一种基于四元数深度学习框架的心音分类系统技术方案

本发明专利技术公开了一种基于四元数深度学习框架的心音分类系统，包括以下步骤：（1）采用四元数动态残差卷积模块（QDRCM）来提取心音潜在特征；（2）使用四元数局部注意力连接学习框架（QLACL），将注意力扩展到四元数空间，维持通道关系；（3）使用全局注意力连接模块（GCACM）学习全局通道关系。本发明专利技术中四元数由于其4个元素构成一个四元数实体的特性考虑到了输入数据的通道间关系，在学习的过程中更好的保留下通道间的相互关系，相比正常的实值网络会将参数量减少到25%，利用四元数的哈密顿积的权重分配特性来捕捉通道之间的内部关系，使用四元数组件来共享权重，学习内部关系，实现轻量，快捷且高效的进行心音诊断分类。且高效的进行心音诊断分类。且高效的进行心音诊断分类。

【技术实现步骤摘要】
一种基于四元数深度学习框架的心音分类系统


[0001]本专利技术涉及生理信号识别的
，具体涉及一种基于四元数动态残差卷积模块与四元数局部注意力连接学习框架的心音识别系统。

技术介绍

[0002]近年来，随着生产力的发展和生活水平的提高，各种各样的“富贵病”开始纠缠在人类社会之中。根据世界卫生组织的统计数据，心血管疾病（cardiovascular disease，CVD）已经是现代人类所面临的最主要的健康杀手。心血管疾病泛指由于高脂血症、血液黏稠、动脉粥样硬化、高血压等所导致的心脏、全身组织发生的缺血性或出血性疾病。心血管疾病是一种严重威胁人类，特别是50岁以上中老年人健康的常见病，具有高患病率、高致残率和高死亡率的特点，即使应用目前最先进、完善的治疗手段，全世界每年死于心血管疾病的人数高达1500万人，居各种死因首位。
[0003]心音图（phonocardiogram，PCG）是心脏收缩与舒张周期产生一些频率不同的振动波传导至胸壁，通过心音图仪将心音即不同的振动波记录下来所得的图形。心音图仪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。且心音对心功能测定及某些心血管疾病的诊断具有独特的意义，是其他检查所不能取代的。
[0004]心音信号是包含有重要生理、病理信息的医学信号之一，是临床评估心脏功能状态的一种基本方法，某些心血管疾病发展到出现明显的病理特征之前，会在心音相应组成成分上有所反映，如冠状动脉狭窄会在心音的舒张期产生异常杂音。但心音的诊断受到医生的个人经验和主观判断的影响容易出现偏差。在中国，优质的医疗资源往往集中在城市，偏远的乡村地区往往缺乏具备拥有丰富临床听诊经验的医生。在这些地区，医生对心音的诊断准确率不高，进而影响病人后续的治疗。
[0005]目前的心音识别算法大多都是在实值网络上面，而对复值网络的关注比较少，且大多数复值神经网络都用于图像处理方面，如Xunyu Zhu等提出来QCNN用于彩色图像复原，如Shan Gai等提出了RQV
‑
CNN用于彩色图像的去噪和分类。
[0006]现在，随着技术的进步，对心音的研究更加深入，设备更加先进，对心音的采集更加方便和准确，对学者研究和探索智能临床诊断提供更加有力的支撑。所以对于一个客观，准确，智能的心音的计算机辅助诊断的研究意义重大，现阶段的MFCC
‑
CNN，PSD
‑
CNN等计算量大，时间消耗大，所以研究一个快捷智能的计算机心音辅助诊断方法是一个急需解决的问题。

