【技术实现步骤摘要】
CNN结合改进频率小波切片变换的心音分类方法及系统
本公开涉及心音分类
，特别涉及一种CNN结合改进频率小波切片变换的心音分类方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
，并不必然构成现有技术。心脑血管疾病早已经是世界上致死人数最多的疾病。心音是反映心脏健康状况的重要生理信号。心音的异常可以反映出许多心脏疾病，并且能够帮助医生对病人病情做出诊断。按照心脏活动可以将心音信号分成四个阶段，分别为第一心音(S1期)、收缩期、第二心音(S2期)和舒张期。由于心脏疾病造成的心脏活动异常会使心音产生变化，常见的相关疾病有二尖瓣狭窄，主动脉瓣关闭不全，主动脉瓣狭窄和二尖瓣反流等等。因此，分辨正常和异常心音在临床上对诊断疾病有着重要的辅助作用。但是由于在临床上采集心音的环境和设备很难一致，采集到的心音中常常包含着许多干扰和杂音。不同数据库中的心音数据有着很大的差异，这是因为采集心音使用了不同的设备。这些问题给分类心音造成了事实上的困难。本公开专利技术人发现，(1)目前大多数心音分类研究者都采用...
【技术保护点】
1.一种CNN结合改进频率小波切片变换和样本熵的心音分类方法，其特征在于，步骤如下：/n对获取的心音信号进行预处理，利用隐半马尔克夫模型找到每条心音信号的各个心动周期信号的位置，找到第一心音、第二心音、收缩期、舒张期四个时期，进行每个心动周期信号的截取；/n利用改进频率切片小波变换将每个截取到的一维的心动周期信号转换成为二维时频图像；/n对获取的心音信号分别计算样本熵，并与预设样本熵阈值进行比对，当心音信号的样本熵大于预设样本熵阈值时，利用第一卷积神经网络根据二维时频图像进行网络训练和分类，否则，利用第二卷积神经网络根据二维时频图像进行网络训练和分类。/n
【技术特征摘要】
1.一种CNN结合改进频率小波切片变换和样本熵的心音分类方法，其特征在于，步骤如下：
对获取的心音信号进行预处理，利用隐半马尔克夫模型找到每条心音信号的各个心动周期信号的位置，找到第一心音、第二心音、收缩期、舒张期四个时期，进行每个心动周期信号的截取；
利用改进频率切片小波变换将每个截取到的一维的心动周期信号转换成为二维时频图像；
对获取的心音信号分别计算样本熵，并与预设样本熵阈值进行比对，当心音信号的样本熵大于预设样本熵阈值时，利用第一卷积神经网络根据二维时频图像进行网络训练和分类，否则，利用第二卷积神经网络根据二维时频图像进行网络训练和分类。
2.如权利要求1所述的CNN结合改进频率小波切片变换的心音分类方法，其特征在于，所述心音信号包括多条健康人心音信号和多条病人心音信号，来自不同年份的多个不同的数据库，对获取到的心音信号进行重采样统一到预设频率；
或者，所述隐半马尔克夫模型利用四种包络，包括同态包络、希尔伯特包络、小波包络和功率谱密度包络，上述包络序列通过隐半马尔克夫模型找到每个时间点在第一心音、收缩期、第二心音和舒张期的可能性，以上述可能性作为特征，通过逻辑回归模型进行判断，进而确定心音信号的四个分期；
或者，所述改进频率切片小波变换的时域步长设置为50，生成时频图像的大小为73*50；
或者，第一卷积神经网络的第一卷积层包括30个16*9大小的卷积，第二卷积神经网络的第一卷积层包括28个12*9的卷积核。
3.如权利要求1所述的CNN结合改进频率小波切片变换的心音分类方法，其特征在于，利用每个心动周期信号的有效时长进行心动周期信号的截取，有效时长的计算公式具体为：
Usefuldurationi＝η1*Diastolei-1+S1i+Systolei+S2i+η2*Diastolei
其中，Usefuldurationi表示某个心音记录中第i个有效时长，S1i、Systolei、S2i和Diastolei分别表示第i个心动周期的S1期、收缩期、S2期和舒张期，Diastolei-1表示第i-1个心动周期中的舒张期，η1和η2表示两个系数，表示包含舒张期的百分比。
4.如权利要求3所述的CNN结合改进频率小波切片变换的心音分类方法，其特征在于，所述有效时长包括第i个心动周期的舒张期和第i-1个心动...
【专利技术属性】
技术研发人员：魏守水，陈永超，马彩云，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。