一种基于智能听诊器的心脏声音分类方法、系统、装置及可读存储介质制造方法及图纸

本发明专利技术涉及计算机听觉、人工智能技术领域，尤其为一种基于智能听诊器的心脏声音分类方法，包括如下步骤：步骤S1：心脏声音预处理；步骤S2：声音特征处理；步骤S3：积卷神经网络模型构建及训练；步骤S4：使用模型解析待测心脏声音的分类。本发明专利技术，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分类，判断心音是否正常或者是属于某种常见异常，为病情诊断提供参考。本申请还公开了一种基于智能听诊器的心脏声音分类系统、装置及计算机可读存储介质，与上述方法具有相同的有益效果。

A heart sound classification method, system, device and readable storage medium based on Intelligent stethoscope

【技术实现步骤摘要】
一种基于智能听诊器的心脏声音分类方法、系统、装置及可读存储介质
本专利技术涉及计算机听觉、人工智能
，具体为一种基于智能听诊器的心脏声音分类方法、系统、装置及可读存储介质。
技术介绍
人心脏的声音含有非常丰富人体健康信息，传统的方法也就是专业医生诊断心音，医生可以按照自己的经验判断病人的心音是否存在问题。但由于医疗资源分布不均且昂贵，尽管专业医生的诊断结果更加精准，但由于它诊断费时长、成本高昂的缺点让很多人望而却步。由于机器学习技术和计算机性能近年来的高速增长，使得计算机判断心音异常成为可能。为此，提出，一种基于智能听诊器的心脏声音分类方法、系统、装置及可读存储介质，对收集而来的心音进行分类，并判断心音是否正常或者是属于某种常见异常(如心律不齐)，为病情诊断提供参考。
技术实现思路
本专利技术的目的在于提供一种基于智能听诊器的心脏声音分类方法、系统、装置及可读存储介质，以解决上述
技术介绍
中提出的问题。为实现上述目的，本专利技术提供如下技术方案：一种基于智能听诊器的心脏声音分类方法，包括如本文档来自技高网...

【技术保护点】
1.一种基于智能听诊器的心脏声音分类方法，其特征在于，包括如下步骤：/n步骤S1：心脏声音预处理；/n步骤S2：声音特征处理；/n步骤S3：积卷神经网络模型构建及训练；/n步骤S4：使用模型解析待测心脏声音的分类。/n

【技术特征摘要】
1.一种基于智能听诊器的心脏声音分类方法，其特征在于，包括如下步骤：
步骤S1：心脏声音预处理；
步骤S2：声音特征处理；
步骤S3：积卷神经网络模型构建及训练；
步骤S4：使用模型解析待测心脏声音的分类。


2.根据权利要求1所述的一种基于智能听诊器的心脏声音分类方法，其特征在于，步骤S1的实现依次包括如下步骤：
步骤S1.1：心脏声音采集；
步骤S1.2：音频标注；
步骤S1.3：音频分段；
其中，步骤S1.1：心脏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；
步骤S1.2：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；
步骤S1.3：将心脏声音切割为标准的10秒长短的音频文件，丢弃位于音频两端的多余部分。


3.根据权利要求1所述的一种基于智能听诊器的心脏声音分类方法，其特征在于，步骤S2的实现依次包括如下步骤：
步骤S2.1：音频预处理；
步骤S2.2：快速傅里叶变换；
步骤S2.3：计算能量谱；
步骤S2.4：计算Mel滤波能量；
步骤S2.5：计算对数能量；
其中，步骤S2.1：采用公式：H(z)＝1-αz-1对音频预加重，α为加重系数，且0.9<α<1.0；
步骤S2.2：变换公式为
步骤S2.3：将频域信号以复数形式表示如下：



能量谱为：E(k)＝(ak2+bk2)；
步骤S2.4：Mel滤波器得到Mel频率为：



Mel滤波器的频率响应计算式为：



步骤S2.5：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。


4.根据权利要求1所述的一种基于智能听诊器的心脏声音分类方法，其特征在于，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...

【专利技术属性】
技术研发人员：冯海洪，高晓天，
申请(专利权)人：合肥望闻健康科技有限公司，
类型：发明
国别省市：安徽;34