基于卷积神经网络的心脏瓣膜异常分析方法、系统和装置制造方法及图纸

本申请实施例提出一种基于卷积神经网络的心脏瓣膜异常分析方法，包括：将采集到的心音分段，计算每一段心音的时频谱；将所述每一段心音的时频谱输入卷积神经网络中，输出所述心音正常或异常的第一结果；提取所述第一结果为异常的心音的包络谱特征和功率谱特征输入逻辑回归隐半马尔可夫模型进行分割，输出为所述心音的心动周期中各帧所属的状态，共有K个状态，K为自然数；提取所述心音的每个状态的能量特征；将所述能量特征输入支持向量机中，得到主动脉瓣狭窄和/或主动脉瓣返流，二尖瓣狭窄和/或二尖瓣返流的分析结果。所述方法对心脏瓣膜异常采用二阶段分析能够提高心脏瓣膜异常判断的准确率，降低误诊风险。

【技术实现步骤摘要】
基于卷积神经网络的心脏瓣膜异常分析方法、系统和装置
本申请涉及深度学习
，特别涉及一种基于卷积神经网络的心脏瓣膜异常分析方法、系统和装置。
技术介绍
心脏瓣膜异常是一类常见的心血管异常，主要包括主动脉瓣狭窄、主动脉瓣返流、二尖瓣狭窄、二尖瓣返流和三尖瓣返流五种病变。心音是一种较为容易采集的人体生理信号，能够反映心脏瓣膜的健康状况。利用心音进行心脏瓣膜异常分析具有成本低廉，便于推广等优点。基于传统机械听诊器的心脏瓣膜异常分析主要依赖于医生的经验，普通居民难以自查。随着电子听诊器的专利技术和推广，研究人员开始使用计算机对心音进行自动分析并给出分析结果。这一技术为居民自查提供了极大的便利。然而现有的研究均只进行一次分类，即通过聚类或神经网络分类等模式分析方法将心音分析为正常或某种异常。由于心音仅用于初步分析，只要分析为患病，无论为何种异常都建议用户赴医院进行进一步检查。因此，准确判断是否出现异常比准确判断具体为何种异常更加重要，前者误判引起的风险也大于后者。但现有心脏瓣膜异常分析的一次分类方法没有考虑这一问题。
技术实现思路
本申请的目的在于克服现有的利用心音采用一次分类进行心脏瓣膜异常分析中准确率低，误诊风险未分散的问题。为实现上述目的，本申请提供了一种基于卷积神经网络的心脏瓣膜异常分析方法、系统和装置。一方面，提出一种基于卷积神经网络的心脏瓣膜异常分析方法，包括：将采集到的心音分段，计算每一段心音的时频谱；将所述每一段心音的时频谱输入卷积神经网络中，输出所述心音正常或异常的第一结果；提取所述第一结果为异常的心音的包络谱特征和功率谱特征输入逻辑回归隐半马尔可夫模型进行分割，输出为所述心音的心动周期中各帧所属的状态，共有K个状态，K为自然数；提取所述心音的每个状态的能量特征；将所述能量特征输入支持向量机中，得到主动脉瓣狭窄和/或主动脉瓣返流，二尖瓣狭窄和/或二尖瓣返流的分析结果。根据一种可能的实施方式，所述将采集到的心音分段，计算每一段心音的时频谱，包括：采集主动脉瓣听诊区心音、二尖瓣听诊区心音和三尖瓣听诊区心音；将采集到的所有心音根据设置的时长分段；对每段心音进行短时傅里叶变换，获得所述每段心音的时频谱。根据一种可能的实施方式，所述方法还包括：训练所述卷积神经网络的步骤，包括：将训练集中不同听诊区的心音分段，计算每一段心音的时频谱；依据超声心动图检查报告，将所述不同听诊区的心音标注为正常或异常；以所述每段心音时频谱为输入；其中所述卷积神经网络根据心音的不同听诊区划分对应的不同输出层；每个所述输出层包括n层全连接层和1层softmax层，各输出层共享隐含层，所述隐含层包括m层卷积层，每层所述卷积层下为池化层；n和m为小于10的自然数；以每段心音对应的超声心动图标注的正常或异常诊断结果为输出，训练所述卷积神经网络，获得训练好的卷积神经网络。根据一种可能的实施方式，所述方法还包括训练逻辑回归隐半马尔可夫模型的步骤，包括：根据心电信号将主动脉瓣听诊区和二尖瓣听诊区采集的心音分别分割为K个状态，统计训练集中心音的K个状态中每个状态的时长；使用单高斯模型和/或高斯混合模型拟合每个状态时长的概率分布；以训练集心音的包络谱特征和功率谱密度谱特征为输入，以所述心音所标注的K个状态为输出，以所述每个状态时长的概率分布为参数，训练逻辑回归隐半马尔可夫模型，得到训练好的逻辑回归隐半马尔可夫模型。