一种心音信号分类方法技术

本发明专利技术公开了一种心音信号分类方法，首先对采集的心音信号进行梅尔倒谱系数、二阶谱特征的提取，再通过特定的重构方法结合这两者特征，使用卷积神经网络分类，使得心音听诊的结果更加精准，为心音诊断提供了一个简单方便、廉价有效、无创且预测准确的方法。本发明专利技术使用卷积神经网络学习混合特征，提高了系统识别的准确度，并增加了系统识别的鲁棒性。提取心音信号的梅尔倒谱系数和二节谱特征，不需要对心音信号进行分割，降低了操作难度。降低了操作难度。降低了操作难度。

【技术实现步骤摘要】
一种心音信号分类方法


[0001]本申请属于信号处理
，尤其涉及一种心音信号分类方法。

技术介绍

[0002]据世界卫生组织统计，心脏病或心血管疾病(CVDs)是导致人类死亡的主要原因。在CVDs死亡人数中低收入和中等收入国家(中低收入国家)的死亡人数占到了75％，这导致这些国家的国内生产总值减少了7％。因此，研究对心脏疾病的早期诊断就变得非常有意义，这可以极大地减少因CVDs造成的死亡率。
[0003]经研究表明，心音信号携带了心血管疾病早期的病理信息，并已被证明对检测早期潜在的心血管疾病是有用的。但是很长一段时间里只有通过专业医生和一些昂贵的设备才能对心音信号进行分析、检测。这种方法不仅不便利、花费高，而且最重要的一点是专业医生诊断的准确率也只有80％，一些经验不足的医生诊断的准确率只有20％
‑
40％。随着信息技术和机器学习的发展，学者们开始研究通过数字信号处理和机器学习的算法来减小心音诊断的成本，以及提高心音诊断的准确率。

