[发明专利]一种基于Residual Bi-LSTM网络的端到端心音分割方法

说明书

本发明涉及深度学习中的心音分割领域，尤其是提出了一种残差结构的长短时记忆神经网络(Residual Bidirectional Long‑Short TermMemory Neural Networks)技术。本发明所述的基于Residual Bi‑LSTM网络的端到端心音分割方法主要包含如下步骤：Step 1：同步采集健康以及患病志愿者的心音和心电信号；Step 2：将Step 1中采集的心音信号按照一定长度L分成若干个片段；Step 3：根据心音和心电相对应的金标准对采集的心音信号进标注，并整理成数据集；Step 4：利用Step 2中所得到的数据对Residual Bidirectional LSTM初始模型进行训练；Step 5：利用经过数据集训练的上述模型对不在数据集内的全新心音信号进行前向传播计算，最后实现心音信号的分割任务。

技术领域

本发明涉及深度学习中的心音分割领域，尤其是提出了一种残差结构的长短时记忆神经网络(Residual Bidirectional Long-Short Term Memory Neural Networks)技术用于心音分割领域。

背景技术

从定义上来讲，心音图(Phonocardiogram，PCG)是一种将心音的振动转变成时间序列振动波记录的图形；在作为心脏病早期诊断中的一种重要依据的同时，在心脏病最终诊断中也同样有着重要的地位。心音探头将心音及心脏杂音描记下来供临床分析，有助于心脏病的病因诊断和了解心脏杂音的产生机制。在听诊过程中，心音有着时效性高，规律性强等特点，所以对心音信号的深度分析就显得非常重要。正常的心音信号主要分为第一心音(S1)、收缩期(Systole)、第二心音(S2)以及舒张期(Diastole)，收缩期是指S1起点到S2起点的时间间期,舒张期是指S2起点到下一个心动周期S1起点的时间间期；以上4部分组成一个完整的心动周期，而相对应每个成分的时频特征往往对应着不同类型的心脏病，比如第一心音是由房室瓣突然关闭以及随后射血入主动脉等引起的机械波，如果此处的心音发生分裂等情况，往往考虑为肺动脉高压和三尖瓣关闭延迟；再比如肺动脉高压大多表现为第二心音亢进，所以在分析时更为关注第二心音的具体表现等。除此之外，不同听诊区中不同成分的心音表现也大有不同。不同类别的心音在其不同成分上都有一定的差异表示出来，而准确分割的意义就是为了对心音在时域、频域以及医学领域做更为深入的分析以提取出有利于区分各类别较好的特征，从而达到较高的准确率和可靠性，鉴于此，对心音的准确分割就变得至关重要。

中国专利申请号202110121993.8公开了一种基于ResLS-C深度学习组合的交通状态预测方法，该方法步骤(Step)如下：Step 1：构建含有残差结构的多层卷积神经网络，以达到提取空间特征效果，Step 2：构建LSTM网络，将步骤一中网络的输出作为输入提取相关时间的时间特征，Step 3：构建反卷积层，反池化层将高维度的特征进行降维操作，还原到原始空间当中，以此来做出对交通状态的预测。该算法主要是利用了残差网络对原始信息进行特征映射，类似于文本处理中的Embedding层的作用，将输入映射成特征向量；在结构中的体现就是，对每一个时间步的输入利用残差卷积神经网络进行特征映射，然后，得到映射结果后再放入LSTM-Cell中进行学习，其本质是：利用残差网络对输入序列进行特征映射，以达到改善LSTM-Cell的输入的目的。在方法上，该专利利用残差卷积网络(ResidualConvolutional Networks)在序列输入长短时记忆神经网络细胞(LSTM Cell)之前进行特征映射的方法与本专利所提出的将Residual Networks中恒等映射与Bi-LSTM相结合的方法存在区别。