具有时间延迟混叠模型下的心肺音盲分离方法及装置

1.本文件涉及心肺音分离技术领域，尤其涉及一种具有时间延迟混叠模型下的心肺音盲分离方法及装置。


背景技术：

2.电子听诊器是一种采集心肺疾病患者心肺音信号的设备，临床医生通过电子听诊器听取患者的心肺音进行诊断，但是电子听诊器采集的多数是心肺音混合信号，医生多数是结合自己的临床经验进行诊断。如果能够利用现代技术辅助医生进行临床诊断，将会是极具现实意义的研究。盲源分离技术是在混合过程和混合信号未知的情况下，仅对传感器观测信号进行分析，并从中估计出源信号，这一技术已经应用于分离多种类型的的混合信号。在实际的临床应用中，听诊器采集到的混合信号不仅包含了心肺音信号，还包含了外部的环境噪声，妨碍了医生的听诊效果，对精准的诊断带来了障碍。针对混合信号的分离，传统的算法包括：独立成分分析(independent component analysis，ica)、非负矩阵分解(nonnegative matrix factorization，nmf)和低秩矩阵分析(low-rank matrix analysis，ilrma)等，然而，在真实混响环境中，该类算法容易受到环境噪声影响，导致信号分离性能差。因此，需要采用更加有效的算法去解决混响复杂环境下的心肺音信号分离的问题。


技术实现要素：

3.本发明提供一种具有时间延迟混叠模型下的心肺音盲分离方法及装置，旨在解决上述问题。
4.本发明实施例提供一种具有时间延迟混叠模型下的心肺音盲分离方法，包括：
5.s1、通过两个传感器接收心音和肺音的混合信号；
6.s2、根据所述混合信号构建带有时间延迟的卷积混合模型；
7.s3、通过迭代投影算法将所述混合模型表示成分层矩阵的形式，并所述混合模型的相关参数进行迭代更新；
8.s4、对所述分层矩阵采用秩1迭代更新，实现心肺音信号的分离。
9.本发明实施例提供一种具有时间延迟混叠模型下的心肺音盲分离装置，包括：
10.信号采集模块，用于通过两个传感器接收心音和肺音的混合信号；
11.模型获取模块，用于根据所述混合信号构建带有时间延迟的卷积混合模型；
12.迭代投影模块，用于通过迭代投影算法将所述混合模型表示成分层矩阵的形式，并所述混合模型的相关参数进行迭代更新；
13.信号分离模块，用于对所述分层矩阵采用秩1迭代更新，实现心肺音信号的分离。
14.通过采用本发明实施例，首先，对心肺音混合信号进行数学建模，构建带有时间延迟的卷积混合模型；然后通过迭代投影算法对相关参数进行迭代更新，并对混合矩阵采用秩1迭代更新，实现心肺音信号的分离。最后，通过仿真实验验证本发明所提算法对心肺音
混叠信号具有很好的分离效果，与现有技术相比，本发明算法先通过对构建新的数学模型，应用了新的心肺音算法，获得更好的分离结果，对实际应用具有一定的借鉴。
附图说明
15.为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
16.图1为本发明实施例的具有时间延迟混叠模型下的心肺音盲分离方法的流程图；
17.图2为为本发明实施例的具有时间延迟混叠模型下的心肺音盲分离装置的示意图。
具体实施方式
18.为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。
19.方法实施例
20.根据本发明实施例，提供了一种具有时间延迟混叠模型下的心肺音盲分离方法，图1为本发明实施例的具有时间延迟混叠模型下的心肺音盲分离方法的流程图，根据图1所示，本发明实施例的具有时间延迟混叠模型下的心肺音盲分离方法具体包括：
21.s1、通过两个传感器接收心音和肺音的混合信号；s1具体包括：
22.利用2个传感器接收心音和肺音的混合信号在真实环境中，环境中存在回声和混响。因此，系统模型可以表示为多通道卷积混合模型，如下所示：
[0023][0024]
其中，x(t)表示观测到的信号，ci(t)＝[c1(t),...,ci(t)]
t
