CN109919210A - 一种基于深度卷积网络的心音半监督分类方法 - Google Patents
一种基于深度卷积网络的心音半监督分类方法 Download PDFInfo
- Publication number
- CN109919210A CN109919210A CN201910141616.3A CN201910141616A CN109919210A CN 109919210 A CN109919210 A CN 109919210A CN 201910141616 A CN201910141616 A CN 201910141616A CN 109919210 A CN109919210 A CN 109919210A
- Authority
- CN
- China
- Prior art keywords
- heart sound
- depth convolutional
- sound data
- neural networks
- convolutional neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明提供一种基于深度卷积网络的心音半监督分类方法，包括以下步骤：步骤S1：获取心音数据并对心音数据进行预处理，作为训练数据；步骤S2：构建深度卷积神经网络模型；步骤S3：利用训练数据对深度卷积神经网络模型进行训练；步骤S4：将训练好的深度卷积神经网络模型推送上线进行服务；步骤S5：利用训练好的深度卷积神经网络模型在线上对患者上传的心音数据进行分类；步骤S6：当数据库中累计新的心音数据一定量时，启动深度卷积神经网络模型训练流程，返回至步骤S1—S3。本发明可对患者的心音数据进行分类以智能诊断；同时，该方法可解决现有技术中心音模型训练的样本有限导致分类不精准的问题，从而提高患者心音分类的精准性。
Description
技术领域
本发明涉及人工智能医疗技术领域，更具体地说，涉及一种基于深度卷积网络的心音半监督分类方法。
背景技术
人工智能医疗是当下的热门话题，各个医疗领域都涌现出了许多新的人工智能医疗技术，智能听诊器也不例外。但是根据目前的调查来看，现在的智能听诊器大多只能通过搭建云平台采集病人的数据，最后让医生进行听诊做出最后的诊断，而且由于医生时间有限，并不能随时随地为病人听诊，这样造成用户体验会比较差。
虽然目前也有相关的心音智能诊断算法，同时也有许多使用了深度卷积网络的心音分类方法，但是他们大多都需要对心音进行人工特征提取，然后用提取的特征进行模型的训练。由于人工的干预，心音文件其实已经损失了大量的信息，这导致此类方法准确率一直并不高。
近年来，机器学习(Machine Learning)是一门专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能的学科，其中，机器的深度学习(deep learning)在图像、语音等领域获得了很好的效果。因此，如何将深度学习应用于人工智能医疗领域中以提高医疗效果，作为现今研究的重要课题之一。
发明内容
本发明的目的在于克服现有技术中的缺点与不足，提供一种基于深度卷积网络的心音半监督分类方法，该方法可对患者的心音数据进行分类以智能诊断，实现及时向患者反馈诊断结果；同时，该方法可解决现有技术中心音模型训练的样本有限导致分类不精准的问题，从而提高患者心音分类的精准性。
为了达到上述目的，本发明通过下述技术方案予以实现：一种基于深度卷积网络的心音半监督分类方法，其特征在于：包括以下步骤：
步骤S1：获取心音数据并对心音数据进行预处理，作为训练数据；
步骤S2：构建深度卷积神经网络模型；
步骤S3：利用训练数据对深度卷积神经网络模型进行训练；
步骤S4：将训练好的深度卷积神经网络模型推送上线进行服务；
步骤S5：利用训练好的深度卷积神经网络模型在线上对患者上传的心音数据进行分类：通过深度卷积神经网络模型预测，通过投票的方式将心音分类，得到分类结果并给出置信度；设定置信度阈值M并判断置信度，若置信度大于M，则将分类结果直接反馈至患者，并将心音数据打上标签后再存入数据库；否则，将分类结果推送给专家医生进行人工诊断，并将诊断后的心音数据打上标签后再存入数据库；
步骤S6：当数据库中累计新的心音数据一定量时，启动深度卷积神经网络模型训练流程，返回至步骤S1—S3。
在上述方案中，本发明基于深度卷积网络的心音半监督分类方法可对患者的心音数据进行分类以智能诊断，实现及时向患者反馈诊断结果，这样可大大减轻医生的压力，使得智能听诊与医生合作真正成为可能。同时，本发明采用深度卷积网络模型对心音数据进行分类，可解决过多的人为缩放导致心音数据许多信息丢失的问题；该方法也可解决现有技术中心音模型训练的样本有限导致分类不精准的问题，从而提高患者心音分类的精准性。另外，本发明对分类后的心音数据进行打标签，来作为深度卷积神经网络模型新一轮的训练数据，不仅可增多训练样本数量，而且可实时更新模型和模型的参数，使得模型可根据大量训练样本的训练提高分类精准性。
