申请/专利权人:中国人民解放军联勤保障部队第九四〇医院
申请日:2023-12-26
公开(公告)日:2024-03-22
公开(公告)号:CN117746910A
主分类号:G10L25/66
分类号:G10L25/66;G10L25/24;G10L25/30;G10L25/45
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.09#实质审查的生效;2024.03.22#公开
摘要:本发明公开了一种双通道CNN‑LSTM的肺音分类模型训练方法及系统,包括:将原始肺音数据样本随机划分成训练集和测试集,利用librosa库提取训练集重音频,得到MFCC特征;将MFCC特征输入基础模型中的LSTM层和CNN层中进行特征学习,分别利用CNN和LSTM提取肺音数据空间特征信息和时序信息特征;肺音数据空间特征信息和时序信息特征输入至特征融合层进行拼接融合,得到一个包含有非周期性空间特征与周期性时序特征的特征向量,作为融合特征向量;将融合特征向量输入全连接层,以进行分类任务,训练得到初始双通道CNN‑LSTM的肺音分类模型。得到的分类模型训练准确度更高,分类更准确。
主权项:1.一种双通道CNN-LSTM的肺音分类模型训练方法,其特征在于,包括:将原始肺音数据样本随机划分成训练集和测试集,利用librosa库提取训练集重音频,得到MFCC特征;将MFCC特征输入基础模型中的LSTM层和CNN层中进行特征学习,分别利用CNN和LSTM提取肺音数据空间特征信息和时序信息特征;所述基础模型包括长短期记忆神经网络、卷积神经网络、特征融合层、全连接层和输出层;将得到的肺音数据空间特征信息和时序信息特征输入至特征融合层进行拼接融合,得到一个包含有非周期性空间特征与周期性时序特征的特征向量,作为融合特征向量;将融合特征向量输入全连接层,以进行分类任务,训练得到初始双通道CNN-LSTM的肺音分类模型;将测试集数据输入初始双通道CNN-LSTM的肺音分类模型,使用K折交叉验证法对始双通道CNN-LSTM的肺音分类模型进行验证,得到最终的双通道CNN-LSTM的肺音分类模型。
全文数据:
权利要求:
百度查询: 中国人民解放军联勤保障部队第九四〇医院 一种双通道CNN-LSTM的肺音分类模型训练方法及系统
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。