CN116584902B - 基于特征选优及可视化的心音分类装置 - Google Patents

基于特征选优及可视化的心音分类装置 Download PDF

Info

Publication number
CN116584902B
CN116584902B CN202310875546.0A CN202310875546A CN116584902B CN 116584902 B CN116584902 B CN 116584902B CN 202310875546 A CN202310875546 A CN 202310875546A CN 116584902 B CN116584902 B CN 116584902B
Authority
CN
China
Prior art keywords
features
time
feature
heart sound
layer
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.)
Active
Application number
CN202310875546.0A
Other languages
English (en)
Other versions
CN116584902A (zh
Inventor
魏守水
田淑众
韩宝坤
刘磊
李永建
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Shandong Agriculture and Engineering University
Original Assignee
Shandong University
Shandong Agriculture and Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University, Shandong Agriculture and Engineering University filed Critical Shandong University
Priority to CN202310875546.0A priority Critical patent/CN116584902B/zh
Publication of CN116584902A publication Critical patent/CN116584902A/zh
Application granted granted Critical
Publication of CN116584902B publication Critical patent/CN116584902B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Evolutionary Biology (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明涉及心音信号处理技术领域，公开了基于特征选优及可视化的心音分类装置，装置包括：预处理模块，用于对待分类的心音信号进行小波散射变换，得到小波散射系数；对待分类的心音信号进行连续小波变换，得到时频图；分类模块，用于将小波散射系数和时频图，均输入到训练后的模型中，输出信号分类结果；模型对小波散射系数进行特提取得到小波散射特征；对时频图进行空间域和时间域特征提取，得到时频图的空间域和时间域特征；对提取的特征均进行特征优选，将优选后的特征进行特征融合，对融合后的特征进行特征分类，得到心音信号分类结果，对心音信号分类结果进行可视化。多路径网络提取的特征更具有特征互补的优势，有效提高分类的准确性。

Description

基于特征选优及可视化的心音分类装置
技术领域
本发明涉及心音信号处理技术领域，特别是涉及基于特征选优及可视化的心音分类装置。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。
心血管疾病 (Cardiovascular diseases, CVDs)是对人类健康的主要威胁，与全世界的高死亡率有关。在心血管疾病的发展过程中，心音比心电图（electrocardiogram，ECG）等其他信号更早地反映出心血管疾病的特征。心音听诊的准确性主要取决于临床医生的经验。研究表明，不同的临床医生对心音诊断的判断不同，心血管疾病专家的准确率相对较高，而普通医生的准确率往往较低，诊断结果极易受到人为因素的影响。因此，心音信号的自动检测对心血管疾病的早期诊断有重要意义。
已有众多学者在自动心音检测领域做出了重大贡献，基于传统的机器学习算法需要手动提取和分析特征，特征的质量主要取决于研究人员的经验，研究人员的经验会影响最终的分类准确性。
发明内容
