[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

说明书

本发明公开了一种面向深度卷积神经网络的心音信号分类数据扩充方法，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。本发明可以通过信号处理的手段对用于训练深度卷积神经网络的样本有效扩充和平衡，解决了样本量少、不均衡导致深度学习模型训练容易过拟合，分类效果不好的问题。

技术领域

本发明属于生物信号处理、模式识别、医疗人工智能技术领域，利用深度学习技术及数据扩充方法对心音信号分类，尤其涉及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。

背景技术

心音是一种典型的非平稳信号，其中包含了各种生理病理信息。通过计算机自动提取心音信号的特征进行定量分析，辅助心脏疾病诊断具有重要的意义。近年来，随着GPU性能的提升及各种高效深度学习模型的提出，利用深度学习方法对心音信号分类逐渐成为研究的热点，与其他传统的机器学习方法相比具有明显的优势。如深度学习的方法独有的分层网络结构能够从大量的心音数据中挖掘抽象的、泛华性能强的特征所设计的模型具有端到端的特点。但是，由于目前训练深度学习的心音数据集规模不大尤其是病理性的心音数据稀缺直接导致了训练深度学习模型过程中产生过拟合的现象且训练的模型精度不理想。

发明内容

发明目的：为了解决现有技术的不足，本发明提供了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，有效解决了因心音数据稀缺、种类间不平衡导致深度学习模型训练过程易产生过拟合的现象，有效提高深度学习模型的分类精度和泛化性能。

技术方案：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，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。

进一步的，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；

进一步的，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；