表示每个源对混合通道的脉冲响应，b(t)＝[b1(t),...,bi(t)]
t
是噪声，i和j分别是麦克风的数量和声源的数量。在混响环境中，ci(t)可以用卷积混合表示：
[0025]ci
(t)＝ai*si(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式2；
[0026]
si(t)代表源信号，ai(t)表示房间脉冲响应，*代表卷积运算。
[0027]
s2、根据所述混合信号构建带有时间延迟的卷积混合模型；s2具体包括：
[0028]
利用si(f,n)和x(f,n)＝[x1(f,n),x2(f,n)]
t
分别表示第i个源信号si(t)和混合信号xi(t)的短时傅里叶变换(short-time fourier transform,stft)，其中i＝1,...,i，i表示源信号的数目，f＝1,...,f和n＝1,...,n分别表示频率索引和时间帧。因此，公式(1)经过stft变换后系统模型如下：
[0029][0030]
其中，τ代表延迟，a(f,τi)表示混合向量,b(f,n)表示噪声，混合向量表示为：
[0031][0032]
假设源模型可以表示为：
[0033]
|si|2≈z
ihi
ꢀꢀꢀꢀꢀꢀꢀ
公式5；
[0034]
其中，|si|2∈rf×n代表第i个源信号的stft矩阵，zi∈rf×m是非负的字典矩阵，hi∈rk×m是非负的活跃矩阵。每个源满足：
[0035][0036]
其中，z(f,m),h(m,n)分别代表非负矩阵矩阵zi,hi中的元素。由此估计出卷积混合信号x(f,n)。
[0037]
s3、通过迭代投影算法将所述混合模型表示成分层矩阵的形式，并所述混合模型的相关参数进行迭代更新；s3具体包括：
[0038]
iva算法目的是找到分层矩阵af＝[a(f,τ1),...,a(f,τi)]，从而使混合信号表示为：
[0039]
y(f,n)＝afx(f,n)
ꢀꢀꢀꢀꢀꢀꢀꢀ
公式7；
[0040]
利用最大似然估计，假设源信号相互独立，满足球面超高斯分布：
[0041][0042]
其中，g满足以下条件：r
+
→
r，它是严格递增并且可微的。
[0043]
在以上的假设条件下，定义辅助函数为：
[0044][0045]
辅助函数(9)满足：
[0046][0047]
其中，v(i,f)是一个辅助变量。根据多数最小化理论，可以通过迭代最小化γ2的过程中重新迭代更新最小化γ。由于最小化γ2的过程相对于最小化af更加困难，于是auxiva-ip算法迭代更新最小化a(i,n)过程中满足以下更新规则：
[0048][0049]
[0050][0051][0052]
其中，r(i,n)代表球面超高斯分布的一个对比函数，其函数值单调递减。ei表示第i个规范基向量，在第i个位置处为1，在其他地方为0。
[0053]
s4、对所述分层矩阵采用秩1迭代更新，实现心肺音信号的分离。s4具体包括：
[0054]
当使用了auxiva-ip算法对af进行一次迭代更新后，采用对混合矩阵进行rank-1更新的方法，即：
[0055]af
←af-v(i,f)ah(i,f)
ꢀꢀꢀꢀꢀꢀꢀ
公式15；
[0056]
其中，v(i,f)＝[v(1,f),...,v(i,f)]，其代表一个不确定的向量。将公式(15)代入公式(10)，可得：
[0057][0058]
因为γ2在频率上是可分离的，所以在去掉了索引f。并通过最小化γ2来获得新的更新规则：
[0059]
当m和i的值不相等时，得：
[0060][0061]
当m和i的值相等时，得：
[0062][0063]
对输出信号yn迭代更新结果为：
[0064][0065]
最后对输出的心肺音信号进行短时傅里叶逆变换，得到分离的心音和肺音信号。
[0066]
下面通过两组具体仿真实施例来说明本发明所提算法的可行性与优越性，所有的仿真实验是在window 10 64位操作系统，2.10ghz、8gb的amd r53550h处理器matlab r2018b环境下对程序进行编码。