为了解决现有技术的不足，本发明提供了基于特征选优及可视化的心音分类装置；小波散射特征与时频图的时间域特征能够有效提高分类精度，更有助于心音信号的检测，多路径网络提取的特征更具有特征互补的优势，能够有效提高分类的准确性。
基于特征选优及可视化的心音分类装置，包括：
获取模块，其被配置为：获取待分类的心音信号；
预处理模块，其被配置为：对待分类的心音信号进行小波散射变换，得到小波散射系数；对待分类的心音信号进行连续小波变换，得到时频图；
分类模块，其被配置为：将小波散射系数和时频图，均输入到训练后的心音信号分类模型中，输出心音信号分类结果；
所述训练后的心音信号分类模型，用于：
对小波散射系数进行特提取得到小波散射特征；对时频图进行空间域特征提取，得到时频图的空间域特征；对时频图进行时间域特征提取，得到时频图的时间域特征；对提取的每一种特征均进行特征优选，将优选后的特征进行特征融合，对融合后的特征进行特征分类，得到心音信号分类结果，对心音信号分类结果进行可视化。
上述技术方案中的一个技术方案具有如下优点或有益效果：
本发明提出了一种用于提取心音信号特征的多路径网络，该网络基于小波散射网络与注意力机制网络所构建，之后将所提取的不同特征进行了特征筛选，旨在得到用于心音检测的有效特征。本发明将从多路径网络中提取到的小波散射特征，小波时频图的空间域特征和小波时频图的时间域特征进行特征融合后，使用四种特征选择算法ReliefF、卡方统计量Chi2、方差分析ANOVA、克鲁斯卡尔-沃利斯检验Kruskal Wallis，进行特征贡献度分析，筛选优质特征，并通过降维算法t-SNE对特征进行了可视化研究，进一步验证了优质特征对于心音检测的有效性。本发明在测试集上经过10次交叉验证，所得到的准确率达97.04%，实验结果表明，小波散射特征与时频图的时间域特征能够有效提高分类精度，更有助于心音信号的检测，多路径网络提取的特征更具有特征互补的优势，能够有效提高分类的准确性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为实施例一的系统功能模块图；
图2为实施例一的心音信号分类模型内部结构图；
图3为实施例一的空间注意力网络内部结构图；
图4为实施例一的时间注意力网络内部结构图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本实施例所有数据的获取都在符合法律法规和用户同意的基础上，对数据的合法应用。
随着人工智能的不断发展，深度学习算法其自动提取特征与分类效果优越的能力受到了广泛认可，深度学习算法可以通过多层的神经网络结构自主学习数据中的特征，不需要过多的人工干预，其特征提取过程趋向于黑盒操作，难以理解其中的具体细节，提取到的大量特征难以判断特征的质量，因此，研究自动提取特征和分析特征的有效性是至关重要的。
如图1所示，基于特征选优及可视化的心音分类装置，包括：
获取模块，其被配置为：获取待分类的心音信号；
预处理模块，其被配置为：对待分类的心音信号进行小波散射变换，得到小波散射系数；对待分类的心音信号进行连续小波变换，得到时频图；
分类模块，其被配置为：将小波散射系数和时频图，均输入到训练后的心音信号分类模型中，输出心音信号分类结果；
所述训练后的心音信号分类模型，用于：
对小波散射系数进行特提取得到小波散射特征；对时频图进行空间域特征提取，得到时频图的空间域特征；对时频图进行时间域特征提取，得到时频图的时间域特征；对提取的每一种特征均进行特征优选，将优选后的特征进行特征融合，对融合后的特征进行特征分类，得到心音信号分类结果，对心音信号分类结果进行可视化。
进一步地，所述获取待分类的心音信号，通过电极对被测试人员的心音信号进行采集。
进一步地，所述对待分类的心音信号进行小波散射变换，得到小波散射系数，包括：
导入5s心音信号，对心音信号进行小波散射计算，提取初级小波散射系数，n阶小波散射变换表示为:
其中，为输入信号，/>为时间变量，/>为低频部分滤波器的尺度参数，/>为第n阶模系数，/>为n-1阶模系数，/>为第n阶散射系数，/>表示复数小波基，/>为高通滤波器，/>表示尺度函数，/>为低通滤波器，n为小波散射层的深度，在每个阶段，使用绝对值操作“/>”来获取滤波后的信号幅度。
进一步地，所述对待分类的心音信号进行连续小波变换，得到时频图，包括：
导入5秒心音信号，经连续小波变换（Continuous wavelet transform，CWT）转换为二维小波时频图：
其中，为输入信号，/>为尺度变量，/>，/>为平移变量，/>∈R，R代表实数域，/>为经平移与尺度伸缩后的小波基函数，/>，t为时间变量，积分对时间t在整个实数域上进行，/>表示在上述参数下生成的小波变换系数。在计算机应用中，t应离散化,在t=k~k+1区间内，/>，因此公式写为：
其中，k为信号的采样点，的曲线图定义为小波时频图。
