[发明专利]一种心音信号分类方法

说明书

本发明公开了一种心音信号分类方法，首先对采集的心音信号进行梅尔倒谱系数、二阶谱特征的提取，再通过特定的重构方法结合这两者特征，使用卷积神经网络分类，使得心音听诊的结果更加精准，为心音诊断提供了一个简单方便、廉价有效、无创且预测准确的方法。本发明使用卷积神经网络学习混合特征，提高了系统识别的准确度，并增加了系统识别的鲁棒性。提取心音信号的梅尔倒谱系数和二节谱特征，不需要对心音信号进行分割，降低了操作难度。

技术领域

本申请属于信号处理技术领域，尤其涉及一种心音信号分类方法。

背景技术

据世界卫生组织统计，心脏病或心血管疾病(CVDs)是导致人类死亡的主要原因。在CVDs死亡人数中低收入和中等收入国家(中低收入国家)的死亡人数占到了75％，这导致这些国家的国内生产总值减少了7％。因此，研究对心脏疾病的早期诊断就变得非常有意义，这可以极大地减少因CVDs造成的死亡率。

经研究表明，心音信号携带了心血管疾病早期的病理信息，并已被证明对检测早期潜在的心血管疾病是有用的。但是很长一段时间里只有通过专业医生和一些昂贵的设备才能对心音信号进行分析、检测。这种方法不仅不便利、花费高，而且最重要的一点是专业医生诊断的准确率也只有80％，一些经验不足的医生诊断的准确率只有20％-40％。随着信息技术和机器学习的发展，学者们开始研究通过数字信号处理和机器学习的算法来减小心音诊断的成本，以及提高心音诊断的准确率。

发明内容

本申请的目的是提供一种心音信号分类方法，针对心音这类特殊的非平稳周期性信号，解决传统心音分析的依赖医生经验、准确性不高、有创等问题。

为了实现上述目的，本申请技术方案如下：

一种心音信号分类方法，包括：

对待分类心音信号进行预处理；

对预处理后的待分类心音信号进行特征提取，分别提取梅尔倒谱系数和二阶谱特征；

计算梅尔倒谱系数的一阶差分和二阶差分，然后将梅尔倒谱系数、一阶差分和二阶差分这三个特征进行拼接，得到梅尔倒谱系数特征数组；

将梅尔倒谱系数特征数组和二阶谱特征进行重构，得到最终的心音信号特征；

将心音信号特征输入到训练好的卷积神经网络模型，得到分类结果。

进一步的，所述对待分类心音信号进行预处理，包括：

采用带通滤波器对待分类心音信号进行滤波；

然后采用预设采样频率对滤波后的待分类心音信号进行采样，得到采样后的心音信号；

在采样后的心音信号采样点大于等于第一阈值时，进行下采样处理到第一频率；在采样后的心音信号采样点小于第一阈值时，进行下采样处理到第二频率；

对心音信号的幅值进行归一化处理。

进一步的，所述提取梅尔倒谱系数，包括：

对预处理后的心音信号分帧加窗；

将分帧加窗后的时域信号经离散傅里叶变换得到线性频谱；

构建Mel滤波器组，将线性谱通过Mel滤波器组滤波得到Mel频谱，并通过对数能量的处理得到对数频谱；

对上述对数谱经过离散余弦变换得到梅尔倒谱系数。

进一步的，所述将梅尔倒谱系数特征数组和二阶谱特征进行融合重构，包括：

根据梅尔倒谱系数特征数组和二阶谱特征的维度，复制梅尔倒谱系数特征数组进行横向拼接，并在左右两端填充零与二阶谱特征对齐，然后与二阶谱特征进行纵向拼接。