[0067]
实施例一：
[0068]
在实施例一中，选用两个传感器采集心音和肺音信号，两个传感器之间的距离为5厘米，为了评价盲分离性能的好坏，选择国际上公认的性能指标：sdr(source-to-distortion ratio)和sir(source-to-interference ratio)作为评价准则，其值越大说明分离性能越好；同时与盲分离算法ica、fullrankscm、nmf和ilrma进行了对比；实验结果如
表1～2所示，对比可见，本发明算法比其他算法得到了更好的分离结果，具有更明显的分离优势。
[0069]
表1心肺音信号卷积盲分离sdr性能对比
[0070][0071]
表2心肺音信号卷积盲分离sir性能对比
[0072][0073]
实施例二：
[0074]
在实施例一的基础上，对本发明算法的鲁棒性进行了研究。所用方法均采用随机产生的信噪比(signa-noise-ratio，snr)噪声进行测试。用sdr(source-to-distortion ratio)和sir(source-to-interference ratio)作为评价准则对信噪比进行评估，该实例选取snr＝5，10，15，20，25进行了实验。同时与盲分离算法ica、fullrankscm、nmf和ilrma的鲁棒性进行了对比；实验结果如表3～4所示，对比可见，本发明算法具有更好的鲁棒性。
[0075]
表3不同信噪比心肺音信号卷积盲分离sdr性能对比
[0076][0077]
表4不同信噪比心肺音信号卷积盲分离sir性能对比
[0078][0079]
由于听诊器在接收信号过程中受到周围复杂环境的影响，导致接收的混叠信号存在回声，影响分离后心音和肺音信号的质量。因此，本发明针对复杂环境情况，提出一种具有时间延迟混叠模型下的心肺音盲分离方法。首先，对心肺音混合信号进行数学建模，构建带有时间延迟的卷积混合模型；然后，基于最大似然估计建立代价辅助函数，通过迭代投影算法对相关参数进行迭代更新，并对混合矩阵采用秩1迭代更新，实现心肺音信号的分离。同时，与流行的盲源分离算法进行对比，证明了本发明所提算法对心肺音混合信号分离性能的优越性，并进一步验证了本发明所提算法的鲁棒性能。
[0080]
通过采用本发明实施例，具备如下有益效果：
[0081]
首先，对心肺音混合信号进行数学建模，构建带有时间延迟的卷积混合模型；然后，基于最大似然估计建立代价辅助函数，通过迭代投影算法对相关参数进行迭代更新，并对混合矩阵采用秩1迭代更新，实现心肺音信号的分离。同时，与流行的盲源分离算法进行对比，证明了本发明所提算法对心肺音混合信号分离性能的优越性，并进一步验证了本发明所提算法的鲁棒性能。
[0082]
装置实施例
[0083]
根据本发明实施例，提供了一种具有时间延迟混叠模型下的心肺音盲分离装置，图2为本发明实施例的具有时间延迟混叠模型下的心肺音盲分离装置的示意图，根据图2所示，本发明实施例的具有时间延迟混叠模型下的心肺音盲分离装置具体包括：
[0084]
信号采集模块20，用于通过两个传感器接收心音和肺音的混合信号；
[0085]
模型获取模块22，用于根据所述混合信号构建带有时间延迟的卷积混合模型；
[0086]
迭代投影模块24，用于通过迭代投影算法将所述混合模型表示成分层矩阵的形式，并所述混合模型的相关参数进行迭代更新；
[0087]
信号分离模块26，用于对所述分层矩阵采用秩1迭代更新，实现心肺音信号的分离。
[0088]
所述信号采集模块20具体用于：
[0089]
通过公式1获取：
[0090]
[0091]
其中，x(t)表示观测到的信号，ci(t)＝[c1(t),...,ci(t)]
t
表示每个源对混合通道的脉冲响应，b(t)＝[b1(t),...,bi(t)]
t
是噪声，i和j分别是麦克风的数量和声源的数量；
[0092]
在混响环境中，ci(t)用卷积混合表示：
[0093]ci