进一步地，如图2所示，所述将小波散射系数和时频图，均输入到训练后的心音信号分类模型中，输出心音信号分类结果，其中，训练后的心音信号分类模型，包括：
并列的三个分支：第一分支、第二分支和第三分支；
所述第一分支，是长短时记忆网络LSTM，所述长短时记忆网络LSTM的输入端用于输入小波散射系数，所述长短时记忆网络LSTM的输出端用于输出小波散射特征；
所述第二分支，是空间注意力网络（SAN，Spatial Attention Network），所述空间注意力网络的输入端用于输入时频图，所述空间注意力网络的输出端用于输出时频图的空间域特征；
所述第三分支，是时间注意力网络(TAN，Temporal Attention Network)，所述时间注意力网络的输入端用于输入时频图，所述时间注意力网络的输出端用于输出时频图的时间域特征；
所述第一分支的输出端与第一特征优选模块进行连接，第一特征优选模块对小波散射特征采用特征筛选算法Kruskal Wallis筛选出A个特征；
所述第二分支的输出端与第二特征优选模块进行连接，第二特征优选模块对时频图的空间域特征采用特征筛选算法Kruskal Wallis筛选出B个特征；
所述第三分支的输出端与第三特征优选模块进行连接，第三特征优选模块对时频图的时间域特征采用特征筛选算法Kruskal Wallis筛选出C个特征；其中，A，B和C均为正整数；
特征融合模块对A个特征、B个特征和C个特征进行特征串联融合处理；
分类器，对融合后的特征进行分类，输出分类结果。
进一步地，所述装置还包括：A，B和C的具体数值是通过对心音信号分类模型进行训练得到的，其中，训练后的心音信号分类模型，训练过程包括：
构建训练集，所述训练集为已知心音信号分类标签的心音信号；将训练集，输入到心音信号分类模型中，模型对其进行训练；
心音信号分类模型的第一分支，提取到N个小波散射特征；N为正整数；心音信号分类模型的第二分支，提取到N个时频图的空间域特征；心音信号分类模型的第三分支，提取到N个时频图的时间域特征；
对N个小波散射特征、N个时频图的空间域特征和N个时频图的时间域特征进行串联特征融合，得到3N个融合特征；
根据设定的目标融合特征的总数量M1，采用设定的第一特征筛选算法对3N个融合特征进行筛选，筛选出M1个目标融合特征，对M1个目标融合特征中所包括的a1个小波散射特征、b1个时频图的空间域特征、c1个时频图的空间域特征进行记录；
将目标融合特征的总数量M1修改为设定数值M2，采用第一特征筛选算法对3N个融合特征进行筛选，筛选出M2个目标融合特征，对M2个目标融合特征中所包括的a2个小波散射特征、b2个时频图的空间域特征、c2个时频图的空间域特征进行记录；
以此类推，得到目标融合特征不同总数量Mi所对应的三个分支不同的记录数据ai，bi和ci；
更换第一特征筛选算法为设定的第二特征筛选算法，采用第二特征筛选算法对3N个融合特征进行筛选，得到目标融合特征不同总数量所对应的三个分支不同的记录数据；
以此类推，得到不同特征筛选算法下，目标融合特征不同总数量所对应的三个分支不同的记录数据；
将不同特征筛选算法下，目标融合特征不同总数量所对应的三个分支不同的记录数据，进行特征串联融合后分别输入到分类器中，输出分类精度最高时所对应的三个分支的记录数据，将分类精度最高时第一分支的记录数据为A个小波散射特征，将分类精度最高时第二分支的记录数据为B个时频图的空间域特征，将分类精度最高时第三分支的记录数据为C个时频图的空间域特征。
应理解地，心音公共数据集PhysioNet/CinC Challenge数据库包含六个子数据集，该数据集共收集了764名受试者的3240个心音样本，包括2575个正常样本和665个异常样本，持续时间从5到122秒不等。所有的样本都被重新取样到2000Hz，为了尽量减少劣质信号的干扰，本发明对信号进行了质量评估，筛选出质量相对较好的信号。该方法利用使用一个5秒的滑动窗口，并计算信号的离散小波分解近似成分的过零率RZC和连续差值的均方根RMSSD。将得到的结果与设定的阈值（RZC<0.4，RMSSD<0.2）进行比较，选择符合预设指标阈值标准的第一个有效信号段作为最终实验数据库。最终选定的数据集的样本总数为3175个，包括2519个正常样本和656个异常样本。
本发明搭建了3阶小波散射网络来提取原始心音信号的小波散射系数。小波散射网络有3个滤波器组，滤波器组的质量因子Q分别为4，2和1，表示滤波器组每倍频程小波的数量。5s符合听诊诊断疾病时心跳周期数的临床标准，我们选用5s时长和2000Hz采样频率。心音信号输入小波散射网络后，小波尺度为10，1~3阶的散射路径分别为36，316与632条，与0阶散射输出一起形成散射特征矩阵。将每个散射特征矩阵放入单元阵列的一个元素中，使用散射路径的数量作为特征。本发明利用连续小波变换提取了心音信号的时频图。
