)分别进行短时傅里叶变换处理，其中短时傅里叶变换采用的窗函数为汉明窗，汉明窗的长度设置为100～128，窗移动的补偿设置为50～64；对3通道信号逐一进行短时傅里叶变换后，得到3个时频谱x1，x2，x3，对3个二维含噪声的时频图在通道方向进行堆叠，得到一个三维的时频图张量

进一步的，将张量时频图分解为低秩与稀疏张量：

其中为稀疏张量，表示需要得到的纯净语音信号；表示稀疏张量的不为零的元素的约束，目的是让我们的模型能够更加准确地获得稀疏的语音成分；为低管秩(tubalrank)的张量，在心肺音信号中表现为噪声成分；表示张量的管秩小于r。

进一步的，所述的单片机利用基于低秩与稀疏张量分解的方法，得到稀疏纯净心肺音，并对其进行增强包括如下过程：

将问题拆分为两个子问题：

更新低秩张量

其中*为张量乘积(t-product)，为张量的前r个最大的左奇异张量；

更新稀疏成分

其中为收缩算子，为非零投影算子，ω表示待投影张量的前τ个最大的元素集合。

检查算法是否得到收敛：

其中∈＝1e-6是收敛参数，若上述条件满足，则说明算法已经收敛，停止迭代。

获得的张量为所需的干净的多通道心肺音信号。

本发明的有益效果是：本发明目的是通过低秩和稀疏张量分解的方式，无需采用辅助信息，并且可以保留多通道的心肺音空间结构信息，能够在复杂噪声污染的心肺音信号中获得干净的心肺音。

附图说明

图1为一种基于低秩与稀疏张量分解的多通道心肺音去噪系统的处理流程示意图；

图2为基于低秩与稀疏张量分解的多通道心肺音去噪系统示意图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

如图1所示，本发明所提供的一种基于低秩与稀疏张量分解的多通道心肺音去噪系统，包括如下处理流程；

单片机利用基于低秩与稀疏张量分解的方法，得到稀疏纯净心肺音，并对其进行增强；

单片机将增强后的纯净的肺音数字信号传输至dac模块，转化成模拟信号后，利用功率放大器输出至扬声器播放。

通过3个驻极体话筒组成的麦克风整列采集人体心肺音信号，利用增益调节器对肺音信号进行放大后，通过滤波器，得到高信噪比的心肺音信号，通过adc模块转换成数字信号传输至单片机，包括如下过程：

将张量时频图分解为低秩与稀疏张量：

单片机利用基于低秩与稀疏张量分解的方法，得到稀疏纯净心肺音，并对其进行增强包括如下过程：

将问题拆分为两个子问题：

更新低秩张量

其中*为张量乘积(t-product)，为张量的前r个最大的左奇异张量；

更新稀疏成分

其中为收缩算子，为非零投影算子，ω表示待投影张量的前τ个最大的元素集合；检查算法是否得到收敛：

其中∈＝1e-6是收敛参数，若上述条件满足，则算法已经收敛，停止迭代；

获得的张量为所需的干净的多通道心肺音信号。

具体的，采集的3个通道的含有多种噪声的心肺音信号x1(t)，x2(t)，x3(t)，对采集信号分别进行短时傅里叶变换处理，其中短时傅里叶变换采用的窗函数为汉明窗，汉明窗的长度设置为100～128，窗移动的补偿设置为50～64。对3通道信号逐一进行短时傅里叶变换后，得到3个时频谱x1，x2，x3；

对3个二维含噪声的时频图在通道方向进行堆叠，得到一个三维的时频图张量

前述研究表明，时频图中的噪声往往表现为低秩属性，而真实心肺音信号往往是稀疏的。因此，将上述采集的张量时频图分解为低秩与稀疏张量：

其中为稀疏张量，表示我们需要得到的纯净语音信号；表示稀疏张量的不为零的元素的约束，目的是让我们的模型能够更加准确地获得稀疏的语音成分；为低管秩(tubalrank)的张量，在心肺音信号中表现为噪声成分；表示张量的管秩小于r。

4.1为求解上述问题，提出如下优化算法：

a)将问题(1)拆分为两个子问题：

b)更新低秩张量

其中*为张量乘积(t-product)，为张量的前r个最大的左奇异张量；

c)更新稀疏成分

其中为收缩算子，为非零投影算子，ω表示待投影张量的前τ个最大的元素集合。

d)检查算法是否得到收敛：

其中∈＝1e-6是收敛参数，若上述条件满足，则说明算法已经收敛，停止迭代。

e)最终获得的张量为所需的干净的多通道心肺音信号；

相比基于子空间的时域心肺音去噪方法，本发明不需要估计噪声子空间和纯净心肺音子空间，本发明能减少运算量，增加运算速度。相比基于频域的谱减法，本发明不需要反复地调节相减的频谱，不需要担心信号失真与噪声残留过多的问题。相比基于，维纳滤波的多通道心肺音去噪方法，本发明能获得更高的心肺音的听觉质量。相比基于最小均方差估计得方法，本发明不需要对心肺音信号进行概率密度分布估计，能有效地减少运行时间与运算量。相比基于矩阵鲁邦主成分分析的心肺音去噪方法，本发明能有效地保留多个通道的时频谱中的空间信息，能获得更高的声音质量。相比基于基函数的非负矩阵分解方法和回归深度神经网络方法，本发明无需训练样本，并且可以保留多通道心肺音信号的空间结构信息。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击【在线咨询】或添加微信【19522093243】与客服一对一沟通，为大家解决相关问题。