[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

说明书

本发明公开了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，步骤为：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。该方法利用高阶谱具有时移不变性、尺度变化性和相位保持性进行特征提取得到特征以保留更多的信号信息，还能够抑制高斯有色噪声，从而提升心冲击信号分类的性能；同时，该方法具有更好的泛化性能，并有效解决了高阶谱谱应用的二维模板匹配问题。

技术领域

本发明涉及深度学习的生理信号分类领域，具体涉及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。

背景技术

国家心血管病中心最新发布的《中国心血管病报告》指出，中国约有超过20％的人患有不同程度的心血管病，且心血管病的致死率一直高于包括肿瘤在内的其他疾病。寻找一种无创的家庭心脏监护方法，对心脏状态进行院外持续监测，并提前预警心脏异常，对慢性心脏疾病进行早期干预和治疗可大大降低突发心脏病造成的风险和损失。

心冲击信号可以描述心脏收缩与血液喷射对血管产生的冲击力引起身体的微小振动，是一种可实现非接触式采集的心脏机械信号。BCG信号的时域和频域特征，包含了大量与人体健康状态有关的信息，包括心率、呼吸、睡眠状态以及突发性的心脏异常活动。在日常生活中，可借助体重计、床、椅子甚至可使用穿戴方式采集心冲击信号，方便有效且成本较低，信号采集过程中无需医护人员操作，减少受试者的焦虑，可在放松状态下准确反映心血管血管系统的工作状态。

信号双谱是一种信号高阶统计量，由于其完整地保留了信号的幅度、频率和相位等信息，具有时移不变性、尺度变化性和相位保持性等特性，并能够抑制高斯有色噪声，所以被广泛应用于信号特征提取。

现有的分类技术可大致分为两类，即基于传统机器学习的分类方法和基于深度学习的分类方法，前者主要采用支持向量机、一近邻和模糊网络识别等方法。虽然取得了一定的成效，但不利于在大数据环境下使用且精度有待提升。后者主要采用一些神经网络模型进行分类，如神经网络、卷积神经网络等，其中有学者采用卷积神经网络的方式完成分类。卷积神经网络连接稀疏，卷积核参数共享，减小了模型存储容量，统计效率高。

发明内容

本发明的目的在于解决样本数量不稳定或者样本数量较少时,也能较好完成数据分类，提出了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。该方法提供了一种能够避免提取出的特征对噪声敏感的问题，以及解决传统方法必须对信号特征点进行精准定位的难题，并确保提取到高质量的信号特征，获得较好的分类效果的方法。

实现本发明目的的技术方案是：

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。

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研制的镀银聚偏二氟乙烯(Polyvinylidene Fluoride，PVDF)压电薄膜作为采集BCG信号的传感器。

步骤S2中，所述的预处理，包括如下步骤：