技术实现思路

[0004]本申请的目的是提供一种心音信号分类方法，针对心音这类特殊的非平稳周期性信号，解决传统心音分析的依赖医生经验、准确性不高、有创等问题。
[0005]为了实现上述目的，本申请技术方案如下：
[0006]一种心音信号分类方法，包括：
[0007]对待分类心音信号进行预处理；
[0008]对预处理后的待分类心音信号进行特征提取，分别提取梅尔倒谱系数和二阶谱特征；
[0009]计算梅尔倒谱系数的一阶差分和二阶差分，然后将梅尔倒谱系数、一阶差分和二阶差分这三个特征进行拼接，得到梅尔倒谱系数特征数组；
[0010]将梅尔倒谱系数特征数组和二阶谱特征进行重构，得到最终的心音信号特征；
[0011]将心音信号特征输入到训练好的卷积神经网络模型，得到分类结果。
[0012]进一步的，所述对待分类心音信号进行预处理，包括：
[0013]采用带通滤波器对待分类心音信号进行滤波；
[0014]然后采用预设采样频率对滤波后的待分类心音信号进行采样，得到采样后的心音信号；
[0015]在采样后的心音信号采样点大于等于第一阈值时，进行下采样处理到第一频率；在采样后的心音信号采样点小于第一阈值时，进行下采样处理到第二频率；
[0016]对心音信号的幅值进行归一化处理。
[0017]进一步的，所述提取梅尔倒谱系数，包括：
[0018]对预处理后的心音信号分帧加窗；
[0019]将分帧加窗后的时域信号经离散傅里叶变换得到线性频谱；
[0020]构建Mel滤波器组，将线性谱通过Mel滤波器组滤波得到Mel频谱，并通过对数能量的处理得到对数频谱；
[0021]对上述对数谱经过离散余弦变换得到梅尔倒谱系数。
[0022]进一步的，所述将梅尔倒谱系数特征数组和二阶谱特征进行融合重构，包括：
[0023]根据梅尔倒谱系数特征数组和二阶谱特征的维度，复制梅尔倒谱系数特征数组进行横向拼接，并在左右两端填充零与二阶谱特征对齐，然后与二阶谱特征进行纵向拼接。
[0024]进一步的，所述卷积神经网络模型包括：输入层
‑
第一卷积层
‑
第一池化层
‑
第二卷积层
‑
第二池化层
‑
第三卷积层
‑
第三池化层
‑
第四卷积层
‑
第一展平层
‑
第二展平层
‑
全连接层
‑
输出层。
[0025]进一步的，所述第二展平层通过对第一展平层采用二分之一的随机失活得到。
[0026]本申请提出的一种心音信号分类方法，对采集的心音信号进行梅尔倒谱系数、二阶谱特征的提取，再通过特定的重构方法结合这两者特征，使用卷积神经网络分类，使得心音听诊的结果更加精准，为心音诊断提供了一个简单方便、廉价有效、无创且预测准确的方法。与现有技术相比，具有如下有益效果：
[0027]1、本申请方法，使用卷积神经网络学习混合特征，提高了系统识别的准确度，并增加了系统识别的鲁棒性。
[0028]2、本申请提取心音信号的梅尔倒谱系数和二节谱特征，不需要对心音信号进行分割，从而降低了操作难度。
附图说明
[0029]图1为本申请心音信号分类方法流程图。
[0030]图2为本申请实施例中提取梅尔倒谱系数流程图。
[0031]图3为本申请实施例中梅尔倒谱系数拼接示意图。
[0032]图4为本申请实施例中梅尔倒谱系数和二阶谱特征重构示意图。
[0033]图5为本申请实施例中卷积神经网络。
具体实施方式
[0034]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。
[0035]在一个实施例中，如图1所示，本申请一种心音信号分类方法，包括：
[0036]步骤S1、对待分类心音信号进行预处理。
[0037]由于心音信号是通过心脏的舒张和收缩产生的，所以非常的微弱，需要经过预处理，才能更好的进行后续处理得到较好的分类结果。
[0038]在一个具体的实施方式中，所述对待分类心音信号进行预处理，包括：
[0039]采用带通滤波器对待分类心音信号进行滤波；
[0040]然后采用预设采样频率对滤波后的待分类心音信号进行采样，得到采样后的心音信号；
[0041]在采样后的心音信号采样点大于等于第一阈值时，进行下采样处理到第一频率；在采样后的心音信号采样点小于第一阈值时，进行下采样处理到第二频率；
[0042]对心音信号的幅值进行归一化处理。
[0043]具体的，心音信号在采集的时候极容易混入一些噪声，因此在进行后续工作之前需要先对心音信号进行去噪处理，本实施例采用了5阶的巴特沃斯滤波器对心音信号进行带通滤波处理，根据心音信号噪声的频率分布，设计了截止频率分别为wn1＝25HZ，wn2＝400HZ。
[0044]进行滤波之后，将心音信号采用预设采样频率对滤波后的待分类心音信号进行采样，得到采样后的心音信号。例如采用8KHZ的采样频率进行采样。
[0045]为了减少后面网络学习的计算量，本实施例还对采样后的心音信号进行下采样，为了保证下采样后的信号能够完整地保留原始信号中的信息，同时还需要满足内奎斯特定理。本实施例中，若采样后的心音信号的采样点大于等于15000，则进行下采样到1.6KHZ；若采样后的心音信号的采样点小于15000，则下采样到2.6KHZ。这样容易得到统一规格的数据，便于后续的网络识别。
[0046]最后，还对下采样后的心音信号的幅值进行归一化处理，使音频的幅值在[
‑
1，1]这个区间内，便于后续的网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种心音信号分类方法，其特征在于，所述心音信号分类方法，包括：对待分类心音信号进行预处理；对预处理后的待分类心音信号进行特征提取，分别提取梅尔倒谱系数和二阶谱特征；计算梅尔倒谱系数的一阶差分和二阶差分，然后将梅尔倒谱系数、一阶差分和二阶差分这三个特征进行拼接，得到梅尔倒谱系数特征数组；将梅尔倒谱系数特征数组和二阶谱特征进行重构，得到最终的心音信号特征；将心音信号特征输入到训练好的卷积神经网络模型，得到分类结果。2.根据权利要求1所述的心音信号分类方法，其特征在于，所述对待分类心音信号进行预处理，包括：采用带通滤波器对待分类心音信号进行滤波；然后采用预设采样频率对滤波后的待分类心音信号进行采样，得到采样后的心音信号；在采样后的心音信号采样点大于等于第一阈值时，进行下采样处理到第一频率；在采样后的心音信号采样点小于第一阈值时，进行下采样处理到第二频率；对心音信号的幅值进行归一化处理。3.根据权利要求1所述的心音信号分类方法，其特征在于，所述提取梅尔倒谱系数，包括：对预处理后的心音信号分帧加窗；将分帧加窗后的时域信号经离散傅里叶变换得到线性频谱；构建Mel滤波器组，将线性谱通过Mel滤波器组滤...

【专利技术属性】
技术研发人员：刘先昊，刘公致，张显飞，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：