根据一种可能的实施方式，所述方法还包括训练支持向量机，包括：在训练集中，提取主动脉瓣听诊区和二尖瓣听诊区采集的心音的每个状态的能量特征；将所述能量特征输入支持向量机，对于主动脉瓣听诊区，以主动脉瓣狭窄和主动脉瓣返流为输出，对于二尖瓣听诊区，以二尖瓣狭窄和二尖瓣返流为输出，训练支持向量机；得到训练好的支持向量机。根据一种可能的实施方式，所述包络谱特征包括同态包络、希尔伯特包络和小波包络；所述功率谱特征包括功率谱密度谱。根据一种可能的实施方式，所述提取心音的每个状态的能量特征，包括：在每段心音中选取整数个心动周期；计算所述整数个心动周期中所有状态的心音总能量；将不同心动周期中同一个状态的能量叠加，得到心音中每个状态的能量；计算所述每个状态的能量占所述心音总能量的比例值；计算所述心音的低频与高频的能量比值；提取所述心音中每个状态的能量占总能量的比例值和所述低频与高频的能量比值作为能量特征。第二方面，提出一种基于卷积神经网络的心脏瓣膜异常分析系统，包括：心音采集模块，用于将采集到的心音分段，计算每一段心音的时频谱；第一分析模块，用于将所述每一段心音的时频谱输入卷积神经网络中，输出所述心音正常或异常的第一结果；心音分割模块，用于提取所述第一结果为异常的主动脉瓣和二尖瓣听诊区采集的心音的包络谱和功率谱特征输入逻辑回归隐半马尔可夫模型进行分割，输出为所述心音的心动周期中各帧所属的状态，共有K个状态，K为自然数；特征提取模块，用于提取所述心音的每个状态的能量特征；和第二分析模块，用于将所述能量特征输入支持向量机中，得到主动脉瓣狭窄和/或主动脉瓣返流、二尖瓣狭窄和/或二尖瓣返流的分析结果。第三方面，提出一种电子装置，包括存储器和处理器；所述处理器用于执行所述存储器所存储的计算机执行指令，所述处理器运行所述计算机执行指令执行上述任意一项所述的基于卷积神经网络的心脏瓣膜异常分析方法。第四方面，一种存储介质，包括可读存储介质和存储在所述可读存储介质中的计算机程序，所述计算机程序用于实现上述任意一项所述的基于卷积神经网络的心脏瓣膜异常分析方法。本申请的基于卷积神经网络的心脏瓣膜异常分析方法的优点在于采用二阶段分析心脏瓣膜异常能够提高准确率，降低误诊风险，即使第二阶段对具体异常判断错误，只要第一阶段分析时能正确识别异常心音，即可提示用户赴医院进行进一步检查，如此可将风险分散化。附图说明为了更清楚地说明本申请披露的多个实施例的技术方案，下面将对实施例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申请披露的多个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。图1为本申请实施例的基于卷积神经网络的心脏瓣膜异常分析方法的流程图；图2为本申请实施例的基于卷积神经网络的心脏瓣膜异常分析方法的模型训练流程图；图3为本申请实施例的基于卷积神经网络的心脏瓣膜异常分析方法的模型应用流程图。具体实施方式下面通过附图和实施例，对本申请的技术方案做进一步的详细描述。在对本申请的技术方案做进一步的详细描述之前介绍本申请的构思。本申请的目的在于减小现有的利用心音进行心脏瓣膜异常分析中误诊引起的风险。根据该目的，考虑对不同听诊区采集的心音进行两阶段分析。在第一阶段，使用多任务学习的卷积神经网络对主动脉瓣听诊区、二尖瓣听诊区和三尖瓣听诊区采集的心音进行分类，输出结果为心脏瓣膜正常或异常。对于三尖瓣听诊区的心音，由于对应的三尖瓣瓣膜异常的情况只有返流，因此不需要第二阶段的本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的心脏瓣膜异常分析方法，其特征在于，包括：/n将采集到的心音分段，计算每一段心音的时频谱；/n将所述每一段心音的时频谱输入卷积神经网络中，输出所述心音正常或异常的第一结果；/n提取所述第一结果为异常的心音的包络谱特征和功率谱特征输入逻辑回归隐半马尔可夫模型进行分割，输出为所述心音的每个心动周期中各帧所属的状态，共有K个状态，K为自然数；/n提取所述心音的每个状态的能量特征；/n将所述能量特征输入支持向量机中，得到主动脉瓣狭窄和/或主动脉瓣返流，二尖瓣狭窄和/或二尖瓣返流的分析结果。/n