(t)＝ai*si(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式2；
[0094]
si(t)代表源信号，ai(t)表示房间脉冲响应，*代表卷积运算。
[0095]
模型获取模块22具体用于：
[0096]
将公式1进行stft变换，获取系统模型如下：
[0097][0098]
其中，i＝1,...,i，i表示源信号的数目，f＝1,...,f和n＝1,...,n分别表示频率索引和时间帧，si(f,n)和x(f,n)＝[x1(f,n),x2(f,n)]
t
分别表示第i个源信号si(t)和混合信号xi(t)的短时傅里叶变换，τ代表延迟，a(f,τi)表示混合向量，b(f,n)表示噪声；
[0099]
混合向量表示为：
[0100][0101]
源模型表示为：
[0102]
|si|2≈z
ihi
ꢀꢀꢀꢀꢀꢀꢀ
公式5；
[0103]
其中，|si|2∈rf×n代表第i个源信号的stft矩阵，zi∈rf×m是非负的字典矩阵，hi∈rk×m是非负的活跃矩阵，每个源满足：
[0104][0105]
其中，z(f,m),h(m,n)分别代表非负矩阵矩阵zi,hi中的元素，由此估计出卷积混合信号x(f,n)。
[0106]
迭代投影模块24具体用于：
[0107]
获取分层矩阵af＝[a(f,τ1),...,a(f,τi)]，从而使混合信号表示为：
[0108]
y(f,n)＝afx(f,n)
ꢀꢀꢀꢀꢀꢀꢀꢀ
公式7；
[0109]
利用最大似然估计，设源信号相互独立，满足球面超高斯分布：
[0110][0111]
其中，g满足以下条件：r
+
→
r，它是严格递增并且可微的；
[0112]
定义辅助函数为：
[0113][0114]
辅助函数满足：
[0115][0116]
其中，v(i,f)是一个辅助变量，根据多数最小化理论，通过迭代最小化γ2的过程中重新迭代更新最小化γ，迭代投影算法迭代更新最小化a(i,n)过程中满足以下更新规则：
[0117][0118][0119][0120][0121]
其中，r(i,n)代表球面超高斯分布的一个对比函数，其函数值单调递减，ei表示第i个规范基向量，在第i个位置处为1，在其他地方为0。
[0122]
信号分离模块26具体用于：
[0123]
对af进行一次迭代更新后，采用对混合矩阵进行秩1更新的方法：
[0124]af
←af-v(i,f)ah(i,f)
ꢀꢀꢀꢀꢀꢀꢀ
公式15；
[0125]
其中，v(i,f)＝[v(1,f),...,v(i,f)]，其代表一个不确定的向量，将公式15代入公式10，可得：
[0126][0127]
因为γ2在频率上是可分离的，所以在去掉了索引f，并通过最小化γ2来获得新的更新规则：
[0128]
当m和i的值不相等时，得：
[0129][0130]
当m和i的值相等时，得：
[0131][0132]
对输出信号yn迭代更新结果为：
[0133]
[0134]
最后对输出的心肺音信号进行短时傅里叶逆变换，得到分离的心音和肺音信号。
[0135]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

技术特征：
1.一种具有时间延迟混叠模型下的心肺音盲分离方法，其特征在于，包括：s1、通过两个传感器接收心音和肺音的混合信号；s2、根据所述混合信号构建带有时间延迟的卷积混合模型；s3、通过迭代投影算法将所述混合模型表示成分层矩阵的形式，并所述混合模型的相关参数进行迭代更新；s4、对所述分层矩阵采用秩1迭代更新，实现心肺音信号的分离。2.根据权利要求1所述的方法，其特征在于，所述混合信号通过公式1获取：其中，x(t)表示观测到的信号，c
i
(t)＝[c1(t),...,c
i
(t)]
t
表示每个源对混合通道的脉冲响应，b(t)＝[b1(t),...,b
i
(t)]
t
是噪声，i和j分别是麦克风的数量和声源的数量；在混响环境中，c
i
(t)用卷积混合表示：c
i
(t)＝a
i
*s
i
