基于人工智能心音识别方法、终端和可读存储介质技术

本发明专利技术公开一种基于人工智能心音识别方法、终端和可读存储介质，方法包括：基于预处理后的心音信号提取所述心音信号的时域信号包络；根据所述心音信号获取对应的第一时频谱联合信号，以及根据所述时域信号包络获取对应的第二时频谱联合信号；将所述第一时频谱联合信号和所述第二时频谱联合信号输入分类模型中，并获取所述分类模型的输出结果，其中，所述输出结果包括正常或异常，所述分类模型为长短期记忆模型。本发明专利技术心音识别方法的准确率更高，且识别速度快。且识别速度快。且识别速度快。

【技术实现步骤摘要】
基于人工智能心音识别方法、终端和可读存储介质


[0001]本专利技术涉及人工智能
，尤其涉及一种基于人工智能心音识别方法、终端、可读存储介质以及实现云服务的计算机程序产品。

技术介绍

[0002]传统心音听诊需要经验丰富的医生进行反复地听诊检查，从心脏杂音的时间、强度和频率来确定心肌收缩、舒张等及基本病变情况。基于人耳的心音信号听诊无法完成心音信号的定量分析，难以确定心音信号的各频率成分，无法完整地提取心音信号中的生理及病理信息。另一方面，随着医用电子听诊器的大量推广使用以及信号采集设备的精密化，临床心音数据的采集、存储、预处理变得更加便捷。
[0003]目前，对心音信号的研究主要集中在心音采集、传输和预处理等功能上，通过人工观察预处理后的心音信号来识别心音信号是否正常。这种识别方式存在主观判断，准确率低。
[0004]需要说明的是，上述内容仅用于辅助理解本专利技术所解决的技术问题，并不代表承认上述内容是现有技术。