在步骤S1中，所述对心音数据进行预处理是指：先通过小波重构的方式对心音数据去噪，再通过心音分割的方法对心音数据样本进行扩增。
在步骤S2中，所述构建深度卷积神经网络模型是指：包括以下步骤：
步骤S21：搭建2层卷积网络，其中每层的卷积核为长度是5的一维卷积核，卷积核个数为64；
步骤S22：接1层max pooling层，尺寸为5；
步骤S23：接1层dropout层，dropout概率为0.25；
步骤S24：接2层卷积网络，其中每层的卷积核为长度为5的一维卷积核，卷积核个数为128；
步骤S25：接1层max pooling层，尺寸为3；
步骤S26：接1层dropout层，dropout概率为0.25；
步骤S27：接1层压平层；
步骤S28：接1层全连接层，神经元个数为256；
步骤S29：接1层softmax层以输出分类概率；
通过上述步骤构建深度卷积神经网络模型。
在步骤S3中，所述利用训练数据对深度卷积神经网络模型进行训练是指：包括以下步骤：
步骤S31：随机初始化深度卷积神经网络模型参数；
步骤S32：设置深度卷积神经网络模型的损失函数；
步骤S33：对模型使用数据前向传导计算模型loss；
步骤S34：根据上述模型loss，采用反向传导的方式更新模型参数。
在步骤S5中，所述利用训练好的深度卷积神经网络模型在线上对患者上传的心音数据进行分类：通过深度卷积神经网络模型预测，通过投票的方式将心音分类，得到分类结果并给出置信度；设定置信度阈值M并判断置信度，若置信度大于M，则将分类结果直接反馈至患者，并将心音数据打上标签后再存入数据库；否则，将分类结果推送给专家医生进行人工诊断，并将诊断后的心音数据打上标签后再存入数据库是指：包括以下步骤：
步骤S51：对患者上传到云平台的心音数据进行预处理；
步骤S52：对预处理后的心音数据分成5s为一段的小段心音数据；
步骤S53：对每一小段心音数据通过深度卷积神经网络模型预测，最终通过投票的方式将本段心音数据分类，得到分类结果并给出置信度；
步骤S54：设定置信度阈值M并判断置信度：若置信度大于M，则将分类结果直接反馈至患者，并将心音数据打上标签后再存入数据库；否则，将分类结果推送给专家医生进行人工诊断，并将诊断后的心音数据打上标签后再存入数据库。
在步骤S51中，所述对患者上传到云平台的心音数据进行预处理是指：先通过小波重构的方式对心音数据去噪，再通过心音分割的方法对心音数据样本进行扩增。
本发明针对目前的心音分类模型训练方法过程较为复杂，而且过多的人为缩放导致心音的许多信息丢失的问题，设计了一种简单高效的基于深度卷积网络结构。该结构中的卷积核采用一维向量，直接作用于原始的心音数据，除了去除噪声以外的操作，规避了过多的人工处理使得数据携带信息丢失的问题。由于保留了较多的信息供卷积网络学习，模型的准确率较人工提取特征的方法识别率更高。而且，与云平台的结合，使得半监督分类方法成为可能，可以极大程度上减轻医生的负担，还可以给用户带来优秀的体验。
与现有技术相比，本发明具有如下优点与有益效果：本发明基于深度卷积网络的心音半监督分类方法可对患者的心音数据进行分类以智能诊断，实现及时向患者反馈诊断结果；同时，该方法可解决现有技术中心音模型训练的样本有限导致分类不精准的问题，从而提高患者心音分类的精准性。
附图说明
图1是本发明基于深度卷积网络的心音半监督分类方法的流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细的描述。
实施例
如图1所示，本发明基于深度卷积网络的心音半监督分类方法，包括以下步骤：
步骤S1：获取心音数据并对心音数据进行预处理，作为训练数据；
步骤S2：构建深度卷积神经网络模型；
步骤S3：利用训练数据对深度卷积神经网络模型进行训练；
步骤S4：将训练好的深度卷积神经网络模型推送上线进行服务；
步骤S5：利用训练好的深度卷积神经网络模型在线上对患者上传的心音数据进行分类：通过深度卷积神经网络模型预测，通过投票的方式将心音分类，得到分类结果并给出置信度；设定置信度阈值M并判断置信度，若置信度大于M，则将分类结果直接反馈至患者，并将心音数据打上标签后再存入数据库；否则，将分类结果推送给专家医生进行人工诊断，并将诊断后的心音数据打上标签后再存入数据库；
步骤S6：当数据库中累计新的心音数据一定量时，启动深度卷积神经网络模型训练流程，返回至步骤S1—S3。
在步骤S1中，所述对心音数据进行预处理是指：先通过小波重构的方式对心音数据去噪，再通过心音分割的方法对心音数据样本进行扩增。
在步骤S2中，构建深度卷积神经网络模型是指：包括以下步骤：
步骤S21：搭建2层卷积网络，其中每层的卷积核为长度是5的一维卷积核，卷积核个数为64；
步骤S22：接1层max pooling层，尺寸为5；
步骤S23：接1层dropout层，dropout概率为0.25；
