[发明专利]一种交叉对比神经网络在心声智能检测中的应用方法

说明书

本发明公开了一种交叉对比神经网络在心声智能检测中的应用方法。本发明将深度神经网络与IBS理论相结合，提出了一种新的网络架构，交叉对比神经网络。这种新的网络架构利用卷积滤波器提取声音频谱的纹理特征，然后通过对比的方式计算两幅图像特征的相似度。对心声数据库的实验表明，我们的方法可以提高分类的准确度，同时给出了直观的统计学解释。

技术领域

本发明涉及统计分析以及深度学习在心音智能检测方面的应用。

背景技术

2012年，AlexNet网络在ILSVRC中取得了历史性的突破，效果大幅度超越传统的图像分类方法，这也是首次将深度神经网络用于大规模图像分类中。从AlexNet网络之后，出现了一系列的卷积神经网络模型，不断地在ImageNet数据集上刷新成绩。深度学习以及神经网络在信号分析特别是图像分析中得到了飞速的发展，极大提高了分析的准确性。

神经网络在医学图像上的应用主要存在两方面问题。一方面，神经网络结构非常复杂，在小样本集上尤其是医学样本上很容易出现过拟合的现象。另一方面，医学图像的分类任务不光关注准确度的提升，也要求增强其可解释性。和计算机视觉领域的许多分类/分割任务不一样，医学上的计算机辅助应用往往需要得到临床知识的认可才能大规模使用。基于此，我们提出了一种新的网络架构，交叉对比神经网络(CCNN)。这种新的网络架构利用卷积滤波器提取声音频谱的纹理特征，然后通过对比的方式计算两幅图像特征的相似度。这种方法一方面提升对样本的利用，另一方面从统计学的角度部分的解释了为什么我们可以判断一张图像的类别。对心声数据库的实验表明，我们的方法可以提高分类的准确度，同时给出了直观的统计学解释。

发明内容

针对以上现有方法中存在的不足，本发明的目的在于提出了一种新的网络架构，交叉对比神经网络(CCNN)。这种新的网络架构利用卷积滤波器提取声音频谱的纹理特征，然后通过对比的方式计算两幅图像特征的相似度。首先需要将心音信号转化为图像再输入后序的网络进行处理。将采集的心音信号转化为图像的方式有很多种，本方案采用的方式是通过短时傅立叶变换将心音转换为图像。

本网络架构有二个部分：

第一个部分是网络的架构部分，分为四层结构。每一层由若干个滤波器组成的卷积层组成。第二个部分我们提取出第k层网络得到的图像特征，进行训练，包括以下步骤：

步骤1，对提取的特征进行概率统计；

步骤2，使用修改的IBS公式得到标准化后的MIBS值，将MIBS值与标签结合，计算

损失值；

步骤3，优化损失值，进行模型训练直到训练结束。

本发明的有益效果是：将深度神经网络与统计分析的IBS理论相结合，将图像以组合方式两两输入到网络中，对传统IBS理论进行修改并作为先验知识加入到网络判决中，解决了样本量少，准确率难以保证以及统计特征无法寻找的问题。这种方法一方面提升对样本的利用，另一方面从统计学的角度部分的解释了为什么我们可以判断一张图像的类别。对心声数据库的实验表明，我们的方法可以提高分类的准确度，同时给出了直观的统计学解释。

附图说明

图1是本发明方法的网络结构图

图2是卷积神经网络模型图

图3是模型算法流程图

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施方式对本发明进行详细的说明。