[發明專利]基于深度學習的心臟病心音智能分類方法、裝置和介質

在審

• 申請號: 202111530516.3
• 申請日: 2021-12-15
• 公開（公告）號: CN114305484A
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 俞凱;徐瑋澤;葉菁菁;俞勁;舒強;林茹;谷凱云;陳家嘉;來麗;殷翡
• 申請（專利權）人: 浙江大學醫學院附屬兒童醫院;浙江大學濱江研究院
• 主分類號: A61B7/04
• 分類號: A61B7/04;A61B5/00
• 代理公司: 杭州奇炬知識產權代理事務所(特殊普通合伙) 33393
• 代理人: 賀心韜

1.一種基于深度學習的心臟病心音智能分類方法，其特征在于，包括如下步驟：

步驟S01：獲取心音音頻信號，對心音音頻信號進行預處理，根據預處理后的心音音頻信號獲取心音周期信息；

步驟S02：根據預處理后的心音音頻信號和心音周期信息進行特征圖提取，獲取梅爾頻譜圖；

步驟S03：對深度神經網絡模型進行訓練；

步驟S04：執行步驟S01和步驟S02獲取目標心音的多個梅爾頻譜圖，分別輸入訓練完畢的深度神經網絡模型，獲得目標心音的最終分類結果。

2.根據權利要求1所述的一種基于深度學習的心臟病心音智能分類方法，其特征在于，所述步驟S01中，預處理包括如下步驟：

截斷：去除心音音頻信號起始端和終止端的數據；

下采樣：對截斷后的音頻進行下采樣處理，得到下采樣音頻信號，下采樣頻率設置為1KHz；

帶通濾波：對下采樣音頻信號進行帶通濾波處理，得到濾波音頻信號，帶通濾波的范圍設置為20—400Hz；

歸一化：采用式(I)對濾波音頻信號進行歸一化處理，最后得到預處理后的心音音頻信號；

其中，Signal表示濾波音頻信號，Sig_norm表示預處理后的心音音頻信號。

3.根據權利要求2所述的一種基于深度學習的心臟病心音智能分類方法，其特征在于，所述步驟S01中，針對預處理后的心音音頻信號，采用式(II)和式(III)計算包絡信號；

其中，E_S(t)為窗寬為N時的包絡能量，Envelope(t)為最終求得的包絡信號；在預處理后的心音音頻信號中將極值包絡能量點作為候選點，之后采用式(IV)計算閾值臨界點，并將閾值臨界點作為候選點的起始終止邊界，以此獲取心音周期信息，心音周期信息包括候選點的位置和閾值臨界點的位置；

Th＝Mean(Envelope(t)) (IV)。

4.根據權利要求1所述的一種基于深度學習的心臟病心音智能分類方法，其特征在于，所述步驟S02中，設置滑動窗口和步長，依次進行預處理后的心音音頻信號的梅爾頻譜圖計算。

5.根據權利要求4所述的一種基于深度學習的心臟病心音智能分類方法，其特征在于，每次計算梅爾頻譜圖的起始點為滑動窗口移動步長后，距離滑動窗口最近的候選點的閾值臨界點。

6.根據權利要求1所述的一種基于深度學習的心臟病心音智能分類方法，其特征在于，所述步驟S03中，所述深度神經網絡模型包括U型深度神經網絡模型，將梅爾頻譜圖先送入U型深度神經網絡模型進行特征下采樣，

特征下采樣包括依次交替進行雙卷積操作和最大池化操作，將第n次雙卷積操作得到的特征圖進行特征上采樣；

特征上采樣包括：

第一次：將第n次雙卷積操作得到的特征圖進行轉置卷積操作實現特征上采樣，轉置卷積操作后得到的特征圖和第n-1次雙卷積操作得到的特征圖拼接在一起，并進行雙卷積操作得到第一次特征圖；

第二次：將第一次特征圖進行轉置卷積操作實現特征上采樣，轉置卷積操作后得到的特征圖和第n-2次雙卷積操作得到的特征圖拼接在一起，并進行雙卷積操作得到第二次特征圖；

重復上述步驟，第m次時，將第m-1次特征圖進行轉置卷積操作實現特征上采樣，轉置卷積操作后得到的特征圖和第1次雙卷積操作得到的特征圖拼接在一起，并進行雙卷積操作得到第m次特征圖；將第m次特征圖拼接原始輸入的梅爾頻譜圖，得到高維特征圖，n和m均為大于2的整數。

7.根據權利要求6所述的一種基于深度學習的心臟病心音智能分類方法，其特征在于，所述深度神經網絡模型還包括transformer深度神經網絡模型，將高維特征圖送入transformer深度神經網絡模型，在transformer深度神經網絡模型進行圖像分塊操作、線性映射操作得到第四特征圖，再將第四特征圖送入多個串聯transformer深度神經網絡模型中的transformer模塊，最后輸出結果。