[发明专利]一种基于高阶谱和卷积神经网络的心冲击信号的分类方法

权利要求书

1.一种基于高阶谱和卷积神经网络的心冲击信号的分类方法，其特征在于，包括如下步骤：

S1、获取数据集训练样本；

S2、采用切比雪夫和小波变换的滤波方法对步骤S1获得的数据集训练样本进行去噪预处理，得到纯净的心冲击信号；

S3、对步骤S2得到的心冲击信号进行高阶谱特征分析，得到信号的幅值和相位的特征信息；

S4、构建卷积神经网络模型，将步骤S3得到的特征信息，作为卷积神经网络模型的输入，得到分类结果。

2.根据权利要求1所述的一种基于高阶谱和卷积神经网络的心冲击信号的分类方法，其特征在于，步骤S1中，所述的数据集训练样本，是运用设计的心冲击信号硬件采集电路采集，采用美国MEAS研制的PVDF压电薄膜作为采集BCG信号的传感器。

3.根据权利要求1所述的一种基于高阶谱和卷积神经网络的心冲击信号的分类方法，其特征在于，步骤S2中，所述的预处理，包括如下步骤：

S2-1、采用切比雪夫滤波器对数据集训练样本滤波，具体是采用截止频率为0.75Hz的高通滤波器消除呼吸趋势项，采用截止频率为30Hz的低通滤波器消除电路中产生的高频电磁噪声，采用50Hz陷波滤波器消除工频干扰，得到切比雪夫滤波后的信号；

S2-2、小波变换：首先选择sym8小波基对切比雪夫滤波后的信号进行6阶小波变换，然后根据不同信号的特点，采用软硬阈值折衷法阈值函数，最后重构经过阈值处理的小波系数，获得较为纯净的信号。

4.根据权利要求1所述的一种基于高阶谱和卷积神经网络的心冲击信号的分类方法，其特征在于，步骤S3中，所述的高阶谱特征分析，也就是双谱，包括如下步骤：

S3-1、对心冲击信号进行双谱分析运算，双谱定义为：

上式就是对随机变量x的3阶累计量c_3x，再进行傅里叶变换得到3阶累积量谱B_x(ω₁,ω₂)。其中ω是圆频率，圆频率是一秒钟转过的弧度数，且ω＝2πf，f为信号频率，τ为信号周期，傅里叶变换定义为

S3-2、对步骤S3-1定义的双谱进行双谱估计，双谱估计方法包括参数法和非参数法，非参数法中包含双谱直接估计法和双谱间接估计法，直接法的具体流程如下：

S3-2-1、将输入的心冲击信号分成K段，以BCG信号采集频率2000的倍数截取；

S3-2-2、先估计各段心冲击信号的Fourier序列，再计算各段心冲击信号的三阶累积量的估计值，取估计值的平均值作为实验数据组；

S3-2-3、在matlab上编程得到心冲击信号的双谱三维图，分析谱峰值的集中与分散程度；

S3-3、从步骤S3-1的双谱定义式中，得出双谱为复值函数，具有幅值和相位，可以将幅值和相位的作为分类的特征。

5.根据权利要求4所述的一种基于高阶谱和卷积神经网络的心冲击信号的分类方法，其特征在于，步骤S3-2中，所述的双谱估计，最优窗选择64，双谱输出为128×128大小的矩阵，根据双谱对称性质，取其左上角64×64大小的矩阵表示双谱特性，并分别计算双谱的幅度值和相位值。

6.根据权利要求1所述的一种基于高阶谱和卷积神经网络的心冲击信号的分类方法，其特征在于，步骤S4中，所述的输入，是以双谱的幅度值和相位值生成的矩阵作为卷积神经网络的输入，输入前对信号的双谱特征进行能量归一化处理，并设置标签标注信号所属的类别，得到用于网络训练和测试的数据集，在用于网络训练和测试的数据集中随机抽取每种信号总量的1/4样本作为训练集，余下的样本作为测试样本。

7.根据权利要求1所述的一种基于高阶谱和卷积神经网络的心冲击信号的分类方法，其特征在于，步骤S4中，所述的卷积神经网络模型为一维卷积神经网络模型，网络框架包括：一个输入层，两个卷积层，两个池化层，一个全连接层，一个输出层，优化一维卷积神经网络模型，优化参数为：

(1)优化卷积核的尺寸；

(2)在卷积核尺寸参数确定的条件下，设置不同的学习率；

(3)在卷积核尺寸、学习率等参数确定的条件下，设置迭代次数和批量大小。