步骤S24：接2层卷积网络，其中每层的卷积核为长度为5的一维卷积核，卷积核个数为128；
步骤S25：接1层max pooling层，尺寸为3；
步骤S26：接1层dropout层，dropout概率为0.25；
步骤S27：接1层压平层；
步骤S28：接1层全连接层，神经元个数为256；
步骤S29：接1层softmax层以输出分类概率；
通过上述步骤构建深度卷积神经网络模型。
在步骤S3中，利用训练数据对深度卷积神经网络模型进行训练是指：包括以下步骤：
步骤S31：随机初始化深度卷积神经网络模型参数；
步骤S32：设置深度卷积神经网络模型的损失函数；
步骤S33：对模型使用数据前向传导计算模型loss；
步骤S34：根据上述模型loss，采用反向传导的方式更新模型参数。
在步骤S5中，利用训练好的深度卷积神经网络模型在线上对患者上传的心音数据进行分类：通过深度卷积神经网络模型预测，通过投票的方式将心音分类，得到分类结果并给出置信度；设定置信度阈值M并判断置信度，若置信度大于M，则将分类结果直接反馈至患者，并将心音数据打上标签后再存入数据库；否则，将分类结果推送给专家医生进行人工诊断，并将诊断后的心音数据打上标签后再存入数据库是指：包括以下步骤：
步骤S51：对患者上传到云平台的心音数据进行预处理；
步骤S52：对预处理后的心音数据分成5s为一段的小段心音数据；
步骤S53：对每一小段心音数据通过深度卷积神经网络模型预测，最终通过投票的方式将本段心音数据分类，得到分类结果并给出置信度；
步骤S54：设定置信度阈值M并判断置信度：若置信度大于M，则将分类结果直接反馈至患者，并将心音数据打上标签后再存入数据库；否则，将分类结果推送给专家医生进行人工诊断，并将诊断后的心音数据打上标签后再存入数据库。
在步骤S51中，所述对患者上传到云平台的心音数据进行预处理是指：先通过小波重构的方式对心音数据去噪，再通过心音分割的方法对心音数据样本进行扩增。
本发明针对目前的心音分类模型训练方法过程较为复杂，而且过多的人为缩放导致心音的许多信息丢失的问题，设计了一种简单高效的基于深度卷积网络结构。该结构中的卷积核采用一维向量，直接作用于原始的心音数据，除了去除噪声以外的操作，规避了过多的人工处理使得数据携带信息丢失的问题。由于保留了较多的信息供卷积网络学习，模型的准确率较人工提取特征的方法识别率更高。而且，与云平台的结合，使得半监督分类方法成为可能，可以极大程度上减轻医生的负担，还可以给用户带来优秀的体验。
本发明基于深度卷积网络的心音半监督分类方法可对患者的心音数据进行分类以智能诊断，实现及时向患者反馈诊断结果，这样可大大减轻医生的压力，使得智能听诊与医生合作真正成为可能。同时，本发明采用深度卷积网络模型对心音数据进行分类，可解决过多的人为缩放导致心音数据许多信息丢失的问题；该方法也可解决现有技术中心音模型训练的样本有限导致分类不精准的问题，从而提高患者心音分类的精准性。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (6)
1.一种基于深度卷积网络的心音半监督分类方法，其特征在于：包括以下步骤：
步骤S1：获取心音数据并对心音数据进行预处理，作为训练数据；
步骤S2：构建深度卷积神经网络模型；
步骤S3：利用训练数据对深度卷积神经网络模型进行训练；
步骤S4：将训练好的深度卷积神经网络模型推送上线进行服务；
步骤S5：利用训练好的深度卷积神经网络模型在线上对患者上传的心音数据进行分类：通过深度卷积神经网络模型预测，通过投票的方式将心音分类，得到分类结果并给出置信度；设定置信度阈值M并判断置信度，若置信度大于M，则将分类结果直接反馈至患者，并将心音数据打上标签后再存入数据库；否则，将分类结果推送给专家医生进行人工诊断，并将诊断后的心音数据打上标签后再存入数据库；
步骤S6：当数据库中累计新的心音数据一定量时，启动深度卷积神经网络模型训练流程，返回至步骤S1—S3。
2.根据权利要求1所述的基于深度卷积网络的心音半监督分类方法，其特征在于：在步骤S1中，所述对心音数据进行预处理是指：先通过小波重构的方式对心音数据去噪，再通过心音分割的方法对心音数据样本进行扩增。
3.根据权利要求1所述的基于深度卷积网络的心音半监督分类方法，其特征在于：在步骤S2中，所述构建深度卷积神经网络模型是指：包括以下步骤：
步骤S21：搭建2层卷积网络，其中每层的卷积核为长度是5的一维卷积核，卷积核个数为64；
步骤S22：接1层max pooling层，尺寸为5；
步骤S23：接1层dropout层，dropout概率为0.25；
步骤S24：接2层卷积网络，其中每层的卷积核为长度为5的一维卷积核，卷积核个数为128；
步骤S25：接1层max pooling层，尺寸为3；
步骤S26：接1层dropout层，dropout概率为0.25；
步骤S27：接1层压平层；
步骤S28：接1层全连接层，神经元个数为256；
步骤S29：接1层softmax层以输出分类概率；
