[發(fā)明專利]一種混合深度學(xué)習(xí)和低差異度森林的心音診斷系統(tǒng)有效
| 申請?zhí)枺?/td> | 202110971189.9 | 申請日: | 2021-08-24 |
| 公開(公告)號: | CN113413163B | 公開(公告)日: | 2021-11-19 |
| 發(fā)明(設(shè)計)人: | 郭亮;劉建亞;張淼;高劍雄;劉潤洲;許京禹 | 申請(專利權(quán))人: | 山東大學(xué) |
| 主分類號: | A61B7/02 | 分類號: | A61B7/02;A61B7/04;G06K9/00;G06K9/62;G06N3/04;G06N3/00 |
| 代理公司: | 濟南圣達知識產(chǎn)權(quán)代理有限公司 37221 | 代理人: | 李琳 |
| 地址: | 264209 *** | 國省代碼: | 山東;37 |
| 權(quán)利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關(guān)鍵詞: | 一種 混合 深度 學(xué)習(xí) 差異 森林 心音 診斷 系統(tǒng) | ||
1.一種混合深度學(xué)習(xí)和低差異度森林的心音診斷系統(tǒng),其特征是:包括:
預(yù)處理模塊,被配置為對獲取的心音信號進行預(yù)處理,對心音信號依次進行歸一化、濾波和下采樣處理;
數(shù)據(jù)轉(zhuǎn)換模塊,被配置為對下采樣后的數(shù)據(jù)提取音頻特征,生成二階譜數(shù)據(jù);
深度學(xué)習(xí)模塊,被配置為利用訓(xùn)練后的深度學(xué)習(xí)模型對二階譜數(shù)據(jù)進行特征提取;
特征分類模塊,被配置為對提取的特征利用訓(xùn)練后的低差異度森林分類器進行分類,得到分類后的診斷結(jié)果;
所述深度學(xué)習(xí)模型的訓(xùn)練過程包括獲取訓(xùn)練數(shù)據(jù)集,對每個樣本依次進行歸一化、濾波和下采樣,對下采樣后的音頻數(shù)據(jù)提取音頻特征,將所有樣本的二階譜數(shù)據(jù)輸入所述深度學(xué)習(xí)模型,保存訓(xùn)練數(shù)據(jù)集分類標(biāo)簽,形成存儲文件,將所有特征列降維到一列,并將其存儲至存儲文件的最后一列,即為T列,根據(jù)T列值的大小,對存儲文件中的所有樣本按序重新排列,將重新排列且刪除T列的數(shù)據(jù),輸入至低差異度森林分類器;
所述低差異度森林分類器的訓(xùn)練過程包括:
(a)基于訓(xùn)練數(shù)據(jù)集的樣本數(shù),基于低差異度數(shù)列抽樣方法生成低差異度數(shù)列;
(b)按升序或降序的原則,獲取低差異度數(shù)列所有元素的序號,生成一個序號數(shù)列;
(c)將訓(xùn)練數(shù)據(jù)集的設(shè)定大小的樣本作為相應(yīng)決策樹的訓(xùn)練集;
(d)設(shè)置低差異度森林的決策樹數(shù)量;
(e)在樣本數(shù)范圍內(nèi)的隨機整數(shù)作為一個決策樹的初始樣本索引;
(f)從所述隨機整數(shù)開始,在序號數(shù)列連續(xù)取設(shè)定大小個連續(xù)的元素;
(g)根據(jù)取出的元素作為樣本序號,從輸入的重新排列且刪除T列的數(shù)據(jù)中取出相應(yīng)數(shù)量樣本,形成一個決策樹的訓(xùn)練樣本;
(h)構(gòu)建一決策樹,利用上述訓(xùn)練樣本訓(xùn)練該決策樹;
(i)重復(fù)步驟(e)-(h),構(gòu)建并訓(xùn)練符合決策樹數(shù)量的決策樹。
2.如權(quán)利要求1所述的一種混合深度學(xué)習(xí)和低差異度森林的心音診斷系統(tǒng),其特征是:還包括采集設(shè)備,用于采集并保存心音信號。
3.如權(quán)利要求1所述的一種混合深度學(xué)習(xí)和低差異度森林的心音診斷系統(tǒng),其特征是:所述深度學(xué)習(xí)模型為輕量化AOCT卷積神經(jīng)網(wǎng)絡(luò),包括依次連接的四個以卷積層、BN層、激活函數(shù)為整體的卷積塊,以及一全連接層。
4.如權(quán)利要求1或3所述的一種混合深度學(xué)習(xí)和低差異度森林的心音診斷系統(tǒng),其特征是:所述深度學(xué)習(xí)模型和所述低差異度森林分類器級聯(lián),所述低差異度森林分類器作為所述深度學(xué)習(xí)模型的最后一層。
5.如權(quán)利要求1所述的一種混合深度學(xué)習(xí)和低差異度森林的心音診斷系統(tǒng),其特征是:所述低差異度森林分類器以K個決策樹為基本分類器,進行集成學(xué)習(xí)后得到的一個組合分類器,當(dāng)給定一個待分類樣本,低差異度森林分類器輸出的分類結(jié)果由每個決策樹的分類結(jié)果簡單投票決定。
6.如權(quán)利要求1所述的一種混合深度學(xué)習(xí)和低差異度森林的心音診斷系統(tǒng),其特征是:所述濾波處理時,采用巴特沃斯帶通濾波進行過濾。
7.如權(quán)利要求1所述的一種混合深度學(xué)習(xí)和低差異度森林的心音診斷系統(tǒng),其特征是:所述下采樣處理時,利用二階譜分析法進行下采樣。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息,商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于山東大學(xué),未經(jīng)山東大學(xué)許可,擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作,請聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202110971189.9/1.html,轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 根據(jù)用戶學(xué)習(xí)效果動態(tài)變化下載學(xué)習(xí)數(shù)據(jù)的系統(tǒng)及方法
- 用于智能個人化學(xué)習(xí)服務(wù)的方法
- 漸進式學(xué)習(xí)管理方法及漸進式學(xué)習(xí)系統(tǒng)
- 輔助學(xué)習(xí)的方法及裝置
- 基于人工智能的課程推薦方法、裝置、設(shè)備及存儲介質(zhì)
- 基于強化學(xué)習(xí)的自適應(yīng)移動學(xué)習(xí)路徑生成方法
- 一種線上視頻學(xué)習(xí)系統(tǒng)
- 一種基于校園大數(shù)據(jù)的自適應(yīng)學(xué)習(xí)方法、裝置及設(shè)備
- 一種學(xué)習(xí)方案推薦方法、裝置、設(shè)備和存儲介質(zhì)
- 游戲?qū)W習(xí)效果評測方法及系統(tǒng)





