[发明专利]面向深度卷积神经网络的心音信号分类的数据扩充方法

权利要求书

1.一种面向深度卷积神经网络的心音信号分类的数据扩充方法，其特征在于：包括如下步骤：

步骤(1)对原训练心音数据进行预处理操作；

步骤(2)从所述预处理后的一维心音信号转化成二维的MFSC特征图；

步骤(3)对所述MFSC特征图乘上掩模函数对其频域、时域随机掩盖处理；

步骤(4)扩充、平衡各个类别样本的数量，得到新的训练数据集；

步骤(5)将所述新的训练数据集训练深度卷积神经网络。

2.根据权利要求1所述的面向深度卷积神经网络的心音信号分类的数据扩充方法，其特征在于：所述的步骤(1)中，预处理操作包括下采样、滤波、归一化操作，具体如下：

a.对心音信号下采样，采样频率为2000Hz；

b.利用6阶巴特沃斯滤波器带宽限制在25至900Hz范围对心音滤波处理；

c.经滤波的信号进行幅值归一化处理，使得提取的特征具有更强的鲁棒性。如下式所示，x为滤波后的心音信号，y为归一化后的数值；

3.根据权利要求1所述的面向深度卷积神经网络的心音信号分类的数据扩充方法，其特征在于：所述的步骤(2)中，MFSC特征图产生过程包括：

a.对所述预处理后的心音信号进行预加重处理即用一阶高通滤波器提升高频部分使得信号频谱更加平坦，具体的预加重方式如以下的高通滤波器，其中取u为0.95；

H(Z)＝1-uz^-1；

b.对所述预加重后的心音信号分帧、加汉宁窗和短时傅里叶变换处理，其中窗口长度、帧移分别为40ms、20ms，窗函数如下：

a值为0.46，N为窗长设为80即40ms；

c.将每一帧功率谱结果经一组有64个Mel滤波器组进行处理，分别和每个滤波器进行加权求和从而获得64个特征能量数值；

d.再对这64个特征值取对数；

e.进行一阶差分和二阶差分运算作为动态特征，并将这三种特征映射到图像RGB通道组合成RGB三通道的MFSC特征图。

4.根据权利要求1所述的面向深度卷积神经网络的心音信号分类的数据扩充方法，其特征在于：所述的步骤(3)中，掩模函数h(x，y)的设计方法如下：

a.频率域信息随机掩盖函数：

其中，f是小于F-f₀的随机整数，F是MFSC特征图的最大通道数值，f₀是小于F₀的随机整数；

b.时域信息随机掩盖函数：

其中，t是小于T-t₀的随机整数，T为MFSC特征图时域上最大的帧数，t₀是小于T₀的随机整数。

5.根据权利要求1所述的面向深度卷积神经网络的心音信号分类的数据扩充方法，其特征在于：所述的步骤(4)中，扩充、平衡原训练样本的过程如下：

a.找到类别中数目最多的MFSC特征图数目N；

b.将其他较少类别的MFSC特征图，通过乘上掩模函数h(x，y)扩充数据直到和N大小一致。