通过上述步骤构建深度卷积神经网络模型。
4.根据权利要求1所述的基于深度卷积网络的心音半监督分类方法，其特征在于：在步骤S3中，所述利用训练数据对深度卷积神经网络模型进行训练是指：包括以下步骤：
步骤S31：随机初始化深度卷积神经网络模型参数；
步骤S32：设置深度卷积神经网络模型的损失函数；
步骤S33：对模型使用数据前向传导计算模型loss；
步骤S34：根据上述模型loss，采用反向传导的方式更新模型参数。
5.根据权利要求1所述的基于深度卷积网络的心音半监督分类方法，其特征在于：在步骤S5中，所述利用训练好的深度卷积神经网络模型在线上对患者上传的心音数据进行分类：通过深度卷积神经网络模型预测，通过投票的方式将心音分类，得到分类结果并给出置信度；设定置信度阈值M并判断置信度，若置信度大于M，则将分类结果直接反馈至患者，并将心音数据打上标签后再存入数据库；否则，将分类结果推送给专家医生进行人工诊断，并将诊断后的心音数据打上标签后再存入数据库是指：包括以下步骤：
步骤S51：对患者上传到云平台的心音数据进行预处理；
步骤S52：对预处理后的心音数据分成5s为一段的小段心音数据；
步骤S53：对每一小段心音数据通过深度卷积神经网络模型预测，最终通过投票的方式将本段心音数据分类，得到分类结果并给出置信度；
步骤S54：设定置信度阈值M并判断置信度：若置信度大于M，则将分类结果直接反馈至患者，并将心音数据打上标签后再存入数据库；否则，将分类结果推送给专家医生进行人工诊断，并将诊断后的心音数据打上标签后再存入数据库。
6.根据权利要求1所述的基于深度卷积网络的心音半监督分类方法，其特征在于：在步骤S51中，所述对患者上传到云平台的心音数据进行预处理是指：先通过小波重构的方式对心音数据去噪，再通过心音分割的方法对心音数据样本进行扩增。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910141616.3A CN109919210A (zh) | 2019-02-26 | 2019-02-26 | 一种基于深度卷积网络的心音半监督分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910141616.3A CN109919210A (zh) | 2019-02-26 | 2019-02-26 | 一种基于深度卷积网络的心音半监督分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109919210A true CN109919210A (zh) | 2019-06-21 |
Family
ID=66962302
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910141616.3A Pending CN109919210A (zh) | 2019-02-26 | 2019-02-26 | 一种基于深度卷积网络的心音半监督分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109919210A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110558944A (zh) * | 2019-09-09 | 2019-12-13 | 成都智能迭迦科技合伙企业(有限合伙) | 心音处理方法、装置、电子设备及计算机可读存储介质 |
| CN112949639A (zh) * | 2021-01-26 | 2021-06-11 | 浙江大学医学院附属儿童医院 | 一种先天性心脏病心音智能分割分类算法、装置及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107529645A (zh) * | 2017-06-29 | 2018-01-02 | 重庆邮电大学 | 一种基于深度学习的心音智能诊断系统及方法 |
| CN107715314A (zh) * | 2017-11-20 | 2018-02-23 | 徐榭 | 基于深度学习的放射治疗系统及方法 |
| CN107811649A (zh) * | 2017-12-13 | 2018-03-20 | 四川大学 | 一种基于深度卷积神经网络的心音多分类方法 |
-
2019
- 2019-02-26 CN CN201910141616.3A patent/CN109919210A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107529645A (zh) * | 2017-06-29 | 2018-01-02 | 重庆邮电大学 | 一种基于深度学习的心音智能诊断系统及方法 |
| CN107715314A (zh) * | 2017-11-20 | 2018-02-23 | 徐榭 | 基于深度学习的放射治疗系统及方法 |