技术实现思路

[0007]为了解决上述现有技术中存在的不足，本专利技术利用深度学习算法，提供了一种轻便的，准确的心音识别系统，即基于四元数动态残差卷积模块与四元数局部注意力连接学习框架的心音识别系统。
[0008]本专利技术的目的是这样实现的：包括以下步骤：一种基于四元数深度学习框架的心音分类系统，其主要步骤如下：步骤一、对心音信号进行预处理，得到心音MFCC特征，拼接成输入数据；步骤二：对心音信号进行特征提取（QDRCM）；步骤三：全局通道特征（GCACM）；步骤四：原始特征协助；步骤五：全连接分类；所述的步骤一使用二阶巴特沃斯带通滤波器对原始数据进行滤波，去除干扰对滤波后的信号进行归一化并切片，对切片信号进行MFCC特征提取，组合成为最终的心音MFCC特征，构成网络的输入信号；将步骤一构成网络的输入信号传入搭建好的框架，进行学习；所述的框架主要包括：四元数动态残差卷积模块（QDRCM）、四元数局部注意力连接学习模块（QLACL）、全局通道注意力连接模块（GCACM）、原始特征协助模块（OFAM）和全连接分类模块；所述的四元数动态残差卷积模块（QDRCM），将卷积引入到复值领域，在卷积空间中，四元数可以维持通道间关系，并大大减少参数量。动态卷积可以动态的预测卷积核，在不增加网络深度的情况下增加网络复杂度；所述的四元数局部注意力连接学习模块（QLACL），该连接主要是在四元数动态残差模块中的注意力层，将相邻的注意力块连接起来，使信息能够在注意力块之间流动，自适应地传播信息；由于输入数据具有丰富的通道信息，将数据的一维能量部分提取出来，送入原始特征协助模块（OFAM），进行维度变换和特征提取，最后连接到全连接分类模块；由于四元数为4个通道构成一个四元数实体，所以只能关注到4个通道间的关系，而全局通道注意力模块（GCACM）是将四元数动态残差卷积模块中的卷积替换成普通卷积，可以提取全局的通道关系。
[0009]所述的四元数动态残差卷积模块（QDRCM）卷积层中的每个权重都是四元数实体。利用Hamilton积的权重分配特性来捕捉其内部关系。通过使用Hamilton积，通过多个四元数输入共享四元数权重组件，在元素中创建和学习关系。四元数动态卷积，通过四元数卷积层动态预测出卷积核，卷积核根据多个并行卷积核的注意力动态地聚集在一起，在不增加网络深度或宽度的情况下增加模型的复杂度。使用残差模块，在输入经过3个四元数卷积和动态卷积，注意力层之后跳跃连接到输出位置，避免出现梯度消失或爆炸的情况，并连接前后特征，避免出现网络退化。
[0010]所述的四元数局部注意力连接学习模块（QLACL）为将注意力扩展到四元数空间，在保证通道相关性的前提下，提取网络感兴趣的部分。然后四元数动态残差卷积模块中的注意力层连接起来，使注意力可以在相邻的注意力块之间流动，自适应地传播消息。该连接加到注意力层中语境转换部分，确保当前的注意力是从当前模块特征和以前的注意信息中一起学习到的。这样可以保证在网络学习的过程中，大大减少通道关系的损失，保留下有用的相互关系。
[0011]所述的全局通道注意力连接模块（GCACM）由于四元数为4个通道构成一个四元数实体的特性，所以只能关注到4个通道间的关系，而使用实值卷积可以关注到全局的通道关系，这里我们将四元数动态残差卷积模块中的四元数卷积改为实值卷积，让它学习全局的通道特征，然后接到全连接模块，实现全局的通道特征连接，减少学习中通道关系损失。
[0012]所述的原始特征协助模块（OFAM），由于输入数据具有丰富的通道信息，将数据的一维能量部分提取出来，送入原始特征协助模块，进行维度变换和特征提取，最后连接到全连接分类模块。
[0013]积极有益效果： 本专利技术公开了一种基于四元数动态残差卷积模块与四元数局部注意力连接学习框架的心音识别系统，把心音识别方法扩展到了复值领域，且四元数由于其特性，可以将4个通道作为一个四元数实体，在网络中保留下通道的关系，在保证准确率的前提下，将网络参数量减少到25%。本专利技术引入了四元数动态残差卷积模块，使用四元数动态可分离卷积提高网络复杂度，学习到更多有用的特征。而四元数局部注意力连接学习模块可以在网络的学习中，减少通道关系的损失，提高准确率。通过实验测试，网络对于心音信号的识别率可达97%，且参数量是实值神经网络的25%。
附图说明
[0014]图1为本专利技术的整体流程图；图2为本专利技术中四元数局部注意力本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于四元数深度学习框架的心音分类系统，其特征在于，主要步骤如下：步骤一、对心音信号进行预处理，得到心音MFCC特征，拼接成输入数据；步骤二：对心音信号进行特征提取（QDRCM）；步骤三：全局通道特征（GCACM）；步骤四：原始特征协助；步骤五：全连接分类；所述的步骤一使用二阶巴特沃斯带通滤波器对原始数据进行滤波，去除干扰对滤波后的信号进行归一化并切片，对切片信号进行MFCC特征提取，组合成为最终的心音MFCC特征，构成网络的输入信号；将步骤一构成网络的输入信号传入搭建好的框架，进行学习；所述的框架主要包括：四元数动态残差卷积模块（QDRCM）、四元数局部注意力连接学习模块（QLACL）、全局通道注意力连接模块（GCACM）、原始特征协助模块（OFAM）和全连接分类模块。2.根据权利要求书1所述的一种基于四元数深度学习框架的心音分类系统，其特征在于：所述的四元数动态残差卷积模块（QDRCM），将卷积引入到复值领域，在卷积空间中，四元数可以维持通道间关系，并大大减少参数量；动态卷积可以动态的预测卷积核，在不增加网络深度的情况下增加网络复杂度；所述的四元数局部注意力连接学习模块（QLACL），该连接主要是在四元数动态残差模块中的注意力层，将相邻的注意力块连接起来，使信息能够在注意力块之间流动，自适应地传播信息；由于输入数据具有丰富的通道信息，将数据的一维能量部分提取出来，送入原始特征协助模块（OFAM），进行维度变换和特征提取，最后连接到全连接分类模块；由于四元数为4个通道构成一个四元数实体，所以只能关注到4个通道间的关系，而全局通道注意力模块（GCACM）是将四元数动态残差卷积模块中的卷积替换成普通卷积，可以提取全局的通道关系。3.根据权利要求书1所述的一种基于四元数深度学习框架的心音分类系统，其特征在于：所述的四元数动态残差卷积模块（QDRCM）卷积层中的每个权重都是四...

【专利技术属性】
技术研发人员：乔丽红，李志翔，高永浩，范鹏飞，刘畅，肖斌，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：