[发明专利]一种基于MPSF提取的AVA狭窄定位及狭窄程度多级分类系统

权利要求书

1.一种基于MPSF提取的AVA狭窄定位及狭窄程度多级分类系统，其特征在于，包括声学信号采集器和处理器，其中：

所述声学信号采集器采集测试者AVA相对上下游位置的声学信号，并将所述声学信号传输至所述处理器；

所述处理器接收测试者AVA相对上下游位置的声学信号后，执行以下步骤：

按照心率周期对接收的所述声学信号进行分割，获得声学子信号；

对声学子信号进行奇异谱分析和welch功率谱估计，根据welch功率谱估计结果中功率分布特征，初步判断AVA狭窄位置，从据welch功率谱估计结果中提取AVA狭窄位置对应的高频部分的频率谱能量，将来自于同一AVA相对上下游位置的声学信号的频率谱能量组成一组MPSF；

将每组MPSF输入至基于长短期记忆网络构建的AVA狭窄定位及狭窄程度多级分类模型中，经计算输出测试者AVA狭窄位置以及狭窄程度的分类结果；

所述按照心率周期对接收的所述声学信号进行分割，获得声学子信号包括：

采用A-weighted滤波器对所述声学信号进行加权滤波；

对加权滤波后的声学信号取绝对值后，采用高斯窗宽为2500～3500的Gaussion平滑，消除噪声对局部极大值的影响，并将声学信号转变为可导的Gaussion平滑曲线Q；

对所述Gaussion平滑曲线Q求导，获得离散的导数曲线，再对所述导数曲线进行高斯窗宽为2000～3000的Gaussion平滑，获得所述平滑曲线Q的平滑导数分布ds；

寻找平滑导数分布ds上的零点C使得零点C左邻域大于0、右邻域小于0，认为获取的每一个零点C对应一个周期的最大值，相邻两个零点C之间的时间长度为周期长度；

将所有周期长度的平均值作为原始信号周期片段Cycle的长度，从第一个局部零点C前0.2～0.4秒开始依次截取Cycle，以保证每个截取结果内都能包含有一次完整搏动中声音的全部信息，以此实现对声学信号的分割，获得声学子信号。

2.如权利要求1所述的基于MPSF提取的AVA狭窄定位及狭窄程度多级分类系统，其特征在于，所述声学信号采集器包括听诊器或声学信号传感器组，即采用听诊器或声学信号传感器组采集测试者AVA相对上下游位置的声学信号。

3.如权利要求1所述的基于MPSF提取的AVA狭窄定位及狭窄程度多级分类系统，其特征在于，在确定狭窄位置后，在AVA上下游距离重附点的5～10cm处采集声学信号，上游采集的声学信号与下游采集的声学信号形成一组声学信号数据。

4.如权利要求1所述的基于MPSF提取的AVA狭窄定位及狭窄程度多级分类系统，其特征在于，所述对声学子信号进行奇异谱分析和welch功率谱估计，获得高频部分的频率谱能量包括：

针对单个声学子信号，采用窗口长度L＝20的SSA分解，此时窗长n＝10的信号为声学子信号的主成分，即200Hz低频成分能量集中区域；然后，对将SSA分解结果的窗长为10～20的信号进行SSA重构，即获得仅剩余高频特征的信号S；

使用welch函数获取S信号的窗宽为80～120的估计功率谱PSD，该估计功率谱PSD即为高频部分的频率谱能量。

5.如权利要求1所述的基于MPSF提取的AVA狭窄定位及狭窄程度多级分类系统，其特征在于，所述AVA狭窄定位及狭窄程度多级分类模型的构建过程包括：

构建训练样本，采用同一标准采集非狭窄病例、轻微狭窄病例、严重狭窄病例以及血管物理仿真模型的AVA相对上下游位置的声学信号，每个AVA相对上下游位置的声学信号形成一组声学信号数据，对声学信号数据进行周期分割、奇异谱分析和welch功率谱估计，形成一组MPSF，即为一个训练样本；

构建网络模型，以长短期记忆网络与Softmax层构成AVA狭窄定位及狭窄程度多级分类网络模型；

利用训练样本训练所述AVA狭窄定位及狭窄程度多级分类网络模型，获得AVA狭窄定位及狭窄程度多级分类模型。

6.如权利要求1～5任一项所述的基于MPSF提取的AVA狭窄定位及狭窄程度多级分类系统，其特征在于，在对所述声学信号进行周期分割前，还包括对声学信号进行去噪处理。

7.如权利要求1～5任一项所述的基于MPSF提取的AVA狭窄定位及狭窄程度多级分类系统，其特征在于，所述AVA狭窄定位及狭窄程度多级分类系统还包括：

云端数据库，其用于存储处理分类结果测试者AVA狭窄位置以及狭窄程度的分类结果；

移动终端，其接收并显示测试者AVA狭窄位置以及狭窄程度的分类结果。