| CN107811649A (zh) * | 2017-12-13 | 2018-03-20 | 四川大学 | 一种基于深度卷积神经网络的心音多分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李天雅: "《基于深度学习网络的心音信号分类识别的研究》", 《中国优秀硕士学位论文全文数据库》 * |
| 胡迪·利普森，梅尔芭·库曼: "《无人驾驶》", 31 December 2017 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110558944A (zh) * | 2019-09-09 | 2019-12-13 | 成都智能迭迦科技合伙企业(有限合伙) | 心音处理方法、装置、电子设备及计算机可读存储介质 |
| CN112949639A (zh) * | 2021-01-26 | 2021-06-11 | 浙江大学医学院附属儿童医院 | 一种先天性心脏病心音智能分割分类算法、装置及存储介质 |
| CN112949639B (zh) * | 2021-01-26 | 2023-09-12 | 浙江大学医学院附属儿童医院 | 一种先天性心脏病心音智能分割分类算法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Acharya et al. | Deep neural network for respiratory sound classification in wearable devices enabled by patient specific model tuning | |
| CN110516161B (zh) | 一种推荐方法及装置 | |
| CN109919928B (zh) | 医学影像的检测方法、装置和存储介质 | |
| CN107529645B (zh) | 一种基于深度学习的心音智能诊断系统及方法 | |
| CN111461176B (zh) | 基于归一化互信息的多模态融合方法、装置、介质及设备 | |
| Keren et al. | End-to-end learning for dimensional emotion recognition from physiological signals | |
| CN111462841B (zh) | 一种基于知识图谱的抑郁症智能诊断装置及系统 | |
| CN111759345B (zh) | 基于卷积神经网络的心脏瓣膜异常分析方法、系统和装置 | |
| CN104636580A (zh) | 一种基于人脸的健康监控手机 | |
| CN113990494B (zh) | 一种基于视频数据的抽动症辅助筛查系统 | |
| CN116071292A (zh) | 基于生成对比学习的眼底镜视网膜图像血管识别方法 | |
| Xu et al. | Intelligent emotion detection method based on deep learning in medical and health data | |
| CN116933046B (zh) | 基于深度学习的多模态健康管理方案生成方法和系统 | |
| CN115064246A (zh) | 一种基于多模态信息融合的抑郁症评估系统及设备 | |
| CN109919210A (zh) | 一种基于深度卷积网络的心音半监督分类方法 | |
| CN111053552B (zh) | 一种基于深度学习的qrs波检测方法 | |
| CN110321827A (zh) | 一种基于人脸疼痛表情视频的疼痛水平评估方法 | |
| CN116701871A (zh) | 基于因果特征加权网络的滚动轴承复合故障特征选择方法 | |
| CN114881105A (zh) | 基于transformer模型和对比学习的睡眠分期方法及系统 | |
| CN117198468A (zh) | 基于行为识别和数据分析的干预方案智慧化管理系统 | |
| CN116864140A (zh) | 一种心内科术后护理监测数据处理方法及其系统 | |
| CN115620370A (zh) | 一种基于多模态聚类联邦学习的情绪识别方法 | |
| US11963771B2 (en) | Automatic depression detection method based on audio-video | |
| CN115273176A (zh) | 一种基于生命体征和表情的疼痛多算法客观评估方法 | |
| CN112560784B (zh) | 一种基于动态多尺度卷积神经网络的心电图分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190621 |