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式2；s
i
(t)代表源信号，a
i
(t)表示房间脉冲响应，*代表卷积运算。3.根据权利要求2所述的方法，其特征在于，所述s2具体包括：将公式1进行stft变换，获取系统模型如下：其中，i＝1,...,i，i表示源信号的数目，f＝1,...,f和n＝1,...,n分别表示频率索引和时间帧，s
i
(f,n)和x(f,n)＝[x1(f,n),x2(f,n)]
t
分别表示第i个源信号s
i
(t)和混合信号x
i
(t)的短时傅里叶变换，τ代表延迟，a(f,τ
i
)表示混合向量，b(f,n)表示噪声；混合向量表示为：源模型表示为：|s
i
|2≈z
i
h
i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式5；其中，|s
i
|2∈r
f
×
n
代表第i个源信号的stft矩阵，z
i
∈r
f
×
m
是非负的字典矩阵，h
i
∈r
k
×
m
是非负的活跃矩阵，每个源满足：其中，z(f,m),h(m,n)分别代表非负矩阵矩阵z
i
,h
i
中的元素，由此估计出卷积混合信号x(f,n)。4.根据权利要求3所述的方法，其特征在于，所述s3具体包括：获取分层矩阵a
f
＝[a(f,τ1),...,a(f,τ
i
)]，从而使混合信号表示为：y(f,n)＝a
f
x(f,n)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式7；利用最大似然估计，设源信号相互独立，满足球面超高斯分布：
其中，g满足以下条件：r
+
→
r，它是严格递增并且可微的；定义辅助函数为：辅助函数满足：其中，v(i,f)是一个辅助变量，根据多数最小化理论，通过迭代最小化γ2的过程中重新迭代更新最小化γ，迭代投影算法迭代更新最小化a(i,n)过程中满足以下更新规则：迭代更新最小化γ，迭代投影算法迭代更新最小化a(i,n)过程中满足以下更新规则：迭代更新最小化γ，迭代投影算法迭代更新最小化a(i,n)过程中满足以下更新规则：迭代更新最小化γ，迭代投影算法迭代更新最小化a(i,n)过程中满足以下更新规则：其中，r(i,n)代表球面超高斯分布的一个对比函数，其函数值单调递减，e
i
表示第i个规范基向量，在第i个位置处为1，在其他地方为0。5.根据权利要求4所述的方法，其特征在于，所述s4具体包括：对a
f
进行一次迭代更新后，采用对混合矩阵进行秩1更新的方法：a
f
←
a
f-v(i,f)a
h
(i,f)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式15；其中，v(i,f)＝[v(1,f),...,v(i,f)]，其代表一个不确定的向量，将公式15代入公式10，可得：因为γ2在频率上是可分离的，所以在去掉了索引f，并通过最小化γ2来获得新的更新规则：当m和i的值不相等时，得：
当m和i的值相等时，得：对输出信号y
n
迭代更新结果为：最后对输出的心肺音信号进行短时傅里叶逆变换，得到分离的心音和肺音信号。6.一种具有时间延迟混叠模型下的心肺音盲分离装置，其特征在于，包括：信号采集模块，用于通过两个传感器接收心音和肺音的混合信号；模型获取模块，用于根据所述混合信号构建带有时间延迟的卷积混合模型；迭代投影模块，用于通过迭代投影算法将所述混合模型表示成分层矩阵的形式，并所述混合模型的相关参数进行迭代更新；信号分离模块，用于对所述分层矩阵采用秩1迭代更新，实现心肺音信号的分离。7.根据权利要求1所述的装置，其特征在于，所述信号采集模块具体用于：通过公式1获取：其中，x(t)表示观测到的信号，c
i
(t)＝[c1(t),...,c
i
(t)]
t
表示每个源对混合通道的脉冲响应，b(t)＝[b1(t),...,b
i
(t)]
t
是噪声，i和j分别是麦克风的数量和声源的数量；在混响环境中，c
i
(t)用卷积混合表示：c
