基于深度学习的心脏病心音智能分类方法、装置和介质制造方法及图纸

本发明专利技术提供了基于深度学习的心脏病心音智能分类方法、装置和介质，属于医疗技术领域，它解决了现有基于传统听诊器的人工听诊、判断不客观等问题，一种基于深度学习的心脏病心音智能分类方法，包括如下步骤：步骤S01：获取心音音频信号，对心音音频信号进行预处理，根据预处理后的心音音频信号获取心音周期信息；步骤S02：根据预处理后的心音音频信号和心音周期信息进行特征图提取，获取梅尔频谱图；步骤S03：对深度神经网络模型进行训练；步骤S04：执行步骤S01和步骤S02获取目标心音的多个梅尔频谱图，分别输入训练完毕的深度神经网络模型，获得目标心音的最终分类结果。获得目标心音的最终分类结果。获得目标心音的最终分类结果。

【技术实现步骤摘要】
基于深度学习的心脏病心音智能分类方法、装置和介质


[0001]本专利技术属于医疗
，特别涉及一种基于深度学习的心脏病心音智能分类方法、装置和介质。

技术介绍

[0002]先天性心脏病在我国总体患病率达8.98
‰
，其中30％左右为危急重症先天性心脏病，即在婴幼儿期可导致死亡或要求侵入性手术治疗。2015年全面二胎政策实施以来，高龄孕产妇的比例显著增高，先天性心脏病发病率也明显升高。
[0003]心脏杂音指在心音与额外心音之外，在心脏收缩或舒张时血液在心脏或血管内产生湍流所致的室壁、瓣膜或血管振动所产生的异常声音，是具有不同频率、不同强度、持续时间较长的噪杂声。心脏杂音可见于健康人，更多发生于心血管疾病患者，同时某些杂音也是诊断心脏病的主要依据。
[0004]先天性心脏病早期筛查最重要的手段是心脏听诊和经皮血氧饱和度双指标检测法，其中目前广泛采用听诊方式是基于传统听诊器的人工听诊，缺点是心音数据不能数字化保存，判断依据不客观等。

