心音信号的分类方法、装置、设备及存储介质制造方法及图纸

本发明专利技术提供一种心音信号的分类方法、装置、设备及存储介质，所述分类方法通过所述处理器在接收到用户端发送的待分类心音信号时，将所述待分类心音信号存储至所述缓存模块，并在所述存储模块中确定所述待分类心音信号对应的预设信号分类模型；所述处理器获取所述信号分类模型中异常标准信号的信号特征以及正常标准信号的信号特征，并获取所述待分类心音信号的信号特征；所述处理器将所述待分类心音信号分别与所述异常标准信号的信号特征以及正常标准信号进行比对，以确定心音信号类别。本发明专利技术构建心音信号分类模型，并基于异常标准信号以及正常标准信号对应的信号特征，确定待分类心音信号，提高了异常心音信号的识别效率。

Classification method, device, equipment and storage medium of heart sound signal

【技术实现步骤摘要】
心音信号的分类方法、装置、设备及存储介质
本专利技术涉及数据处理
，尤其涉及一种心音信号的分类方法、装置、设备及计算机可读存储介质。
技术介绍
心音是心脏血流动力与心血管系统相互作用的结果，是一种机械振动。正常心音的振动频率范围通常在20Hz到200Hz之间，心杂音的频率一般不超过800Hz，都处于人耳的听觉范围之内。鉴于心音的产生机制，心音携带了大量关于心血管系统健康状况的信息，是诊断心脏疾病、评估心脏功能的重要信息来源。目前，识别患者心脏杂音的方法，均是由医生对患者进行心脏听诊来判断的，判断准确性低。因此，如何解决现有异常心音信号的识别准确率低下的技术问题，成为了目前亟待解决的技术问题。
技术实现思路
本专利技术的主要目的在于提供一种心音信号的分类方法、装置、设备及计算机可读存储介质，旨在解决现有异常心音信号的识别准确率低下的技术问题。为实现上述目的，本专利技术提供一种心音信号的分类方法，所述心音信号的分类方法应用于心音信号的分类系统，所述分类系统包括存储模块、缓存模块以及处理器，所述心音信号的分类方法包括本文档来自技高网...

【技术保护点】
1.一种心音信号的分类方法，其特征在于，所述心音信号的分类方法应用于心音信号的分类系统，所述分类系统包括存储模块、缓存模块以及处理器，所述心音信号的分类方法包括以下步骤：/n所述处理器在接收到用户端发送的待分类心音信号时，将所述待分类心音信号存储至所述缓存模块，并在所述存储模块中确定所述待分类心音信号对应的预设信号分类模型；/n所述处理器获取所述信号分类模型中异常标准信号的信号特征以及正常标准信号的信号特征，并获取所述待分类心音信号的信号特征，其中，所述信号特征包括时域特征和频域特征；/n所述处理器将所述待分类心音信号的信号特征分别与所述异常标准信号的信号特征以及正常标准信号的信号特征进行比对...

【技术特征摘要】
1.一种心音信号的分类方法，其特征在于，所述心音信号的分类方法应用于心音信号的分类系统，所述分类系统包括存储模块、缓存模块以及处理器，所述心音信号的分类方法包括以下步骤：
所述处理器在接收到用户端发送的待分类心音信号时，将所述待分类心音信号存储至所述缓存模块，并在所述存储模块中确定所述待分类心音信号对应的预设信号分类模型；
所述处理器获取所述信号分类模型中异常标准信号的信号特征以及正常标准信号的信号特征，并获取所述待分类心音信号的信号特征，其中，所述信号特征包括时域特征和频域特征；
所述处理器将所述待分类心音信号的信号特征分别与所述异常标准信号的信号特征以及正常标准信号的信号特征进行比对，以确定所述待分类心音信号为异常心音信号或正常心音信号，并将所述待分类心音信号的分类类别发送至所述用户端。


2.如权利要求1所述的心音信号的分类方法，其特征在于，所述处理器在接收到所述用户端发送的待分类心音信号时，将所述待分类心音信号存储至所述缓存模块，并在所述存储模块中确定所述待分类心音信号对应的预设信号分类模型的步骤之前，还包括：
所述处理器获取所述存储模块中的待训练信号样本，其中，所述待训练信号样本包括待训练正常信号样本和待训练异常信号样本；
所述处理器根据预设时域特征计算公式，分别计算出所述待训练正常信号以及待训练异常信号对应的正常信号样本时域特征和异常信号样本时域特征，其中，所述样本时域特征包括样本能量熵、样本短时能量和样本过零率中的一种或多种；
所述处理器根据预设频域特征计算公式，分别计算出所述待训练正常信号以及待训练异常信号对应的正常信号样本频域特征和异常信号样本频域特征，其中，所述样本频域特征包括样本截止频率、样本光谱质心值、样本光谱通量、样本离散傅里叶变换后系统的平均值和样本线性预测编码；
所述处理器根据所述正常信号样本时域特征、所述正常信号样本频域特征、所述异常信号样本时域特征以及所述异常信号样本频域特征对所述存储模块中的模型模板进行训练，生成信号分类模型，并将所述信号分类模型存储至所述存储模块。


3.如权利要求2所述的心音信号的分类方法，其特征在于，所述处理器根据预设时域特征计算公式，分别计算出所述待训练正常信号以及待训练异常信号对应的正常信号样本时域特征和异常信号样本时域特征的步骤具体包括：
所述处理器根据能量熵计算公式，计算出所述待训练正常信号以及待训练异常信号对应的正常信号样本能量熵和异常信号样本能量熵，分别作为所述正常信号样本时域特征和异常信号样本时域特征，其中，所述能量熵计算公式为n为离散心音信号在待训练信号样本中的的编号，x(n)为待训练信号样本中的离散心音信号，N为同一类别的待训练信号样本的个数。


4.如权利要求2所述的心音信号的分类方法，其特征在于，所述处理器根据预设时域特征计算公式，分别计算出所述待训练正常信号以及待训练异常信号对应的正常信号样本时域特征和异常信号样本时域特征的步骤具体还包括：
所述处理器根据短时能量计算公式，计算出所述待训练正常信号以及待训练异常信号对应的正常信号样本短时能量和异常信号样本短时能量，分别作为所述正常信号样本时域特征和异常信号样本时域特征，其中，所述短时能量计算公式为ω(m-n)为用于过滤心音信号中的杂音信号的窗函数，x(n)为待训练信号样本中的离散心音信号，n为离散心音信号在待训练信号样本中的的编号，m为杂音信号在待训练信号样本中的的编号，N为同一类别的待训练信号样本的个数。


5.如权利要求2所述的心音信号的分类方法，其特征在于，所述处理器根据预设时域特征计算公式，分别计算出所述待训练正常信号以及待训练异常信号对应的正常信号样本时域特征和异常信号样本时域特征的步骤具体还包括：
所述处理器根据过零率计算公式，计算出所述待训练正常信号以及待训练异常信号对应的正常信号样本过零率和异常信号样本过零率，分别作为所述正常信号样本时域特征和异常信号样本时域特征，其中，所述过零率计算公式为x(n)为待训练信号样本中的离散心音信号，N为同一类别的待训练信号样本的个数，n为离散心音信号在待训练信号样本中的的编号，sgn(x(n))为离散心音信号对应的...

【专利技术属性】
技术研发人员：王健宗，吴文启，瞿晓阳，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44