基于端到端轻型卷积神经网络的心音信号分类方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115581475A(43)申请公布日2023.01.10(21)申请号202211370334.9(22)申请日2022.11.03(71)申请人中国科学院半导体研究所地址100083北京市海淀区清华东路甲35号(72)发明人刘鸣任斌斌马凯南(74)专利代理机构中科专利商标代理有限责任公司11021专利代理师郭梦雅(51)Int.Cl.A61B7/04(2006.01)G06F18/241(2023.01)G06F18/2433(2023.01)G06N3/0464(2023.01)G06N3/08(2006.01)权利要求书2页说明书11页附图6页(54)发明名称基于端到端轻型卷积神经网络的心音信号分类方法(57)摘要本发明公开了一种基于端到端轻型卷积神经网络的心音信号分类方法，包括：对原始心音信号进行降采样处理和分段处理；利用短时傅里叶变换对分段处理后的心音信号进行特征提取，并将具有特征标签的多维心音信号随机分成训练集、验证集和测试集；利用训练集、损失函数和优化器得到经过训练的多维卷积神经网络；利用验证集对经过训练的多维卷积神经网络的参数进行调整得到本轮训练完成的多维卷积神经网络；利用训练集和验证集对多维卷积神经网络进行交叉优化与调整得到训练完成的多维卷积神经网络集合；利用测试集和预设评价指标，得到优化的多维卷积神经网络；利用优化的多维卷积神经网络处理心音信号，并输出心音信号的分类信息。CN115581475ACN115581475A权利要求书1/2页1.一种基于端到端轻型卷积神经网络的心音信号分类方法，包括：根据预设信号频率，对来自数据库的原始心音信号进行降采样处理，并根据预设时长，对降采样处理后的心音信号进行信号分段处理，得到分段处理后的心音信号；利用短时傅里叶变换对所述分段处理后的心音信号进行特征提取，得到具有特征标签的多维心音信号；根据预设分配比例，将所述具有特征标签的多维心音信号随机分成训练集、验证集和测试集；利用多维卷积神经网络处理所述训练集，并根据训练集处理结果，利用损失函数和优化器训练所述多维卷积神经网络的参数，得到经过训练的多维卷积神经网络，其中，所述多维卷积神经网络所处理的数据维度与所述具有特征标签的多维心音信号的数据维度一致；利用所述经过训练的多维卷积神经网络处理所述验证集，根据验证集处理结果对所述经过训练的多维卷积神经网络的参数进行调整，得到本轮训练完成的多维卷积神经网络；根据预设训练轮次，利用所述训练集和所述验证集对所述多维卷积神经网络进行交叉优化与调整，得到训练完成的多维卷积神经网络集合；利用所述训练完成的多维卷积神经网络集合处理所述测试集，将测试集处理结果输入到预设评价指标中，得到每个所述训练完成的多维卷积神经网络的评分，并根据所述评分，得到优化的多维卷积神经网络；利用所述优化的多维卷积神经网络处理来自客户端的心音信号，并输出所述来自客户端的心音信号的分类信息。2.根据权利要求1所述的方法，其中，所述利用短时傅里叶变换对所述分段处理后的心音信号进行特征提取，得到具有特征标签的多维心音信号包括：将所述短时傅里叶变换的参数初始化成预设值，其中，所述短时傅里叶变换的参数包括窗长、步长和快速傅里叶变换的点数；利用所述短时傅里叶变换对所述分段处理后的心音信号进行快速傅里叶变换或离散傅里叶变换，得到所述分段处理后的心音信号的频域特征；按照所述分段处理后的心音信号的时间顺序，对所述分段处理后的心音信号的频域信息进行处理，得到所述具有特征标签的多维心音信号。3.根据权利要求1所述的方法，其中，所述损失函数包括焦点损失函数，所述优化器包括自适应矩估计优化器。4.根据权利要求1所述的方法，其中，所述多维卷积神经网络包括全局最大池化层、全连接输出层和多层卷积层，其中，每个所述卷积层包括多个基于神经单元描述域的滤波器。5.根据权利要求1所述的方法，其中，所述预设评价指标包括准确率、灵敏度和特异度。6.根据权利要求5所述的方法，其中，所述准确率由公式(1)确定：所述灵敏度由公式(2)确定：所述特异度由公式(3)确定：2CN115581475A权利要求书2/2页其中，Accuracy是所述准确率，表示预测正确的样本站所有样本的比例；Sensitivity是所述灵敏度，表示所有正例中被分对的比例；Specificity是所述特异度，表示所有负例中被分对的比例；TN为真负，表示预测为负、实际是负；FP为假正，表示预测为正、实际为负；FN为假负，表示预测为负、实际为正。7.根据权利要求1所述的方法，还包括：将所述优化的多维卷积神经网络的参数存储到所述FPGA的BRAM中，并通过数据总线将将优化的多维卷积神经网络和经过短时傅里叶变换处理的心音信号存储到数据缓冲区；