i
(t)＝a
i
*s
i
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式2；s
i
(t)代表源信号，a
i
(t)表示房间脉冲响应，*代表卷积运算。8.根据权利要求7所述的装置，其特征在于，所述模型获取模块具体用于：将公式1进行stft变换，获取系统模型如下：其中，i＝1,...,i，i表示源信号的数目，f＝1,...,f和n＝1,...,n分别表示频率索引和时间帧，s
i
(f,n)和x(f,n)＝[x1(f,n),x2(f,n)]
t
分别表示第i个源信号s
i
(t)和混合信号x
i
(t)的短时傅里叶变换，τ代表延迟，a(f,τ
i
)表示混合向量，b(f,n)表示噪声；混合向量表示为：源模型表示为：|s
i
|2≈z
i
h
i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式5；其中，|s
i
|2∈r
f
×
n
代表第i个源信号的stft矩阵，z
i
∈r
f
×
m
是非负的字典矩阵，h
i
∈r
k
×
m
是
非负的活跃矩阵，每个源满足：其中，z(f,m),h(m,n)分别代表非负矩阵矩阵z
i
,h
i
中的元素，由此估计出卷积混合信号x(f,n)。9.根据权利要求8所述的装置，其特征在于，所述迭代投影模块具体用于：获取分层矩阵a
f
＝[a(f,τ1),...,a(f,τ
i
)]，从而使混合信号表示为：y(f,n)＝a
f
x(f,n)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式7；利用最大似然估计，设源信号相互独立，满足球面超高斯分布：其中，g满足以下条件：r
+
→
r，它是严格递增并且可微的；定义辅助函数为：辅助函数满足：其中，v(i,f)是一个辅助变量，根据多数最小化理论，通过迭代最小化γ2的过程中重新迭代更新最小化γ，迭代投影算法迭代更新最小化a(i,n)过程中满足以下更新规则：迭代更新最小化γ，迭代投影算法迭代更新最小化a(i,n)过程中满足以下更新规则：迭代更新最小化γ，迭代投影算法迭代更新最小化a(i,n)过程中满足以下更新规则：迭代更新最小化γ，迭代投影算法迭代更新最小化a(i,n)过程中满足以下更新规则：其中，r(i,n)代表球面超高斯分布的一个对比函数，其函数值单调递减，e
i
表示第i个规范基向量，在第i个位置处为1，在其他地方为0。10.根据权利要求9所述的装置，其特征在于，所述信号分离模块具体用于：对a
f
进行一次迭代更新后，采用对混合矩阵进行秩1更新的方法：a
f
←
a
f-v(i,f)a
h
(i,f)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式15；其中，v(i,f)＝[v(1,f),...,v(i,f)]，其代表一个不确定的向量，将公式15代入公式
10，可得：因为γ2在频率上是可分离的，所以在去掉了索引f，并通过最小化γ2来获得新的更新规则：当m和i的值不相等时，得：当m和i的值相等时，得：对输出信号y
n
迭代更新结果为：最后对输出的心肺音信号进行短时傅里叶逆变换，得到分离的心音和肺音信号。

技术总结
本发明提供了一种具有时间延迟混叠模型下的心肺音盲分离方法及装置，其中，方法包括：通过两个传感器接收心音和肺音的混合信号；根据所述混合信号构建带有时间延迟的卷积混合模型；通过迭代投影算法将所述混合模型表示成分层矩阵的形式，并所述混合模型的相关参数进行迭代更新；对所述分层矩阵采用秩1迭代更新，实现心肺音信号的分离。本发明所提算法对心肺音混合信号分离性能的优越性，为心肺音混叠信号的盲分离研究提供新的研究思路。号的盲分离研究提供新的研究思路。号的盲分离研究提供新的研究思路。


技术研发人员：解元 张旭 马鸽 邹涛 孙为军
受保护的技术使用者：广州大学
技术研发日：2023.07.19
技术公布日：2023/9/23