一种基于前馈卷积神经网络的心音分类方法技术

本发明专利技术涉及深度学习的心音分类领域。本发明专利技术所述的基于前馈卷积神经网络的心音分类方法包括如下步骤：步骤S1：对患者同步采集20s的心音信号和心电信号，采样频率5000Hz；步骤S2：将所采集的时长20s的心音信号和心电信号通过窗函数截断成若干个片段；步骤S3：从心电信号中提取周期标记，即使用R峰检测器与T波探测器对同步采集心音心电的信号进行位置标注；步骤S4：步骤S3获取周期标记后，进行分割以获得一个心动周期，称之为子周期；步骤S5：计算所有子周期包络并以矩阵形式获得的时频特征，作为网络训练的样本集；步骤S6：用S5所获样本集对卷积神经网络初始模型进行训练及实现心音分类。

【技术实现步骤摘要】
一种基于前馈卷积神经网络的心音分类方法
本专利技术涉及深度学习的心音分类领域，尤其是采用基于前馈卷积神经网络的心音分类方法。
技术介绍
心音图(phonocardiogram，PCG)是将心音的振动转变成时间序列振动波记录的图形。心音探头将心音及心脏杂音描记下来供临床分析，有助于心脏病的病因诊断和了解心脏杂音的产生机制。每一个心动周期会产生4个心音，但使用听诊器一般只能听到第一心音和第二心音，在某些健康儿童和青年人有时可听到第三心音，一般使用听诊器不易听到第四心音，而大多数正常人可在心音上记录到低小的第四心音，故进行心音检查可弥补临床听诊上的不足。基于潜在心脏畸形的严重程度的陈述。到目前为止，心脏听诊仍然是最重要的一线临床筛查先天性心脏病(CHD，congenitalheartdisease)和其它心脏疾病的首选工具，以尽早检查出疑似患者，但需要实施者具有丰富的临床经验。这对社区保健医生、乡镇卫生院的基层医生来讲难以胜任，无法正确区分健康儿童中经常出现的生理性杂音和那些与提示CHD(异常杂音)的异常血流动力学有关的杂音。超声心动图用于对CHD患者的确诊，但该设备价格昂贵，使用成本高，且需要专业人士操作，并不适用于大规模筛查CHD阶段。因而，首先采用心脏听诊筛查CHD疑似患者，再行超声心动图检查是目前临床惯用的检查方案。如何解决心脏听诊中需要丰富的临床经验问题，目前借助人工智能(AI)进行机器辅助诊断已经成为研究热点，例如多媒体教学干预、远程医疗应用或其他基于计算机的临床决策支持系统。使用卷积神经网络对心音进行时频表示在近期属于该领域内热点，但是现有的卷积神经网络在训练心音的时候，往往因为噪声较大，无法实现精确的主峰的跟踪，从而无法实现可靠的周期标记；而且存在杂音，对于诊断形成了干扰。中国专利申请号201711332126.9公开了“一种基于深度卷积神经网络的心音多分类方法”，包括如下步骤：步骤1：对获取的原始心音数据进行处理后得到N段心音信号；步骤2：将N段心音信号输入基于二维卷积神经网络和一维卷积神经网络的心音分类模型中根据频域和时域特征进行分类得到2N个分类结果；步骤3：采用Lasso框架对2N个分类结果进行训练得到对应的权值，并将权值乘以2N个分类结果完成回归，得到最终分类结果，所述步骤1包括如下步骤：步骤1.1：采用带麦克风的电子听诊器进行采集得到心音数据，同时从标准数据集中提取部分数据，将心音数据和部分数据整合得到原始心音数据；步骤1.2：将原始心音数据通过带通滤波器去噪得到清洗后的心音信号；步骤1.3：从清洗后的心音信号中的多个心跳周期中选取几个周期完成心音信号的分段；步骤1.4：将分段的起始点均随机左右移动，作为心音信号分段的最终起始点完成数据增广后得到N段心音信号；所述步骤2包括如下步骤：步骤2.1：将N段心音信号按时间先后顺序进行短时傅里叶变换得到频谱图后，并将频谱图送入基于二维卷积神经网络的心音分类模型得到N个分类结果；步骤2.2：将N段心音信号按时间先后顺序进行频带分解得到四种基本音的功率谱，计算每个周期四种基本音对应的N个频带的中位功率，并计算所有周期的N个频带的中位功率的均值后将其作为频率域特征送入基于一维卷积神经网络的心音分类模型得到N个分类结果；步骤2.3：基于步骤2.1和2.2，将N段心音信号输入心音模型进行分类后得到2N个分类结果；所述步骤3包括如下步骤：步骤3.1：将2N个分类结果输入Lasso框架，利用Lasso算法对分类结果进行训练得到对应的相关系数；Lasso算法的公式如下：其中，R是所有实数的集合，RP表示p维向量，每一个分量都是实数，β为相关系数，为最小二乘项，X代表各个分类器的输入结果，y代表期望的结果，λ代表正则化系数；步骤3.2：将相关系数乘以对应的分类结果得到最终的分类结果。构建了一种适于CNN的心音信号预处理模型，重点需阐述如何将一维(onedimension,1D)心音信号组织成二维(twodimension,2D)特征图；二是利用预处理得到的“特征图”，进而训练优化CNN网络结构，寻找最适合心音信号的CNN结构和参数。
技术实现思路
本专利技术的目的是将采集的心音信号进行心脏异常检测，提供一种基于前馈卷积神经网络的心音分类方法。本专利技术所述的基于前馈卷积神经网络的心音分类方法包括如下步骤：步骤S1：对患者同步采集20s的心音信号和心电信号，采样频率5000Hz；步骤S2：将所采集的时长20s的心音信号和心电信号通过窗函数截断成若干个片段；步骤S3：从心电信号中提取周期标记，即使用R峰检测器与T波探测器对同步采集心音心电的信号进行位置标注；步骤S4：步骤S3获取周期标记后，进行分割以获得一个心动周期，称之为子周期；步骤S5：计算所有子周期包络并以矩阵形式获得的时频特征，作为网络训练的样本集；步骤S6：用S5所获样本集对卷积神经网络初始模型进行训练及实现心音分类。步骤S1所述的心音信号即为PCG，也就是心音图；心电信号即为ECG，也就是心电图。步骤S2所述的若干个片段一般为6-7段。作为本专利技术的一种优选技术方案，所述步骤S3中，从ECG信号中提取周期标记的详细步骤如下：步骤S301：使用高通滤波器组对心电信号进行滤波，以消除极低频的变化；步骤S302：将预加重心电图与原心电图进行元素乘法，以获得更具脉冲形式的信号；步骤S303：进行信号能量计算和信号能量的振幅归一化；步骤S304：进行基于自相关的能量信号周期检测；步骤S305：进行信号中心动周期数的估计；步骤S306：设定信号峰值检测通过应用阈值：阈值(初始值为0.5)逐渐降低，直到峰值计数大于估计周期数的四倍，以应对周期估计中可能出现的倍频程误差，其中，次峰可能在周期内突出；步骤S307：使用峰振幅比较和到周围峰的距离来消除杂散峰。所述步骤S4中，对从所述步骤S3中获得的周期标记进行分割的步骤如下：步骤S401：进行周期同步分割，分段长度与局部周期(半周期、一周期、两周期)成比例地定义；步骤S402：进行固定段长的周期同步分割；步骤S403：进行固定段长的周期异步分割。所述步骤S5中，子周期包络的计算步骤如下：步骤S501：利用卡尔曼滤波器组对PCG信号进行带通滤波；步骤S502：利用希尔伯特变换计算解析信号进行包络检测；步骤S503：将包络重新采样到特定的时间分辨率(本质上涉及去除高频分量的低通滤波)；步骤S504：将应用的最终包络信号进行对数压缩；步骤S505：进行所有包络被堆叠以获得像图像一样的时频表示；步骤S506：将得到的矩阵被处理成具有零均值和归一化振幅。所述步骤S6中，进行子周期包络模型的训练包括进行2D卷积层(内核尺寸3*3，激活函数relu),然后是最大池化层和drop-out层，其中，最大池化层，可以有效减少模型的参数,又能保证在不定长的卷积层的输出上获得一个本文档来自技高网...