技术实现思路

[0005]本专利技术的主要目的在于提供一种基于人工智能心音识别方法、终端、可读存储介质以及实现云服务的计算机程序产品，旨在使得心音的分析和识别准确率更高，识别效率快。
[0006]为实现上述目的，本专利技术提供一种基于人工智能心音识别方法，所述基于人工智能心音识别方法包括：基于预处理后的心音信号提取所述心音信号的时域信号包络；根据所述心音信号获取对应的第一时频谱联合信号，以及根据所述时域信号包络获取对应的第二时频谱联合信号；将所述第一时频谱联合信号和所述第二时频谱联合信号输入分类模型，并获取所述分类模型的输出结果，其中，所述输出结果包括正常或异常，所述分类模型为长短期记忆模型。
[0007]在一实施例中，所述根据心音信号获取对应的第一时频谱联合信号的步骤包括：采用短时傅里叶变换将每帧心音信号转换成对应的频域信号；根据每帧所述频域信号的时域信息和所述频域信号形成所述第一时频谱联合信号。
[0008]在一实施例中，根据所述时域信号包络获取对应的第二时频谱联合信号：采用短时傅里叶变换将每帧时域信号包络转换成对应的频域信号；根据每帧所述频域信号的时域信息和所述频域信号形成所述第二时频谱联合信号。
[0009]在一实施例中，所述短时傅里叶变换设置为：；其中，所述h（t）为窗函数，m为帧数，T为滑窗长度。
[0010]在一实施例中，所述基于预处理后的心音信号提取所述心音信号的时域信号包络的步骤包括：基于提取预处理后的所述心音信号中的时频信号包络；其中，为所述心音信号；为所述心音信号的希尔伯特变换；为所述时域信号包络。
[0011]在一实施例中，所述基于预处理后的心音信号提取所述心音信号的时域信号包络的步骤之前，还包括：采集初始心音信号，并分割所述初始心音信号，以获得至少两段心音信号；采用傅里叶变换将每段所述心音信号转换成对应的频域信号；通过巴特沃斯滤波器过滤第一频率范围之外的频域信号以及采用逆傅里叶变换将过滤后的频域信号转换为时域信号，以获得预处理后的心音信号。
[0012]在一实施例中，所述将所述第一时频谱联合信号和所述第二时频谱联合信号输入分类模型，并获取所述分类模型的输出结果的步骤包括：在所述第一时频谱联合信号和第二时频谱联合信号中获取第二频率范围内的目标第一时频谱联合信号和目标第二时频谱联合信号；将所述目标第一时频谱联合信号和所述目标第二时频谱联合信号输入所述分类模型，以获取所述分类模型的输出结果。
[0013]在一实施例中，所述分类模型包括：输入层，所述输入层用于输入所述第一时频谱联合信号和所述第二时频谱联合信号；长短期记忆网络层，所述长短期记忆网络层与所述输入层连接，用于记忆所述第一时频谱联合信号和所述第二时频谱联合信号的长短时特征；全连接网络层，所述全连接网络层与所述长短期记忆网络层连接，用于对所述长短期记忆网络层所记忆的长短时特征进行分类提取；以及分类网络层，所述分类网络层与所述全连接网络层连接，用于根据所述全连接网络层提取的特征进行分类，并输出分类结果。
[0014]本专利技术是提供一种终端，所述终端包括存储器、处理器以及存储在所述存储器并可在所述处理器上运行的识别程序，所述识别程序被所述处理器执行时实现如上所述的基于人工智能心音识别方法的各个步骤。
[0015]本专利技术还提供一种存储介质，所述存储介质存储有识别程序，所述识别程序被处理器执行时实现如上所述的基于人工智能心音识别方法的各个步骤。
[0016]本专利技术还提供一种实现云服务的计算机程序产品，所述计算机程序产品被云端服务器执行时实现如上所述的基于人工智能心音识别方法的步骤。
[0017]本专利技术提供的基于人工智能心音识别方法、终端和可读存储介质，本实施例通过
所述心音信号获取对应的第一时频谱联合信号，通过所述时域信号包络获取对应的第二时频谱联合信号；然后将获得的第一时频谱联合信号和第二时频谱联合信号作为预设的训练好的长短期记忆神经网络模型的输出参数，所述长短期记忆神经网络模型基于所述第一时频谱联合信号和第二时频谱联合信息进行分析和识别后，输出识别分类结果，基于分类结果可以确定该心音信号是否正常。由于时频谱联合信号能够等价表示心音信号的原始音频，因此得到的时频谱联合信息相对于采集到的初始心音信号，没有信息损失。结合从快时间和慢时间至少两个维度（第一时频谱联合信号和第二时频谱联合信号）来识别心音信号，使得心音信号识别的准确度更高，识别效率更快。
附图说明
[0018]图1为本专利技术实施例涉及的终端的硬件构架示意图；图2为本专利技术实施例涉及的云端服务器的交互示意图；图3为本专利技术基于人工智能心音识别方法第一实施例的流程示意图；图4为本专利技术基于人工智能心音识别方法的时域信号提取的时域信号包络的示意图；图5为本专利技术基于人工智能心音识别方法提取的正常心音信号的示意图；图6为本专利技术基于人工智能心音识别方法提取的异常心音信号的示意图；图7为时频谱联合信号的示意图；图8为本专利技术基于人工智能心音识别方法对长短期记忆神经网络模型进行训练的结果示意图；图9为本专利技术基于人工智能心音识别方法第二实施例的流程示意图；图10为巴特沃斯滤波器响应函数的示意图；图11为本专利技术基于人工智能心音识别方法所采用的分类模型的架构示意图；图12为本专利技术基于人工智能心音识别方法的示意图；图13为本专利技术基于人工智能心音识别方法涉及的内部架构示意图。
[0019]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0020]应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0021]现代社会生活中激烈的工作竞争和日益加速的生活节奏，导致心血管类疾病的发病率和死亡率逐年增高。据不完全统计，我国约2.9亿人口患有不同程度的心血管疾病，其已逐渐成为重大疾病隐患之一。
[0022]心音信号是心脏和心血管系统生理过程的综合体现，是人体最重要的生理信号之一。其包含关于心脏各个部位的收缩强度、周期等本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能心音识别方法，其特征在于，所述基于人工智能心音识别方法包括：基于预处理后的心音信号提取所述心音信号的时域信号包络；根据所述心音信号获取对应的第一时频谱联合信号，以及根据所述时域信号包络获取对应的第二时频谱联合信号；将所述第一时频谱联合信号和所述第二时频谱联合信号输入分类模型，并获取所述分类模型的输出结果，其中，所述输出结果包括正常或异常，所述分类模型为长短期记忆模型。2.如权利要求1所述的基于人工智能心音识别方法，其特征在于，所述根据心音信号获取对应的第一时频谱联合信号的步骤包括：采用短时傅里叶变换将每帧心音信号转换成对应的频域信号；根据每帧所述频域信号的时域信息和所述频域信号形成所述第一时频谱联合信号。3.如权利要求1所述的基于人工智能心音识别方法，其特征在于，根据所述时域信号包络获取对应的第二时频谱联合信号：采用短时傅里叶变换将每帧时域信号包络转换成对应的频域信号；根据每帧所述频域信号的时域信息和所述频域信号形成所述第二时频谱联合信号。4.如权利要求2或3所述的基于人工智能心音识别方法，其特征在于，所述短时傅里叶变换设置为：;其中，所述h（t）为窗函数，m为帧数，T为滑窗长度。5.如权利要求1所述的基于人工智能心音识别方法，其特征在于，所述基于预处理后的心音信号提取所述心音信号的时域信号包络的步骤包括：基于提取预处理后的所述心音信号中的时频信号包络；其中，为所述心音信号；为所述心音信号的希尔伯特变换；为所述时域信号包络。6.如权利要求1所述的基于人工智能心音识别方法，其特征在于，所述基于预处理后的心音信号提取所述心音信号的时域信号包络的步骤之前，还包括：采集初始心音信号，并分割所述初始心音信号，以获得至少两段心音信号；采用傅里叶变换将每段所述心音信号转换成对应的频域信号；通过巴特沃斯滤波...

【专利技术属性】
技术研发人员：蒲文强，余琪，李哲，张纵辉，万翔，史清江，
申请(专利权)人：深圳市医友天下科技有限公司，
类型：发明
国别省市：