[发明专利]一种区分主动脉瓣狭窄心音与正常心音方法、装置及系统

权利要求书

1.一种区分主动脉瓣狭窄心音与正常心音方法，其特征在于，该方法包括如下步骤：

S1，同步获取心音与心电信号并生成采样序列

S2，将上述采样序列通过滤波器，输出采用序列X；

S3，基于同步采样的心电信号将X切分为若干心音周期X_i；

其中，每个X_i包含前舒张期，后舒张期和收缩期，每个心音周期X_i序列为一个连续的时间序列；

S4，提取X_i的梅尔倒谱系数MFCC特征；

S5，将X_i的特征向量输入训练好的两个高斯混合-隐马尔可夫模型，并利用前向算法计算两个模型下的概率P(O|M₁)与P(O|M₂)；

其中，所述两个GMM-HMM模型分别为正常心音M₁模型和主动脉瓣狭窄心音M₂模型，P(O|M₁)为M₁模型输出的概率值，P(O|M₂)为M₁模型输出的概率值；

S6，比较上述两个P(O|M₁)与P(O|M₂)的大小，取概率大者的模型类别作为X_i的识别类别。

2.根据权利要求1所述的区分主动脉瓣狭窄心音与正常心音方法，其特征在于，所述步骤4中，提取X_i的MFCC特征的步骤为：

S41，将X_i划分为t秒时长、D％重叠的分段，每一段为一帧，共分为M段，令第m段数据表示为x(m)；

S42，利用计算每个数据分段的功率谱，其中x_i表示汉明窗，N_FFT是快速傅立叶变换的点数；

S43，对上述每个数据分段的功率谱经由一个梅尔滤波器组滤波，该梅尔滤波器组包含Q个在梅尔频率域范围f_mel(f)＝2959×log₁₀(1+f/700)上线性间隔且D％重叠的三角形滤波器Ψ_q,q＝1,2,...,Q；梅尔滤波器组滤波后的结果为MFCC的第q个元素由决定，输出每一帧具有13个元素的MFCC特征向量。

3.根据权利要求1所述的区分主动脉瓣狭窄心音与正常心音方法，其特征在于，所述GMM-HMM模型训练过程如下：

S51，初始化GMM模型，设定GMM的状态数为2，初始化权重为通过对训练集的特征向量构成的矩阵进行K-means聚类得到三维的初始化均值和初始化方差；

其中，训练集为事先采集用于训练的样本集合，主要用来训练神经网络中的参数；

S52，初始化HMM模型，设定HMM的状态数为5，将特征向量均等分为5组，初始状态概率为初始状态转移概率矩阵A为

S53，设定最大迭代次数为N，判断每次的迭代次数n是否满足n≤N，若满足，执行步骤S54，若不满足，执行步骤S55；

S54，利用E-M算法更新两个HMM模型中每一个状态对应的GMM模型，使用Baum-Welch前向-后向算法更新两个HMM模型，并返回步骤S53；

S55，训练完成，保存得到的两个GMM-HMM模型。