一种心音识别方法、装置和电子设备制造方法及图纸

本发明专利技术涉及计算机技术领域，具体涉及一种心音识别方法、装置和电子设备，包括：根据预设采集标准采集心音识别样本；对所述心音识别样本进行预处理；提取预处理后的所述心音识别样本相对应的识别样本信号特征；将所述识别样本信号特征导入训练后的卷积神经网络模型进行识别，得到所述心音识别样本的分类结果。本发明专利技术通过智能算法减少了人耳判断心音是否有杂音的大量专业性培训和操作者的专业性限制，减少因为人耳判断水平不一致导致的差异；同时标准的算法判断，减少了不同诊断水平的判断差异。异。异。

【技术实现步骤摘要】
一种心音识别方法、装置和电子设备


[0001]本专利技术涉及计算机
，尤其涉及一种心音识别方法、装置和电子设备。

技术介绍

[0002]先心病是中国儿童最常见的出生缺陷，每年有20万例的患儿。是婴儿和5岁以下儿童的主要死因。早期发现对于及时诊断和有效干预至关重要，是减少先天性心脏病对儿童健康危害，促进儿童健康发展的有利保障。目前黄国英院长的“双指标法”：经皮脉搏血氧饱和度+心脏杂音的灵敏度和特异度分别可达到92.1％和98.9％。
[0003]然而目前的“双指标法”需要大规模的培训辨别心脏杂音，具体的操作者是有经验的新生儿医师和高年资护士；需要配置专用的筛查场地；需要省，市，县或社区的三级业务管理，而且在社区和乡镇医院需要投入更大的培训精力才可以提高先心病筛查的水平，具有较大的专业性限制。

