基于声学信号的肺部疾病辅助诊断系统设计与呼吸音分类优化.docxVIP

PAGE2

基于声学信号的肺部疾病辅助诊断系统设计与呼吸音分类优化

摘要

肺部疾病是全球范围内高发病率与高致死率的疾病类型，传统听诊依赖于医师主观经验，难以实现标准化与早期筛查。

本课题针对这一临床痛点，设计并实现了一套基于声学信号的肺部疾病辅助诊断系统，以电子听诊器为前端采集设备，利用深度学习技术对呼吸音进行自动分类与异常识别，旨在提升基层医疗机构的肺部疾病初筛效率与准确率。

论文遵循“需求分析—总体设计—详细设计—实现—测试”的工程递进思路展开。

首先，结合临床听诊流程与便携式诊断需求，梳理了系统功能指标与非功能约束，形成了可追溯的需求用例表。

其次，在总体设计层面，给出了包含硬件采集层、信号处理层、深度学习推理层与交互展示层的四层架构，并划分了音频采集、预处理、特征提取、呼吸音分类及结果管理等功能模块，同时设计了关系型数据库与文件存储相结合的混合存储方案。

在详细设计阶段，重点阐述了小波阈值去噪、梅尔频谱提取、基于改进卷积神经网络的分类模型结构以及多级流水线处理流程，并给出了关键算法的伪代码与接口规范。

系统实现部分基于Python与PyTorch框架，完成了信号预处理、模型训练与推理引擎的构建，并针对移动端部署进行了模型轻量化。

测试结果表明，系统在四类常见呼吸音（正常、哮鸣音、湿啰音、干啰音）分类任务中准确率达到92.3%，单次推理耗时低于0.5秒，满足实时辅助诊断