【技术实现步骤摘要】
本专利技术涉及信号处理，具体涉及基于加权再平衡一维卷积神经网络的心音信号分类方法。
技术介绍
1、心脏疾病是全球性的高死亡率疾病之一，在心脏疾病初期诊断中，心内科医生通常需要听诊患者的心音，根据心音传递的生理信息来对心脏疾病进行初步诊断。然而，由于心音是心脏生理活动的一种具象化的外在表现形式，准确可靠的心音分析通常需要医生具备丰富的临床经验，且需耗费大量的诊断时间。在心音听诊过程中，常会因人为主观因素造成误诊；为此，出现了自动化的心音辅助心脏疾病诊断方法，试图利用自动化的辅诊手段来减少医生的临床诊断压力，提升心音信号诊断的可靠性。
2、在自动化的心音辅诊技术中，大都聚焦于从数据中自动学习可靠的心音信号的特征来建模智能模型，如利用卷积神经网络从心音信号中自动学习可靠的特征来进行分类。然而，由于心音信号普遍存在数据不平衡问题，即异常心音信号的数量远低于正常心音信号数量，该问题使得心音信号的特征自动化学习过程变得不再可靠，在某些极端情况下，如数据的类别不平衡比例非常高时，模型甚至可能完全丧失辨识能力，造成了在预测过程中的假正例和假负例预测失衡问题。
技术实现思路
1、针对现有技术中的上述不足，本专利技术提供的加权再平衡一维卷积神经网络的心音信号分类方法解决了现有技术的模型在预测过程中容易产生假正例和假负例预测失衡的问题。
2、为了达到上述专利技术目的，本专利技术采用的技术方案为：基于加权再平衡一维卷积神经网络的心音信号分类方法，包括以下步骤：
3、s1
4、s2、构建一维卷积神经网络；
5、s3、通过数据集，采用adam优化器对一维卷积神经网络进行训练，得到最优迭代模型；
6、s4、使用最优迭代模型对待分类的心音信号完成分类。
7、进一步地：所述步骤s1包括以下分步骤：
8、s11、利用序列标注算法定位心音信号的第一心音片段和第二心音片段；
9、s12、根据预设时长，截出心音信号的第一心音片段和第二心音片段；
10、s13、将截出的心音信号的第一心音片段和第二心音片段作为数据集。
11、进一步地：所述步骤s2所述的一维卷积神经网络包括依次连接的cblock_1层、cblock_2层、cblock_3层、cblock_4层、cblock_5层、linear_1层、linear_2层和softmax层。
12、进一步地：所述一维卷积神经网络对数据的处理方法包括以下步骤：
13、s21.根据预设训练批次大小n，随机从数据集中抽取n个训练样本，将抽取的n个训练样本输入至一维卷积神经网络，并从softmax层输出softmax_output；
14、s22.计算softmax_output中最大值的位置索引，将该位置索引作为一维卷积神经网络的输出。
15、进一步地：所述cblock_1层、cblock_2层、cblock_3层、cblock_4层和cblock_5层的结构相同，均为cblock结构，包括一维卷积层conv1d_1层、conv1d_2层、conv1d_3层、prelu_1层、prelu_2层、串联层和maxpool层；
16、所述conv1d_1层的输入端作为cblock结构的第一输入端，所述conv1d_3层的输入端作为cblock结构的第二输入端，所述conv1d_1层的输出端与所述conv1d_2层的输入端连接，所述conv1d_1层的输出端与所述conv1d_3层的输出端分别于所述prelu_1层的输入端和所述prelu_2层输入端连接；将所述prelu_1层的输出端和prelu_2层的输出端分别与所述串联层的第一输入端和第二输入端连接，所述串联层的输出端与所述maxpool层的输入端连接，所述maxpool层的输出端作为cblock结构的输出端。
17、进一步地：所述步骤s3包括以下分步骤：
18、s31、设定adam优化器的学习率、权重衰减系数和自适应矩估计参数，使用数据集训练一维卷积神经网络；
19、s32、计算加权再平衡损失函数；
