基于特征选优及可视化的心音分类装置制造方法及图纸

本发明专利技术涉及心音信号处理技术领域，公开了基于特征选优及可视化的心音分类装置，装置包括：预处理模块，用于对待分类的心音信号进行小波散射变换，得到小波散射系数；对待分类的心音信号进行连续小波变换，得到时频图；分类模块，用于将小波散射系数和时频图，均输入到训练后的模型中，输出信号分类结果；模型对小波散射系数进行特提取得到小波散射特征；对时频图进行空间域和时间域特征提取，得到时频图的空间域和时间域特征；对提取的特征均进行特征优选，将优选后的特征进行特征融合，对融合后的特征进行特征分类，得到心音信号分类结果，对心音信号分类结果进行可视化。多路径网络提取的特征更具有特征互补的优势，有效提高分类的准确性。分类的准确性。分类的准确性。

【技术实现步骤摘要】
基于特征选优及可视化的心音分类装置


[0001]本专利技术涉及心音信号处理
，特别是涉及基于特征选优及可视化的心音分类装置。

技术介绍

[0002]本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]心血管疾病 (Cardiovascular diseases, CVDs)是对人类健康的主要威胁，与全世界的高死亡率有关。在心血管疾病的发展过程中，心音比心电图（electrocardiogram，ECG）等其他信号更早地反映出心血管疾病的特征。心音听诊的准确性主要取决于临床医生的经验。研究表明，不同的临床医生对心音诊断的判断不同，心血管疾病专家的准确率相对较高，而普通医生的准确率往往较低，诊断结果极易受到人为因素的影响。因此，心音信号的自动检测对心血管疾病的早期诊断有重要意义。
[0004]已有众多学者在自动心音检测领域做出了重大贡献，基于传统的机器学习算法需要手动提取和分析特征，特征的质量主要取决于研究人员的经验，研究人员的经验会影响最终的分类准确性。