【技术特征摘要】
1.一种基于卷积神经网络的心脏瓣膜异常分析方法，其特征在于，包括：
将采集到的心音分段，计算每一段心音的时频谱；
将所述每一段心音的时频谱输入卷积神经网络中，输出所述心音正常或异常的第一结果；
提取所述第一结果为异常的心音的包络谱特征和功率谱特征输入逻辑回归隐半马尔可夫模型进行分割，输出为所述心音的每个心动周期中各帧所属的状态，共有K个状态，K为自然数；
提取所述心音的每个状态的能量特征；
将所述能量特征输入支持向量机中，得到主动脉瓣狭窄和/或主动脉瓣返流，二尖瓣狭窄和/或二尖瓣返流的分析结果。


2.根据权利要求1所述的方法，其特征在于，所述将采集到的心音分段，计算每一段心音的时频谱，包括：
采集主动脉瓣听诊区心音、二尖瓣听诊区心音和三尖瓣听诊区心音；
将采集到的所有心音根据设置的时长分段；
对每段心音进行短时傅里叶变换，获得所述每段心音的时频谱。


3.根据权利要求1所述的方法，其特征在于，所述方法还包括：训练所述卷积神经网络的步骤，包括：
将训练集中不同听诊区的心音分段，计算每一段心音的时频谱；
依据超声心动图检查报告，将所述不同听诊区的心音标注为正常或异常；
以所述每段心音时频谱为输入；
其中所述卷积神经网络根据心音的不同听诊区划分对应的不同输出层；每个所述输出层包括n层全连接层和1层softmax层，各输出层共享隐含层，所述隐含层包括m层卷积层，每层所述卷积层下为池化层；n,m为小于10的自然数；
以每段心音对应的超声心动图标注的正常或异常结果为输出，训练所述卷积神经网络，获得训练好的卷积神经网络。


4.根据权利要求1所述的方法，其特征在于，所述方法还包括训练逻辑回归隐半马尔可夫模型的步骤，包括：
根据心电信号将主动脉瓣听诊区和二尖瓣听诊区采集的心音分别分割为K个状态，统计训练集中心音的K个状态中每个状态的时长；
使用单高斯模型和/或高斯混合模型拟合每个状态时长的概率分布；
以训练集心音的包络谱特征和功率谱特征为输入，以所述心音所标注的K个状态为输出，以所述每个状态时长的概率分布为参数，训练逻辑回归隐半马尔可夫模型，得到训练好的逻辑回归隐半马尔可夫模型。


5.根据权利要求1所述的方法，其特征在于，所述...

【专利技术属性】
技术研发人员：颜永红，
申请(专利权)人：北京中科信利技术有限公司，
类型：发明
国别省市：北京;11