一种基于高阶谱和卷积神经网络的心冲击信号的分类方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110327055A(43)申请公布日2019.10.15(21)申请号201910690101.9(22)申请日2019.07.29(71)申请人桂林电子科技大学地址541004广西壮族自治区桂林市金鸡路1号(72)发明人王子民曾利蒙玉洪王钰萌覃军焱蓝如师刘振丙(74)专利代理机构桂林市华杰专利商标事务所有限责任公司45112代理人杨雪梅(51)Int.Cl.A61B5/11(2006.01)A61B5/00(2006.01)权利要求书2页说明书6页附图4页(54)发明名称一种基于高阶谱和卷积神经网络的心冲击信号的分类方法(57)摘要本发明公开了一种基于高阶谱和卷积神经网络的心冲击信号的分类方法，步骤为：S1、获取数据集训练样本；S2、采用切比雪夫和小波变换的滤波方法对步骤S1获得的数据集训练样本进行去噪预处理，得到纯净的心冲击信号；S3、对步骤S2得到的心冲击信号进行高阶谱特征分析，得到信号的幅值和相位的特征信息；S4、构建卷积神经网络模型，将步骤S3得到的特征信息，作为卷积神经网络模型的输入，得到分类结果。该方法利用高阶谱具有时移不变性、尺度变化性和相位保持性进行特征提取得到特征以保留更多的信号信息，还能够抑制高斯有色噪声，从而提升心冲击信号分类的性能；同时，该方法具有更好的泛化性能，并有效解决了高阶谱谱应用的二维模板匹配问题。CN110327055ACN110327055A权利要求书1/2页1.一种基于高阶谱和卷积神经网络的心冲击信号的分类方法，其特征在于，包括如下步骤：S1、获取数据集训练样本；S2、采用切比雪夫和小波变换的滤波方法对步骤S1获得的数据集训练样本进行去噪预处理，得到纯净的心冲击信号；S3、对步骤S2得到的心冲击信号进行高阶谱特征分析，得到信号的幅值和相位的特征信息；S4、构建卷积神经网络模型，将步骤S3得到的特征信息，作为卷积神经网络模型的输入，得到分类结果。2.根据权利要求1所述的一种基于高阶谱和卷积神经网络的心冲击信号的分类方法，其特征在于，步骤S1中，所述的数据集训练样本，是运用设计的心冲击信号硬件采集电路采集，采用美国MEAS研制的PVDF压电薄膜作为采集BCG信号的传感器。3.根据权利要求1所述的一种基于高阶谱和卷积神经网络的心冲击信号的分类方法，其特征在于，步骤S2中，所述的预处理，包括如下步骤：S2-1、采用切比雪夫滤波器对数据集训练样本滤波，具体是采用截止频率为0.75Hz的高通滤波器消除呼吸趋势项，采用截止频率为30Hz的低通滤波器消除电路中产生的高频电磁噪声，采用50Hz陷波滤波器消除工频干扰，得到切比雪夫滤波后的信号；S2-2、小波变换：首先选择sym8小波基对切比雪夫滤波后的信号进行6阶小波变换，然后根据不同信号的特点，采用软硬阈值折衷法阈值函数，最后重构经过阈值处理的小波系数，获得较为纯净的信号。4.根据权利要求1所述的一种基于高阶谱和卷积神经网络的心冲击信号的分类方法，其特征在于，步骤S3中，所述的高阶谱特征分析，也就是双谱，包括如下步骤：S3-1、对心冲击信号进行双谱分析运算，双谱定义为：上式就是对随机变量x的3阶累计量c3x，再进行傅里叶变换得到3阶累积量谱Bx(ω1,ω2)。其中ω是圆频率，圆频率是一秒钟转过的弧度数，且ω＝2πf，f为信号频率，τ为信号周期，傅里叶变换定义为S3-2、对步骤S3-1定义的双谱进行双谱估计，双谱估计方法包括参数法和非参数法，非参数法中包含双谱直接估计法和双谱间接估计法，直接法的具体流程如下：S3-2-1、将输入的心冲击信号分成K段，以BCG信号采集频率2000的倍数截取；S3-2-2、先估计各段心冲击信号的Fourier序列，再计算各段心冲击信号的三阶累积量的估计值，取估计值的平均值作为实验数据组；S3-2-3、在matlab上编程得到心冲击信号的双谱三维图，分析谱峰值的集中与分散程度；S3-3、从步骤S3-1的双谱定义式中，得出双谱为复值函数，具有幅值和相位，可以将幅值和相位的作为分类的特征。2CN110327055A权利要求书2/2页5.根据权利要求4所述的一种基于高阶谱和卷积神经网络的心冲击信号的分类方法，其特征在于，步骤S3-2中，所述的双谱估计，最优窗选择64，双谱输出为128×128大小的矩阵，根据双谱对称性质，取其左上角64×64大小的矩阵表示双谱特性，并分别计算双谱的幅度值和相位值。6.根据权利要求1所述的一种基于高阶谱和卷积神经网络的心冲击信号的分类方法，其特征在于，步骤S4中，所述的输入，是以双谱的幅度值和相位值生成的矩阵作为卷积神经网络的输入，输入前对信号的双谱特征进行能量归一化处理，并设置标签标注信号所属的类别，得到用于网络训练和测试的