项目是一个基于人工智能的呼吸系统疾病预测系统，使用深度学习技术分析肺音频文件，能够识别和分类多种呼吸系统疾病。系统采用CNN+LSTM混合架构，结合了卷积神经网络的特征提取能力和长短期记忆网络的时序建模能力。

### 🎯 支持的疾病类型

- **慢性阻塞性肺病 (COPD)** - 影响气流的慢性阻塞性肺疾病
- **上呼吸道感染 (URTI)** - 影响鼻、喉和气道的上呼吸道感染
- **支气管扩张 (Bronchiectasis)** - 气道异常扩张的慢性疾病
- **肺炎 (Pneumonia)** - 导致一侧或双侧肺部气囊发炎的感染
- **细支气管炎 (Bronchiolitis)** - 肺部小气道的炎症
- **健康 (Healthy)** - 未检测到呼吸系统疾病征象

### 模型架构
- **CNN层**: 一维卷积神经网络，用于从音频信号中提取局部特征
- **LSTM层**: 长短期记忆网络，用于捕获音频的时序依赖关系
- **全连接层**: 最终分类层，输出6个疾病类别的概率分布

### 特征提取
系统使用多种音频特征来分析肺音：

1. **MFCC系数** (Mel-frequency cepstral coefficients)
   - 提取40个MFCC系数
   - 模拟人耳听觉特性

2. **色度特征** (Chroma features)
   - 表示音频的音调分布
   - 12维特征向量

3. **梅尔频谱图** (Mel spectrogram)
   - 基于梅尔刻度的频谱表示
   - 128维特征向量

4. **频谱对比度** (Spectral contrast)
   - 描述频谱的对比度特征
   - 7维特征向量

5. **Tonnetz特征**
   - 基于调性网络的和声特征
   - 6维特征向量