[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(jì)南圣達(dá)知識產(chǎn)權(quán)代理有限公司 37221
• 代理人: 李琳

本發(fā)明提供了一種混合深度學(xué)習(xí)和低差異度森林的心音診斷系統(tǒng)，包括預(yù)處理模塊，被配置為對獲取的心音信號進(jìn)行預(yù)處理，對心音信號依次進(jìn)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(jìn)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(jìn)行分類，得到分類后的診斷結(jié)果。本發(fā)明對于專業(yè)器材、人員專業(yè)性上要求較低，具有便攜性和普適性。

技術(shù)領(lǐng)域

本發(fā)明屬于智能診斷技術(shù)領(lǐng)域，具體涉及一種混合深度學(xué)習(xí)和低差異度森林的心音診斷系統(tǒng)。

背景技術(shù)

本部分的陳述僅僅是提供了與本發(fā)明相關(guān)的背景技術(shù)信息，不必然構(gòu)成在先技術(shù)。

心臟病是影響人類健康的重要疾病之一，對于冠心病患者以及其他心臟病患者來說，早診斷、早治療能夠有效避免病情惡化，降低死亡率。

目前，醫(yī)院主流的診斷方式即通過心電圖或心音對病人的心臟進(jìn)行初步診斷。然而，這兩種診斷方式都存在著一些問題。前者雖然數(shù)據(jù)精準(zhǔn)易于判斷，但卻需要相關(guān)的專業(yè)器材；后者雖然成本較低，但是對于醫(yī)生的經(jīng)驗水平要求較高，很多區(qū)域并不能及時配置專業(yè)器材或是經(jīng)驗豐富的醫(yī)生，對于心臟病的正確診斷有較大影響。

部分研發(fā)人員開始利用深度學(xué)習(xí)模型進(jìn)行輔助診斷，但現(xiàn)有模型部分存在算法本身非常復(fù)雜，網(wǎng)絡(luò)結(jié)構(gòu)龐大，部署于移動端非常困難，還有一部分存在需要基于心電圖或心震圖，或需要人工輔助進(jìn)行判斷的問題。

發(fā)明內(nèi)容

本發(fā)明為了解決上述問題，提出一種混合深度學(xué)習(xí)和低差異度森林的心音診斷系統(tǒng)，本發(fā)明利用醫(yī)療常用設(shè)備（如聽診器）的音頻信號通過預(yù)處理、特征提取和分類，能夠精確得到診斷結(jié)果，整個過程簡單易操作，對于專業(yè)器材、人員專業(yè)性上要求較低，具有便攜性和普適性。

根據(jù)一些實施例，本發(fā)明采用如下技術(shù)方案：

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)，包括：

預(yù)處理模塊，被配置為對獲取的心音信號進(jìn)行預(yù)處理，對心音信號依次進(jìn)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(jìn)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(jìn)行分類，得到分類后的診斷結(jié)果。

作為可選擇的實施方式，還包括采集設(shè)備，用于采集并保存心音信號。

作為進(jìn)一步的限定，所述采集設(shè)備為具有錄音模塊的電子聽診器，或，聽診器和拾音器。

作為可選擇的實施方式，所述深度學(xué)習(xí)模型為輕量化AOCT（Automated OpticalCoherence Tomography，全自動相關(guān)斷層掃描可視化技術(shù)）卷積神經(jīng)網(wǎng)絡(luò)，包括依次連接的四個以卷積層、BN（Batch Normalization 批量歸一化）層、激活函數(shù)為整體的卷積塊，以及一全連接層。

作為可選擇的實施方式，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(jìn)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，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。

作為可選擇的實施方式，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。