一种基于深度可分离卷积神经网络的移动端心音分类方法技术

本发明专利技术提供了一种基于深度可分离卷积的移动端心音预测方法。本发明专利技术从医学信号本身的特点和移动端部署难点出发，使用短时傅里叶变换将一维心音转换成二维图像，利用大卷积核提升精确度，用深度可分离卷积减少计算量，在计算量和参数量得到严格控制的情况下，与从传统深度网络模型相比，提升了精确度。同时，提供了模型在移动端部署的方法，利用手机麦克风获取心音数据，在手机上做预测，实现离线状态下移动端的心音分类。

【技术实现步骤摘要】
一种基于深度可分离卷积神经网络的移动端心音分类方法
本专利技术涉及深度学习、卷积神经网络、信号处理在心音信号分类方向的应用，以及移动端深度学习方法的应用。
技术介绍
生物医学信号一直是信号研究领域广泛且深入的热点，诸如心电、脑电、心音信号等。根据国家心血管中心组织编撰的《中国心血管病报告2018》概要，心血管病死亡率仍居首位并且持续上升。心血管疾病主要包括心脏病、脑血栓等，而心脏病的种类有很多，临床上对于心脏疾病的诊断主要有心电图、听诊、超声等。听诊是诊断心脏疾病最简单、直接的一种方式，但是需要专门的器材和专业的医生进行诊断。近年来，在AI医疗的大背景下，很多研究人员尝试着用深度学习的方法去解决生物医学信号诊断的问题。目前，深度学习依靠的是GPU、TPU等芯片强大的算力，训练过程需要大量，计算消耗大量的计算资源。而在预测过程中，需要分配大量的内存去保存训练得到的权重数据，这样，在往移动端部署的过程成为了难题。因此，轻量化网络也是一个研究热点。而本技术基于深度可分离卷积，将传统的卷积进行了通道拆分，在分类效果不变甚至更好的情况下，极大地减本文档来自技高网...

【技术保护点】
1.本专利技术公开了一种基于深度可分离卷积神经网络进行心音分类的方法，其特征在于基于深度可分离卷积神经网络进行集成，训练和测试，并可部署至移动端。/n

【技术特征摘要】
1.本发明公开了一种基于深度可分离卷积神经网络进行心音分类的方法，其特征在于基于深度可分离卷积神经网络进行集成，训练和测试，并可部署至移动端。


2.根据权利要求1所述的一种基于深度可分离卷积神经网络进行心音分类的方法，其特征在于使用深度可分离卷积构建网络，使用步长控制输出大小，对最后一个卷积层的输出做扁平化处理，适应任意大小的输入图像，完成图像分类。

【专利技术属性】
技术研发人员：胡志坚，陈颖，葛云，黄晓林，
申请(专利权)人：南京大学，
类型：发明
国别省市：江苏;32