技术实现思路

[0005]为了解决现有技术的不足，本专利技术提供了基于特征选优及可视化的心音分类装置；小波散射特征与时频图的时间域特征能够有效提高分类精度，更有助于心音信号的检测，多路径网络提取的特征更具有特征互补的优势，能够有效提高分类的准确性。
[0006]基于特征选优及可视化的心音分类装置，包括：获取模块，其被配置为：获取待分类的心音信号；预处理模块，其被配置为：对待分类的心音信号进行小波散射变换，得到小波散射系数；对待分类的心音信号进行连续小波变换，得到时频图；分类模块，其被配置为：将小波散射系数和时频图，均输入到训练后的心音信号分类模型中，输出心音信号分类结果；所述训练后的心音信号分类模型，用于：对小波散射系数进行特提取得到小波散射特征；对时频图进行空间域特征提取，得到时频图的空间域特征；对时频图进行时间域特征提取，得到时频图的时间域特征；对提取的每一种特征均进行特征优选，将优选后的特征进行特征融合，对融合后的特征进行特征分类，得到心音信号分类结果，对心音信号分类结果进行可视化。
[0007]上述技术方案中的一个技术方案具有如下优点或有益效果：本专利技术提出了一种用于提取心音信号特征的多路径网络，该网络基于小波散射网络与注意力机制网络所构建，之后将所提取的不同特征进行了特征筛选，旨在得到用于心音检测的有效特征。本专利技术将从多路径网络中提取到的小波散射特征，小波时频图的空间域特征和小波时频图的时间域特征进行特征融合后，使用四种特征选择算法ReliefF、卡方
统计量Chi2、方差分析ANOVA、克鲁斯卡尔
‑
沃利斯检验Kruskal Wallis，进行特征贡献度分析，筛选优质特征，并通过降维算法t
‑
SNE对特征进行了可视化研究，进一步验证了优质特征对于心音检测的有效性。本专利技术在测试集上经过10次交叉验证，所得到的准确率达97.04%，实验结果表明，小波散射特征与时频图的时间域特征能够有效提高分类精度，更有助于心音信号的检测，多路径网络提取的特征更具有特征互补的优势，能够有效提高分类的准确性。
附图说明
[0008]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0009]图1为实施例一的系统功能模块图；图2为实施例一的心音信号分类模型内部结构图；图3为实施例一的空间注意力网络内部结构图；图4为实施例一的时间注意力网络内部结构图。
具体实施方式
[0010]应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0011]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0012]在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0013]本实施例所有数据的获取都在符合法律法规和用户同意的基础上，对数据的合法应用。
[0014]随着人工智能的不断发展，深度学习算法其自动提取特征与分类效果优越的能力受到了广泛认可，深度学习算法可以通过多层的神经网络结构自主学习数据中的特征，不需要过多的人工干预，其特征提取过程趋向于黑盒操作，难以理解其中的具体细节，提取到的大量特征难以判断特征的质量，因此，研究自动提取特征和分析特征的有效性是至关重要的。
[0015]如图1所示，基于特征选优及可视化的心音分类装置，包括：获取模块，其被配置为：获取待分类的心音信号；预处理模块，其被配置为：对待分类的心音信号进行小波散射变换，得到小波散射系数；对待分类的心音信号进行连续小波变换，得到时频图；分类模块，其被配置为：将小波散射系数和时频图，均输入到训练后的心音信号分类模型中，输出心音信号分类结果；
所述训练后的心音信号分类模型，用于：对小波散射系数进行特提取得到小波散射特征；对时频图进行空间域特征提取，得到时频图的空间域特征；对时频图进行时间域特征提取，得到时频图的时间域特征；对提取的每一种特征均进行特征优选，将优选后的特征进行特征融合，对融合后的特征进行特征分类，得到心音信号分类结果，对心音信号分类结果进行可视化。
[0016]进一步地，所述获取待分类的心音信号，通过电极对被测试人员的心音信号进行采集。
[0017]进一步地，所述对待分类的心音信号进行小波散射变换，得到小波散射系数，包括：导入5s心音信号，对心音信号进行小波散射计算，提取初级小波散射系数，n阶小波散射变换表示为:波散射变换表示为:其中，为输入信号，为时间变量，为低频部分滤波器的尺度参数，为第n阶模系数，为n
‑
1阶模系数，为第n阶散射系数，表示复数小波基，为高通滤波器，表示尺度函数，为低通滤波器，n为小波散射层的深度，在每个阶段，使用绝对值操作
“”
来获取滤波后的信号幅度。
[0018]进一步地，所述对待分类的心音信号进行连续小波变换，得到时频图，包括：导入5秒心音信号，经连续小波变换（Continuous wavelet transform，CWT）转换为二维小波时频图：其中，为输入信号，为尺度变量，，为平移变量，∈R，R代表实数域，为经平移与尺度伸缩后的小波基函数，，t为时间变量，积分对时间t在整个实数域上进行，表示在上述参数下生成的小波变换系数。在计算
机应用中，t应离散化,在t=本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于特征选优及可视化的心音分类装置，其特征是，包括：获取模块，其被配置为：获取待分类的心音信号；预处理模块，其被配置为：对待分类的心音信号进行小波散射变换，得到小波散射系数；对待分类的心音信号进行连续小波变换，得到时频图；分类模块，其被配置为：将小波散射系数和时频图，均输入到训练后的心音信号分类模型中，输出心音信号分类结果；所述训练后的心音信号分类模型，用于：对小波散射系数进行特提取得到小波散射特征；对时频图进行空间域特征提取，得到时频图的空间域特征；对时频图进行时间域特征提取，得到时频图的时间域特征；对提取的每一种特征均进行特征优选，将优选后的特征进行特征融合，对融合后的特征进行特征分类，得到心音信号分类结果，对心音信号分类结果进行可视化。2.如权利要求1所述的基于特征选优及可视化的心音分类装置，其特征是，所述将小波散射系数和时频图，均输入到训练后的心音信号分类模型中，输出心音信号分类结果，其中，训练后的心音信号分类模型，包括：并列的三个分支：第一分支、第二分支和第三分支；所述第一分支，是长短时记忆网络，所述长短时记忆网络的输入端用于输入小波散射系数，所述长短时记忆网络的输出端用于输出小波散射特征；所述第二分支，是空间注意力网络，所述空间注意力网络的输入端用于输入时频图，所述空间注意力网络的输出端用于输出时频图的空间域特征；所述第三分支，是时间注意力网络，所述时间注意力网络的输入端用于输入时频图，所述时间注意力网络的输出端用于输出时频图的时间域特征；所述第一分支的输出端与第一特征优选模块进行连接，第一特征优选模块对小波散射特征采用特征筛选算法筛选出A个特征；所述第二分支的输出端与第二特征优选模块进行连接，第二特征优选模块对时频图的空间域特征采用特征筛选算法筛选出B个特征；所述第三分支的输出端与第三特征优选模块进行连接，第三特征优选模块对时频图的时间域特征采用特征筛选算法筛选出C个特征；其中，A，B和C均为正整数；特征融合模块对A个特征、B个特征和C个特征进行特征串联融合处理；分类器，对融合后的特征进行分类，输出分类结果。3.如权利要求2所述的基于特征选优及可视化的心音分类装置，其特征是，所述装置还包括：A，B和C的具体数值是通过对心音信号分类模型进行训练得到的，其中，训练后的心音信号分类模型，训练过程包括：构建训练集，所述训练集为已知心音信号分类标签的心音信号；将训练集，输入到心音信号分类模型中，模型对其进行训练；心音信号分类模型的第一分支，提取到N个小波散射特征；N为正整数；心音信号分类模型的第二分支，提取到N个时频图的空间域特征；心音信号分类模型的第三分支，提取到N个时频图的时间域特征；对N个小波散射特征、N个时频图的空间域特征和N个时频图的时间域特征进行串联特
征融合，得到3N个融合特征；根据设定的目标融合特征的总数量Mi，采用设定的第一特征筛选算法对3N个融合特征进行筛选，筛选出Mi个目标融合特征，对Mi个目标融合特征中所包括的ai个小波散射特征、bi个时频图的空间域特征、ci个时频图的空间域特征进行记录；以此类推，得到目标融合特征不同总数量Mi所对应的三个分支不同的记录数据ai，bi和ci；更换第一特征筛选算法为设定的第二特征筛选算法，采用第二特征筛选算法对3N个融合特征进行筛选，得到目标融合特征不同总数量所对应的三个分支不同的记录数据；以此类推，得到不同特征筛选算法下，目标融合特...

【专利技术属性】
技术研发人员：魏守水，田淑众，韩宝坤，刘磊，李永建，
申请(专利权)人：山东农业工程学院，
类型：发明
国别省市：