[发明专利]基于分数域傅里叶变换的可解释心音异常识别方法及系统

说明书

本发明公开了一种基于分数域傅里叶变换的可解释心音异常识别方法和系统，包括预处理、特征提取、模型建立和模型解释。预处理依次包括：剪切、下采样、滤波、幅值归一化、心动周期分割、分帧和加窗；特征提取，被配置为先对预处理后的心音做分数域傅里叶变换，接着提取一维分数域心音信号的帧级香农熵特征，并对帧级特征计算13个统计函数作为最终特征；模型建立，选取XGBoost分类器；模型解释，选取SHAP（SHapley Additive exPlanation）解释模型。本发明实现容易，方法简单，特征维度低，模型拟合快，具有模型预测可解释性。

技术领域

本发明属于智能生物医学信号处理领域，尤其涉及一种基于分数域傅里叶变换的可解释心音异常识别方法及系统。

背景技术

心血管疾病是一种高致死率的疾病。根据美国Vital Statistics Data提供的数据统计，除2019年开始爆发的新型冠状病毒肺炎外，心脏病已成为美国人口死亡的第一死因，并且从2015年到2020年，其引发的死亡率呈逐年增加趋势。致死率高的心血管疾病威胁着全世界人民的生命健康安全，被认为是人类生命的第一大杀手。早发现、早治疗可有效降低心血管疾病对人体健康造成的伤害、减少死亡的发生。与传统的核磁共振图像和电子计算机断层扫描技术相比，通过心音分析心脏状况是一种快速、低成本和高效率的方法。然而，心音具有低强度和频率接近于人类听觉下限的特性，包含呼吸震动、肠鸣音和心脏周围其他器官杂音，这使得心音的分析更加困难。于是，越来越多人致力于用计算机听觉技术来分析识别异常心音信号。

目前，国内外研究学者已提出了许多根据心音来识别心脏异常的方法和应用，其中有的方法已取得了良好的识别效果。这些方法和应用的实现流程大多数都是先提取时域特征、频域特征或时频域特征，再利用传统机器学习模型或深度学习模型对特征建模分类以实现正常和异常心音的识别。尽管他们已取得了较好的成果，但忽略了所提出的模型可解释性的重要性。基于SHAP的模型解释方法可以计算全局特征贡献和局部特征贡献，对于验证心音异常识别模型的行为是否符合预期是很有必要的，可以更好的与医生和患者建立信任关系。

基于传统机器学习模型，相关发明专利（CN110610204A）多采用梅尔频率倒谱系数作为特征，或者提取多种低级音频描述符并将其进行特征融合，维度较高，导致模型拟合耗时长；

目前已有的心音识别相关专利（CN113345471A）更多注重于模型的识别效果上，而忽略了模型可解释性的重要性，无法建立模型与医生和患者之间的信任关系。如论文：TanY, Wang Z, Qian K, et al. Heart Sound Classification based on FractionalFourier Transformation Entropy[C]//2022 IEEE 4th Global Conference on LifeSciences and Technologies (LifeTech). IEEE, 2022: 588-589.中公开了：本论文提出了一种心音分类方法，整个方法的过程是心音的剪切、特征提取和分类，使用分数域傅里叶变换熵（FRFE）作为特征，支持向量机（SVM）作为分类模型。该论文未对心音信号做足够的预处理，使用低级特征维度大、模型拟合慢，缺乏模型解释工作。

发明内容

有鉴于此，本发明旨在提出一种基于分数域傅里叶变换的可解释心音异常识别方法及系统。具体而言，是一种提取一维分数域心音信号熵特征的算法。

本发明的第一方面公开了一种基于分数域傅里叶变换的可解释心音异常识别方法。所述方法包括:

步骤S100，对心音信号进行预处理；

步骤S200，对预处理的心音信号的分数域傅里叶变换熵特征进行提取；

步骤S300，模型建立，即训练XGBoost分类器建立模型，通过未加权平均召回率对结果进行评估：选定需要寻优的多个参数，并设定各参数网格搜索的范围，设置参数随机种子值，其余参数保持默认值；