[发明专利]一种基础心音识别方法及设备

说明书

本发明涉及一种心音识别方法，包括：采集多个原始心音数据；对多个原始心音数据进行低通滤波，并计算多个原始心音数据所对应的同态包络；采用双门限法对多个同态包络进行筛选，得到至少一个备选心音数据段；将至少一个备选心音数据段进行短时傅里叶变换，得到至少一个备选心音数据段所对应的备选心音段时频谱；将至少一个备选心音段时频谱输入心音识别分支卷积神经网络进行分类，得到至少一个备选心音段时频谱的分类结果。

技术领域

本发明涉及神经网络领域，尤其是涉及一种基于分支卷积神经网络的基础心音识别方法及设备。

背景技术

心脏瓣膜疾病是目前较为常见的一种心血管疾病，而主流的心脏检查方式主要有心脏CT、心脏磁共振和心脏超声等。但上述方式的检查过程均需要专业人士参与，并不适合在家庭环境中推广。

心音作为一种人体生理信号，可以反映心脏瓣膜的健康状况。而利用心音进行心脏瓣膜疾病的诊断成本低廉，便于普及。

与传统机械听诊器相比较，电子听诊器能够以数字化的形式保存心音数据，同时可以进行自动诊断，因此可以极大地扩展听诊器的应用范围。在心动周期中的不同时期出现的杂音，可以表征不同的心脏瓣膜疾病，因此在基于心音进行心脏瓣膜疾病的判断时，通常需要将心音进行分割。目前常见的是将每个心动周期分割为4个阶段，即第一心音(S1)、收缩间期、第二心音(S2)和舒张间期。

一些方案讨论了基于马尔可夫模型的心音分割，但是这一方法在训练前需要统计训练样本中每个心动周期的4段心音的时长。对于心律不齐的心音，其4段心音的时长分布并不符合常见心音的时长统计规律，因此难以得到准确的分割结果，也就是说基于马尔可夫模型的方式仅适用于窦性心律的情况。

由于心动周期可以分为4段，因此只需确定S1和S2的位置即可完成心音分割，无需统计训练样本中4段心音的时长分布。然而，传统S1和S2识别是基于聚类的，准确率相对较低。同时目前的一些关于S1和S2的识别方法处理流程较为复杂，并且均是对S1和S2的二分类。对于二分类的方式，若心音样本中还包括偶然出现的环境杂音，则杂音将被错误的识别为S1或S2，导致后续心音分割时出现错误。显然，当前技术并不利于实时识别，同时心音中的杂音也会被错误识别。

发明内容

本发明通过计算同态包络找出实际使用时采集到的心音中可能为S1、S2或干扰杂音的数据段，并将上述数据段送入已训练的卷积神经网络中进行识别，从而得到S1、S2或干扰杂音的判别结果。使得找出S1、S2或干扰杂音时可以不依赖于时序信息，同样适用于心律不齐的心音。

为实现上述目的，本发明第一方面提供了一种基础心音识别方法，包括：采集多个原始心音数据；对多个原始心音数据进行低通滤波，并计算多个原始心音数据所对应的同态包络；采用双门限法对多个同态包络进行筛选，得到至少一个备选心音数据段；将至少一个备选心音数据段进行短时傅里叶变换，得到至少一个备选心音数据段所对应的备选心音段时频谱；将至少一个备选心音段时频谱输入心音识别分支卷积神经网络进行分类，得到至少一个备选心音段时频谱的分类结果；其中，心音识别分支卷积神经网络包括两层卷积层、两层全连接层和一层softmax层；其中，第一层卷积层为二分支卷积层，两个分支的卷积核结构分别为64×3×3和64×5×5，第二层卷积层的卷积核结构为128×3×3，第一层全连接层的神经元个数为256个，第二层全连接层的神经元个数为512个；softmax层采用softmax函数k、n、N为正整数，x_k表示第k个类别对应神经元的输出值，x_n表示第n个类别对应神经元的输出值，N为类别数，k,n∈[1，N]。

优选地，采集原始心音数据之前，方法还包括：获取训练心音数据集，其中，训练心音数据集中包括多个训练心音数据段，每个训练心音数据段包括标注信息；将多个训练心音数据段进行短时傅里叶变换，得到训练心音数据段所对应的训练心音段时频谱；将多个训练心音段时频谱输入待训练分支卷积神经网络进行训练，得到训练完成的心音识别分支卷积神经网络，其中，待训练分支卷积神经网络和训练完成的心音识别分支卷积神经网络的结构相同。