[发明专利]心音分类方法及系统、可读存储介质、电子设备

说明书

本发明提供一种心音分类方法及系统、可读存储介质、电子设备，属于心音信号处理技术领域，对样本心音信号进行滑动窗口质量评估，确定符合评价指标要求的信号片段；对符合标准指标要求的信号片段做小波散射变换，将小波散射系数作为特征矩阵，按“小波尺度”维度展开，将二维特征矩阵重构为一维特征向量，训练分类器，按“小波尺度”维度投票得到样本的预测分类结果。本发明建立信号质量评估机制，有效地筛选样本中符合要求的心音数据，避免了无效样本的影响；通过小波散射变换自动提取心音特征，既无需人工选取特征和PCG信号识别定位，也不需要大量数据驱动，在小样本分类上具有良好性能，且避免了人工干预。

技术领域

本发明涉及心音信号处理技术领域，具体涉及一种基于数据质量评估和小波散射变换的心音分类方法及系统、可读存储介质、电子设备。

背景技术

心音是由心脏振动发出的声音，包含心房、心室、血管、瓣膜等生理信息。心音图(Phonocardiogram，PCG)是将心音转变成时间序列振动波记录的图形，分为S1期、收缩期、S2期、舒张期。心音的自动分类在辅助心血管疾病诊断中具有重要作用。

当前，心音信号分类算法可以分为传统机器学习与特征结合方法和深度学习方法两大类。传统机器学习方法中，Homsi等人采用SMOTE对样本进行了数据扩充，使用131个特征，对随机森林(Random Forests，RF)，逻辑增强(Logit Boost，LB)，代价敏感分类器(Cost-Sensitive Classifier，CSC)三种模型的分类结果进行投票，在测试集上达到了84％的精确度度量(Measure of accuracy，Macc)。Langley等人对每个样本的前5s心音信号求取的小波熵进行阈值划分，得到Macc 77％，但灵敏度(Sensitivity，Se)和特异性(Specificity，Sp)偏差较大(Se：98％，Sp：58％)，有大量的正常心音信号被划分为了异常信号。Ortiz等人应用梅尔倒谱系数(Mel-Frequency Cepstral Coefficients，MFCCs)和外部动态时间归整(Dynamic Time Warping，DTW)特征用于支持向量机(support vectormachines,SVM)训练时达到了最优82％的Macc。

综上，传统机器学习方法需要对PCG信号进行识别和定位，需要医生对大量数据进行标注，其准确性会对特征提取造成影响。同时，选取特征的好坏直接影响了分类的准确性，而有效特征的提取取决于研究人员的经验，导致特征提取不够准确，最终影响分类效果。

在深度学习心音分类中，Potes等人基于卷积神经网络(convolutional neuralnetwork,CNN)，使用124个特征在隐藏测试集上达到了Macc85％的2016年心脏学挑战赛最高得分。Grzegorczyk等人对心音信号进行了质量评估，计算符合要求信号的时间轴、纵轴及频域指标，利用神经网络(Neural Network，NN)，在测试集上Macc达到79％。Nilanon等人使用1s滑动窗口将信号截取为5s片段，计算其MFCCs和声谱图，利用逻辑回归(Logisticregression，LR)、SVM、RF和CNN，得到最优结果Macc为81％。Rubin等基于S1起始的3s心音信号的MFCCs和CNN，结果Macc为84％。Cheng等人基于快速傅里叶变换时频图和简洁心音神经网络建立心音频谱库，Macc为89％。Chen等人采用改进频率切片小波，将时间序列转化为时频图像构建双CNN模型。深度学习需要以大量样本作为数据驱动才能充分发挥其性能，然而对于小样本数据，传统的机器学习方法可能有更好的效果。

由于临床采集到的心音信号极易受到肠鸣音等其他生理声音及周围环境噪声的影响，在心音信号使用前先对其进行质量评估，保留可用信号，去除不可接受信号是十分必要的。Grzegorczyk等人采用连续差的均方根和峰值占比将心音信号划分为可接受和不可接受两类；Mubarak等人在对PCG信号识别分段前进行了质量评估；Tang等人采用峰度，能量比，频率平滑包络等特征把心音信号分为优、良、差三个等级。

发明内容