技术实现思路

[0005]本专利技术的第一个目的是针对现有技术中存在的上述问题，提供了一种基于深度学习的心脏病心音智能分类方法；本专利技术的第二个目的是提供一种先天性心脏病心音智能分类装置；本专利技术的第三个目的是提供一种计算机可读存储介质。
[0006]本专利技术的第一个目的可通过下列技术方案来实现：一种基于深度学习的心脏病心音智能分类方法，其特征在于，包括如下步骤：
[0007]步骤S01：获取心音音频信号，对心音音频信号进行预处理，根据预处理后的心音音频信号获取心音周期信息；
[0008]步骤S02：根据预处理后的心音音频信号和心音周期信息进行特征图提取，获取梅尔频谱图；
[0009]步骤S03：对深度神经网络模型进行训练；
[0010]步骤S04：执行步骤S01和步骤S02获取目标心音的多个梅尔频谱图，分别输入训练完毕的深度神经网络模型，获得目标心音的最终分类结果。
[0011]本专利技术的工作原理：基于电子听诊器采集获取心音音频信号，通过预处理、心音周期信息获取，进而获取梅尔频谱图，对深度神经网络模型进行训练后，训练后的深度神经网络模型可以用于先天性心脏病心脏杂音的分类，在智能诊断和筛查应用中具有较大的应用潜力。
[0012]在上述基于深度学习的心脏病心音智能分类方法中，所述步骤S01中，预处理包括如下步骤：
[0013]截断：去除心音音频信号起始端和终止端的数据；
[0014]下采样：对截断后的音频进行下采样处理，得到下采样音频信号，下采样频率设置为1KHz；
[0015]带通滤波：对下采样音频信号进行带通滤波处理，得到滤波音频信号，带通滤波的范围设置为20—400Hz；
[0016]归一化：采用式(I)对滤波音频信号进行归一化处理，最后得到预处理后的心音音频信号；
[0017][0018]其中，Signal表示滤波音频信号，Sig
norm
表示预处理后的心音音频信号。
[0019]在上述基于深度学习的心脏病心音智能分类方法中，所述步骤S01中，针对预处理后的心音音频信号，采用式(II)和式(III)计算包络信号；
[0020][0021][0022]其中，E
S
(t)为窗宽为N时的包络能量，Envelope(t)为最终求得的包络信号；在预处理后的心音音频信号中将极值包络能量点作为候选点，之后采用式(IV)计算阈值临界点，并将阈值临界点作为候选点的起始终止边界，以此获取心音周期信息，心音周期信息包括候选点的位置和阈值临界点的位置；
[0023]Th＝Mean(Envelope(t))
ꢀꢀ
(IV)。
[0024]在上述基于深度学习的心脏病心音智能分类方法中，所述步骤S02中，设置滑动窗口和步长，依次进行预处理后的心音音频信号的梅尔频谱图计算。
[0025]在上述基于深度学习的心脏病心音智能分类方法中，每次计算梅尔频谱图的起始点为滑动窗口移动步长后，距离滑动窗口最近的候选点的阈值临界点。
[0026]在上述基于深度学习的心脏病心音智能分类方法中，所述步骤S03中，所述深度神经网络模型包括U型深度神经网络模型，将梅尔频谱图先送入U型深度神经网络模型进行特征下采样，特征下采样包括依次交替进行双卷积操作和最大池化操作，将第n次双卷积操作得到的特征图进行特征上采样；
[0027]特征上采样包括：
[0028]第一次：将第n次双卷积操作得到的特征图进行转置卷积操作实现特征上采样，转置卷积操作后得到的特征图和第n
‑
1次双卷积操作得到的特征图拼接在一起，并进行双卷积操作得到第一次特征图；
[0029]第二次：将第一次特征图进行转置卷积操作实现特征上采样，转置卷积操作后得到的特征图和第n
‑
2次双卷积操作得到的特征图拼接在一起，并进行双卷积操作得到第二次特征图；
[0030]重复上述步骤，第m次时，将第m
‑
1次特征图进行转置卷积操作实现特征上采样，转
置卷积操作后得到的特征图和第1次双卷积操作得到的特征图拼接在一起，并进行双卷积操作得到第m次特征图；将第m次特征图拼接原始输入的梅尔频谱图，得到高维特征图，n和m均为大于2的整数。
[0031]在上述基于深度学习的心脏病心音智能分类方法中，所述深度神经网络模型还包括transformer深度神经网络模型，将高维特征图送入transformer深度神经网络模型，在transformer深度神经网络模型进行图像分块操作、线性映射操作得到第四特征图，再将第四特征图送入transformer深度神经网络模型中的多个串联transformer模块，最后输出结果。
[0032]在上述基于深度学习的心脏病心音智能分类方法中，所述步骤S04中，执行步骤S01和步骤S02获取目标心音的多个梅尔频谱图，分别输入训练完毕的深度神经网络模型，得到心音片段分类概率，最后采用加权求和获得目标心音的各类别的相似性概率，取最大概率类别作为最终分类结果。
[0033]本专利技术的第二个目的可通过下列技术方案来实现：一种先天性心脏病心音智能分类装置，其特征在于，包括
[0034]显示器；
[0035]电子听诊器；
[0036]控制器；
[0037]一个或多个处理器；
[0038]存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述的程序包括用于执行如上述一种基于深度学习的心脏病心音智能分类方法。
[0039]本专利技术的第三个目的可通过下列技术方案来实现：一种计算机可读存储介质，其特征在于，存储有与具有显示器的先天性心脏病心音智能分类装置结合使用的计算机程序，所述计算机程序可被处理器执行上述一种基于深度学习的心脏病心音智能分类方法。
[0040]与现有技术相比，本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的心脏病心音智能分类方法，其特征在于，包括如下步骤：步骤S01：获取心音音频信号，对心音音频信号进行预处理，根据预处理后的心音音频信号获取心音周期信息；步骤S02：根据预处理后的心音音频信号和心音周期信息进行特征图提取，获取梅尔频谱图；步骤S03：对深度神经网络模型进行训练；步骤S04：执行步骤S01和步骤S02获取目标心音的多个梅尔频谱图，分别输入训练完毕的深度神经网络模型，获得目标心音的最终分类结果。2.根据权利要求1所述的一种基于深度学习的心脏病心音智能分类方法，其特征在于，所述步骤S01中，预处理包括如下步骤：截断：去除心音音频信号起始端和终止端的数据；下采样：对截断后的音频进行下采样处理，得到下采样音频信号，下采样频率设置为1KHz；带通滤波：对下采样音频信号进行带通滤波处理，得到滤波音频信号，带通滤波的范围设置为20—400Hz；归一化：采用式(I)对滤波音频信号进行归一化处理，最后得到预处理后的心音音频信号；其中，Signal表示滤波音频信号，Sig
norm
表示预处理后的心音音频信号。3.根据权利要求2所述的一种基于深度学习的心脏病心音智能分类方法，其特征在于，所述步骤S01中，针对预处理后的心音音频信号，采用式(II)和式(III)计算包络信号；所述步骤S01中，针对预处理后的心音音频信号，采用式(II)和式(III)计算包络信号；其中，E
S
(t)为窗宽为N时的包络能量，Envelope(t)为最终求得的包络信号；在预处理后的心音音频信号中将极值包络能量点作为候选点，之后采用式(IV)计算阈值临界点，并将阈值临界点作为候选点的起始终止边界，以此获取心音周期信息，心音周期信息包括候选点的位置和阈值临界点的位置；Th＝Mean(Envelope(t))
ꢀꢀꢀꢀ
(IV)。4.根据权利要求1所述的一种基于深度学习的心脏病心音智能分类方法，其特征在于，所述步骤S02中，设置滑动窗口和步长，依次进行预处理后的心音音频信号的梅尔频谱图计算。5.根据权利要求4所述的一种基于深度学习的心脏病心音智能分类方法，其特征在于，每次计算梅尔频谱图的起始点为滑动窗口移动步长后，距离滑动窗口最近的候选点的阈值
临界点。6.根据权利要求1所述的一种基于深度学习的心脏病心音智能分类方法，其特征在于，所述步骤S03中，所述深度神经网络模型包括U型深度神经网络模型，将梅尔频谱图...

【专利技术属性】
技术研发人员：俞凯，徐玮泽，叶菁菁，俞劲，舒强，林茹，谷凯云，陈家嘉，来丽，殷翡，
申请(专利权)人：浙江大学滨江研究院，
类型：发明
国别省市：