【技术保护点】
1.一种基于前馈卷积神经网络的心音分类方法，其特征在于包括如下步骤：/n步骤S1：对患者同步采集20s的心音信号和心电信号，采样频率5000Hz；/n步骤S2：将所采集的时长20s的心音信号和心电信号通过窗函数截断成若干个片段；/n步骤S3：从心电信号中提取周期标记，即使用R峰检测器与T波探测器对同步采集心音心电的信号进行位置标注；/n步骤S4：步骤S3获取周期标记后，进行分割以获得一个心动周期，称之为子周期；/n步骤S5：计算所有子周期包络并以矩阵形式获得的时频特征，作为网络训练的样本集；/n步骤S6：用S5所获样本集对卷积神经网络初始模型进行训练及实现心音分类。/n

【技术特征摘要】
1.一种基于前馈卷积神经网络的心音分类方法，其特征在于包括如下步骤：
步骤S1：对患者同步采集20s的心音信号和心电信号，采样频率5000Hz；
步骤S2：将所采集的时长20s的心音信号和心电信号通过窗函数截断成若干个片段；
步骤S3：从心电信号中提取周期标记，即使用R峰检测器与T波探测器对同步采集心音心电的信号进行位置标注；
步骤S4：步骤S3获取周期标记后，进行分割以获得一个心动周期，称之为子周期；
步骤S5：计算所有子周期包络并以矩阵形式获得的时频特征，作为网络训练的样本集；
步骤S6：用S5所获样本集对卷积神经网络初始模型进行训练及实现心音分类。


2.如权利要求1所述的基于前馈卷积神经网络的心音分类方法，其特征在于步骤S2所述的若干个片段为6-7段。


3.如权利要求1所述的基于前馈卷积神经网络的心音分类方法，其特征在于所述的步骤S3中，从ECG信号中提取周期标记的具体步骤如下：
步骤S301：使用高通滤波器组对心电信号进行滤波，以消除极低频的变化；
步骤S302：将预加重心电图与原心电图进行元素乘法，以获得更具脉冲形式的信号；
步骤S303：进行信号能量计算和信号能量的振幅归一化；
步骤S304：进行基于自相关的能量信号周期检测；
步骤S305：进行信号中心动周期数的估计；
步骤S306：设定信号峰值检测通过应用阈值；
步骤S307：使用峰振幅比较和到周围峰的距离来消除杂散峰。


4.如权利要求1所述的基于前馈卷积神经网络的心音分类方法，其特征在于所述的步骤S4中，对从所述步骤S3中获得的周期标记进行分割的步骤如下：
步骤S401：进行周期同步分割，分段长度与局部周期成比例地定义；
步骤S402...

【专利技术属性】
技术研发人员：王威廉，葛冰冰，李国正，张欣，
申请(专利权)人：云南大学，
类型：发明
国别省市：云南;53