技术实现思路

[0004]本专利技术提供了一种心音识别方法、装置和电子设备，用以减少人耳判断心音是否有杂音的大量专业性培训和操作者的专业性限制，减少因为人耳判断水平不一致导致的差异。
[0005]本说明书实施例提供一种心音识别方法，包括：
[0006]根据预设采集标准采集心音识别样本；
[0007]对所述心音识别样本进行预处理；
[0008]提取预处理后的所述心音识别样本相对应的识别样本信号特征；
[0009]将所述识别样本信号特征导入训练后的卷积神经网络模型进行识别，得到所述心音识别样本的分类结果。
[0010]优选的，所述根据预设采集标准采集心音识别样本之前，包括：
[0011]采集心音训练样本集和心音样本测试集；
[0012]提取所述心音训练样本集相对应的训练样本集信号特征以及所述心音样本测试集相对应的样本测试集信号特征；
[0013]创建卷积神经网络模型；
[0014]将所述训练样本集信号特征导入至卷积神经网络模型进行迭代训练，得到最优卷积神经网络模型；
[0015]导入所述样本测试集信号特征至所述最优卷积神经网络模型进行识别；
[0016]将输出的分类结果符合实际情况的最优卷积神经网络模型定义为训练后的卷积神经网络模型。
[0017]优选的，所述根据预设采集标准采集心音识别样本，包括：
[0018]采集指定部位的心音识别样本，并设定采集所述心音识别样本时长；
[0019]响应操作人员对所述心音识别样本的标注操作，获取具有心音标注的所述心音识
别样本；
[0020]对所述心音识别样本进行清洗和筛选，将筛选后的所述心音识别样本上传至心音样本服务器的数据库中。
[0021]优选的，对所述心音识别样本进行预处理，包括：
[0022]降低所述心音识别样本的采样频率至预设频率；
[0023]对所述心音识别样本进行小波基线校正处理；
[0024]对处理后的所述心音识别样本进行数据对齐。
[0025]优选的，所述指定部位包括：胸骨右缘第二肋间，胸骨左缘第三、四肋间，胸骨左缘第二肋间，心尖部。
[0026]优选的，所述提取预处理后的所述心音识别样本相对应的识别样本信号特征，包括：
[0027]将所述预处理后的所述心音识别样本转化为心音的梅尔频谱；
[0028]根据梅尔频率倒谱系数将所述梅尔频谱转化为心音的非线性频谱；
[0029]对所述非线性频谱进行包络提取，得到识别样本信号特征。
[0030]本说明书实施例还提供一种心音识别装置，包括：
[0031]样本采集模块，根据预设采集标准采集心音识别样本；
[0032]样本处理模块，对所述心音识别样本进行预处理；
[0033]特征提取模块，提取预处理后的所述心音识别样本相对应的识别样本信号特征；
[0034]分类结果输出模块，将所述识别样本信号特征导入训练后的卷积神经网络模型进行识别，得到所述心音识别样本的分类结果。
[0035]优选的，所述根据预设采集标准采集心音识别样本之前，包括：
[0036]采集心音训练样本集和心音样本测试集；
[0037]提取所述心音训练样本集相对应的训练样本集信号特征以及所述心音样本测试集相对应的样本测试集信号特征；
[0038]创建卷积神经网络模型；
[0039]将所述训练样本集信号特征导入至卷积神经网络模型进行迭代训练，得到最优卷积神经网络模型；
[0040]导入所述样本测试集信号特征至所述最优卷积神经网络模型进行识别；
[0041]将输出的分类结果符合实际情况的最优卷积神经网络模型定义为训练后的卷积神经网络模型。
[0042]一种电子设备，其中，该电子设备包括：
[0043]处理器以及存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述任一项所述的方法。
[0044]一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现上述任一项所述的方法。
[0045]其有益效果在于：
[0046]本专利技术通过智能算法减少了人耳判断心音是否有杂音的大量专业性培训和操作者的专业性限制，减少因为人耳判断水平不一致导致的差异；同时标准的算法判断，减少了不同诊断水平的判断差异。
附图说明
[0047]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0048]图1为本说明书实施例提供的一种心音识别方法的原理示意图；
[0049]图2为本说明书实施例提供的一种心音识别装置的结构示意图；
[0050]图3为本说明书实施例提供的一种电子设备的结构示意图；
[0051]图4为本说明书实施例提供的一种计算机可读介质的原理示意图。
具体实施方式
[0052]现在将参考附图更全面地描述本专利技术的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本专利技术仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本专利技术更加全面和完整，更加便于将专利技术构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。
[0053]在符合本专利技术的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
[0054]在对于具体实施例的描述中，本专利技术描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本专利技术的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
[0055]附图中所示的图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种心音识别方法，其特征在于，包括：根据预设采集标准采集心音识别样本；对所述心音识别样本进行预处理；提取预处理后的所述心音识别样本相对应的识别样本信号特征；将所述识别样本信号特征导入训练后的卷积神经网络模型进行识别，得到所述心音识别样本的分类结果。2.如权利要求1所述的一种心音识别方法，其特征在于，所述根据预设采集标准采集心音识别样本之前，包括：采集心音训练样本集和心音样本测试集；提取所述心音训练样本集相对应的训练样本集信号特征以及所述心音样本测试集相对应的样本测试集信号特征；创建卷积神经网络模型；将所述训练样本集信号特征导入至卷积神经网络模型进行迭代训练，得到最优卷积神经网络模型；导入所述样本测试集信号特征至所述最优卷积神经网络模型进行识别；将输出的分类结果符合实际情况的最优卷积神经网络模型定义为训练后的卷积神经网络模型。3.如权利要求1所述的一种心音识别方法，其特征在于，所述根据预设采集标准采集心音识别样本，包括：采集指定部位的心音识别样本，并设定采集所述心音识别样本时长；响应操作人员对所述心音识别样本的标注操作，获取具有心音标注的所述心音识别样本；对所述心音识别样本进行清洗和筛选，将筛选后的所述心音识别样本上传至心音样本服务器的数据库中。4.如权利要求1所述的一种心音识别方法，其特征在于，对所述心音识别样本进行预处理，包括：降低所述心音识别样本的采样频率至预设频率；对所述心音识别样本进行小波基线校正处理；对处理后的所述心音识别样本进行数据对齐。5.如权利要求1所述的一种心音识别方法，其特征在于，所述指定部位包括：胸骨右缘第二肋间，胸骨左缘第三、四肋间，胸骨左缘第二肋间，心尖部。6.如权利要求1所述的一种心音识...

【专利技术属性】
技术研发人员：赵列宾，陈会文，董斌，雷浩，傅立军，袁加俊，王汉松，须丽清，刘世建，
申请(专利权)人：上海宜硕网络科技有限公司，
类型：发明
国别省市：