20、s33、根据加权再平衡损失函数计算一维卷积神经网络的参数梯度；
21、s34、使用adam优化器对一维卷积神经网络的参数梯度进行更新；
22、s35、反复执行步骤s31-34直到模型收敛，保留收敛后的模型作为最优迭代模型。
23、进一步地：所述步骤s32包括以下分步骤：
24、s321、计算权重调整参考指标fi，其公式为：
25、
26、
27、
28、其中，seni和ppri分别为第i类样本的敏感度和正阳性预测率，β为超参数，tpi为真正第i类样本数，fni为假负第i类样本数，fpi为假正第i类样本数；
29、s322、根据权重调整参考指标fi，计算加权再平衡损失函数loss，其公式为：
30、
31、其中，ni为对应第i类的样本数量，为第i个类的第j个样本，为第j个样本预测为第i类的概率。
32、本专利技术的有益效果为：
33、1.根据心音信号的类间相似性和类内差异性问题造成的复杂数据表现形式，设计了一种新的一维卷积神经网络结构用于自动学习其特征表示；
34、2.设计基于加权再平衡一维卷积神经网络对心音信号进行自动分类，解决了现有自动化心音辅诊技术中因数据不平衡问题造成的模型预测过程中的假正例和假负例预测失衡问题；
35、3.实现了心音信号自动化分类，有望应用于临床辅助诊断过程，可减缓医生的诊疗压力，提升诊断结果的可靠性。
本文档来自技高网...【技术保护点】
1.基于加权再平衡一维卷积神经网络的心音信号分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于加权再平衡一维卷积神经网络的心音信号分类方法，其特征在于，所述步骤S1包括以下分步骤：
3.根据权利要求1所述的基于加权再平衡一维卷积神经网络的心音信号分类方法，其特征在于，所述步骤S2所述的一维卷积神经网络包括依次连接的CBLOCK_1层、CBLOCK_2层、CBLOCK_3层、CBLOCK_4层、CBLOCK_5层、LINEAR_1层、LINEAR_2层和SOFTMAX层。
4.根据权利要求3所述的基于加权再平衡一维卷积神经网络的心音信号分类方法，其特征在于，所述一维卷积神经网络对数据的处理方法包括以下步骤：
5.根据权利要求4所述的基于加权再平衡一维卷积神经网络的心音信号分类方法，其特征在于，所述CBLOCK_1层、CBLOCK_2层、CBLOCK_3层、CBLOCK_4层和CBLOCK_5层的结构相同，均为CBLOCK结构，包括一维卷积层conv1d_1层、conv1d_2层、conv1d_3层、PReLU_1层、P
6.根据权利要求5所述的基于加权再平衡一维卷积神经网络的心音信号分类方法，其特征在于，所述步骤S3包括以下分步骤：
7.根据权利要求6所述的基于加权再平衡一维卷积神经网络的心音信号分类方法，其特征在于，所述步骤S32包括以下分步骤：
...【技术特征摘要】
1.基于加权再平衡一维卷积神经网络的心音信号分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于加权再平衡一维卷积神经网络的心音信号分类方法，其特征在于，所述步骤s1包括以下分步骤：
3.根据权利要求1所述的基于加权再平衡一维卷积神经网络的心音信号分类方法，其特征在于，所述步骤s2所述的一维卷积神经网络包括依次连接的cblock_1层、cblock_2层、cblock_3层、cblock_4层、cblock_5层、linear_1层、linear_2层和softmax层。
4.根据权利要求3所述的基于加权再平衡一维卷积神经网络的心音信号分类方法，其特征在于，所述一维卷积神经网络对数据的处理方...
【专利技术属性】
技术研发人员：桑永胜，黄占鳌，袁磊，吕建成，吴刚，廖宇祥，
申请(专利权)人：四川大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。