(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210502196.9 (22)申请日 2022.05.10 (71)申请人 中国人民解 放军总医院第一医学中 心 地址 100080 北京市海淀区复兴 路28号 (72)发明人 陈力　杨华　王莉荔　潘子杰　 杨博　王玉伟　罗亮　冯聪　李健　 (74)专利代理 机构 重庆信必达知识产权代理有 限公司 5 0286 专利代理师 李小伟 (51)Int.Cl. A61B 7/04(2006.01) G10L 25/66(2013.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06K 9/62(2022.01) G06V 40/20(2022.01) G06V 40/10(2022.01) G06V 40/16(2022.01) G06V 10/74(2022.01) G06V 10/75(2022.01) G06V 10/771(2022.01) G16H 15/00(2018.01) (54)发明名称 一种基于声音识别的病情辅助诊 疗装置 (57)摘要 本发明属于数据 识别技术领域， 公开了一种 基于声音识别的病情辅助诊疗装置， 所述基于声 音识别的病情辅助诊疗装置包括： 声音采集模 块、 声音特征提取模块、 声音分类模块、 声音识别 模块、 主控模块、 病情监测模块、 病情报告生成模 块、 显示模块。 本发明通过声音分类模块使用卷 积神经网络模型对智能听诊器收集而来的心音 进行准确分类， 判断心音是否正 常或者是属于某 种常见异常(如心律不齐)， 缩短诊断时长； 同时， 通过病情监测模块将被监测人的监测信息记录 至其个人数据库中， 在不引起被监测人关注的自 然状态下发现被监测人病情， 及时给医护人员反 馈病情情况， 根据病情严重情况提醒被监测人及 时治疗和矫正， 严重时还可直接发起远程诊疗请 求。 权利要求书4页 说明书8页 附图1页 CN 115192064 A 2022.10.18 CN 115192064 A 1.一种基于声音识别的病情辅助诊疗装置， 其特征在于， 所述基于声音识别的病情辅 助诊疗装置包括： 声音采集模块、 声音特征提取模块、 声音分类模块、 声音识别 模块、 主控模块、 病情监测 模块、 病情 报告生成模块、 显示模块； 声音采集模块， 与声 音特征提取模块连接， 用于通过声 音采集器采集心脏 跳动声音； 声音特征提取模块， 与声音采集模块、 声音分类模块、 声音识别模块连接， 用于通过提 取程序提取心脏 跳动声音特征信息； 声音分类模块， 与声音特征提取模块连接， 用于通过分类程序对心脏跳动声音进行分 类； 声音识别模块， 与声音特征提取模块、 主控模块连接， 用于识别心脏跳动声音特征信 息； 所述识别心脏 跳动声音特征信息包括： 通过不断地迭代选择出k个最具有代表性的心脏跳动声音特征信息用于预测： 将每一 个区域段的振 幅振频数据视为一个心脏跳动区， 对所有心脏跳动区进行初始化聚类， 获取 多个聚类中心， 按照距离公式， 计算剩余所有心脏跳动区与当前心脏跳动区的距离， 距离计 算公式为： Distance＝1 ‑box_iou(box,cent rcid) 其中Distance表示距离， box_iou表示交并比计算函数， box代表剩余心脏跳动区中的 某一个， cent rcid表示初始化的聚类中心； box_iou的计算 步骤包括： 获取box左上角在x轴上的坐标x1和在该轴上的长度lenx1， 获取box左上角在y轴上的坐 标y1和在该轴上的长度leny1以及centrcid的相同参数x2， y2， lenx2， leny2。 根据8个参数计算 两个区域段的交集 面积与并集 面积之比； 依次计算得到所有box与已有聚类 中心的距离， 选择出与最近聚类 中心的距离； 设参与 此轮聚类中心选择的box个数为m， 根据如下公式计算各box被选为聚类中心的概 率： 列出P[(b oxi)]的分布律， 随机生成一个处于0和1之间的数， 该数所处的概率区间对应 的box就是下一个聚类中心； 计算得到的6个聚类中心的宽和高， 作为6个先验区域段的心脏 跳动声音特征信息； 主控模块， 与声音识别 模块、 病情监测模块、 病情报告生成模块、 显示模块连接， 用于控 制各个模块 正常工作； 病情监测模块， 与主控 模块连接， 用于对病情进行监测； 病情报告生成模块， 与主控 模块连接， 用于通过报告程序生成病情 报告； 显示模块， 与主控 模块连接， 用于 显示声音特征信息、 病情监测结构、 病情 报告。 2.如权利要求1所述基于声音识别的病情辅助诊疗装置， 其特征在于， 所述声音分类模 块分类方法如下： 1)采集心脏 跳动声音， 并对心脏 跳动声音预处理； 声音特征处理； 2)积卷神经网络模型构建及训练； 使用模型解析待测心脏 跳动声音的分类。 3.如权利要求2所述基于声音识别的病情辅助诊疗装置， 其特征在于， 所述心脏跳动声权　利　要　求　书 1/4 页 2 CN 115192064 A 2音预处理的实现依次包括如下步骤： 心脏跳动声音采集； 音频 标注； 音频分段； 心脏跳动声音采集使用智能听诊器采集不同症状的病人的心脏心尖部声音， 现采集若 干个人的心脏跳动声音， 这些人分为人数相同的2类， 一类为正常， 另一类为心 律不齐， 他们 分别采集15秒左右的10段心音； 对于采集而来的数据进行 标注， 标注为两类分别为 正常和心律 不齐； 将心脏跳动声音切割为标准的10秒长短的音频文件， 丢弃位于音频两端的多余部分。 4.如权利要求2所述基于声音识别的病情辅助诊疗装置， 其特征在于， 所述声音特征处 理的实现依次包括如下步骤： 音频预处理； 快速傅里叶变换； 计算能量谱； 计算Mel滤波能量； 计算对数能量； 其中， 采用公式： H(z)＝1 ‑α z‑1对音频预加重， α 为加重系数， 且0.9<α <1.0； 变换公式为 将频域信号以复数 形式表示如下： 能量谱为： E(k)＝(ak2+bk2)； Mel滤波器得到 Mel频率为： Mel滤波器的频率响应 计算式为： 对数梅尔频谱特 征计算公式如下： 最终获取到需要的特 征向量。 5.如权利要求2所述基于声音识别的病情辅助诊疗装置， 其特征在于， 所述卷积神经网 络模型， 使用多个小卷积核进行连续多层局 部感知的VGG构建模型， 每一个VGG单元有多个 卷积层和一个池化层构成， 卷积神经网络的卷积层、 池化层、 全连接层和输出层的参数学习权　利　要　求　书 2/4 页 3 CN 115192064 A 3