本发明提出了一种基于小波散射与注意力机制的多路径网络，用于从信号的不同角度提取不同特征，进行心音信号分类。该网络同时以心音信号的小波散射特征与小波时频图为输入，基于长短时记忆网络LSTM和注意力机制构建了三条特征提取的路径。在长短时记忆网络LSTM路径中，信号的小波散射系数送入长短时记忆网络LSTM提取心音信号的局部纹理特征，得到具有平移、尺度和形变稳定性的特征。在空间注意力网络SAN与时间注意力网络TAN路径中，将心音信号生成时频图空间特征和时间特征。
将小波散射系数送入长短时记忆网络LSTM中，得到16个深度小波散射特征，记为：；使用长短时记忆网络LSTM进行深度特征提取，获取小波散射特征。本发明将计算得出的 985个小波散射系数作为长短时记忆网络LSTM的输入，本发明构建了三层长短时记忆网络LSTM，隐含单元数目分别为128，64，16。经LSTM网络训练后，提取了输出层之前的展平操作层Flatten的16个特征作为小波散射特征，/>。
将二维时频图送入所搭建的空间注意力网络SAN中，提取16个空间注意力特征，记为：；时频图以8:2的比例分配到空间注意力网络中。由于不同特征图所包含的信息不同，空间注意力网络利用空间中不同特征图之间的互补信息，快速学习时频图中异常心音信号相关的深层特征。时频图经卷积操作后转换为16个特征图，批量归一化后经过最大池化与平均池化，将特征图转换为带有最大权重与平均权重的特征图，在通道维度拼接后通过卷积操作将通道压缩为1，经过激活函数sigmoid生成空间特征图，记为：/>。
其中，为卷积核尺寸为/>的卷积层，/>为激活函数sigmoid。/>为第i个平均特征图，/>为第i个最大特征图，/>为第i个处理后的特征图，与输入特征图按元素相乘后得到空间注意模块特征图，记为：/>，提取了输出层之前的展平操作层Flatten的16个特征。
其中，为第i个输入特征图，/>表示按元素相乘，/>表示第i个输出的空间注意模块特征图。
将二维时频图送入所搭建的时间注意力网络TAN中，提取16个时间注意力特征，记为；在该路径中，同样以小波时频图作为该路径的输入，分配比例为8:2作为网络训练。时间注意力网络用于关注时频图中差异较大的时间片段。时间注意力网络由卷积层、LSTM网络、激活函数ReLU、展平操作层和全连接层组成。
将浅层特征经展平层转换为时序形式，送入LSTM网络训练，LSTM网络通过门限机制保存心音信号中正常与异常信号差异较大的部分，过滤掉极相似的部分，有效区分正常信号与异常信号，经LSTM网络后，使用激活函层数ReLu进行非线性操作，得到输出特征:
其中，为当前输入序列，/>为LSTM网络在t-1时刻的隐变量，/>均为可学习的权重矩阵，/>为偏移量，/>为第i个输出特征，ReLU为激活函数。网络中引入残差结构用于提高模型性能，特征图经卷积、池化操作后通过展平层得到序列形式，记为/>，/>与输出特征/>按元素相乘得到时间注意力网络输出，记为：/>，我们提取了输出层之前的展平操作层Flatten的16个特征。
将得到的小波散射特征、时频图的空间域特征与时间域特征进行特征融合，得到融合特征：
其中，为三条路径分别提取的小波散射特征，时频图的空间域特征和时间域特征。
使用特征选择算法ReliefF、卡方统计量Chi2、方差分析ANOVA、克鲁斯卡尔-沃利斯检验Kruskal Wallis对48个融合特征进行排序；
其中，分别表示四种特征筛选方法排序后的特征总和。每种筛选算法都从第1个特征开始，依据特征的重要性进行排序，其中，i=1，2，…… ，48；
根据目标融合特征的总数量（32、36、40、44、48），采用每种特征筛选算法（ReliefF、Chi2、ANOVA、Kruskal Wallis）对特征进行筛选；
例如：目标融合特征总数量为36时，采用特征筛选算法ReliefF对48个融合特征进行排序，保留排序后前36个特征，删除排序后第37-48个特征；
对前36个特征，区分出第一分支输出的特征数量为16个特征，第二分支输出的特征数量为5个特征，第三分支输出的特征数量为15个特征；
重新调整目标融合特征的总数量F，记录每次结果所对应的特征数量，当/>取/>时，分别记录总特征数量j中分别来自不同路径网络的特征数量:
=/>
其中分别表示来自三条路径的特征数量分别为，以此得到每条路径所得特征对最后分类结果的贡献程度。
例如：目标融合特征总数量为40时，采用特征筛选算法ReliefF对48个融合特征进行排序，保留排序后前40个特征，删除排序后第41-48个特征；
对前40个特征，区分出第一分支输出的特征数量为16个特征，第二分支输出的特征数量为9个特征，第三分支输出的特征数量为15个特征；
例如：目标融合特征总数量为44时，采用特征筛选算法ReliefF对48个融合特征进行排序，保留排序后前44个特征，删除排序后第45-48个特征；
对前44个特征，区分出第一分支输出的特征数量为16个特征，第二分支输出的特征数量为13个特征，第三分支输出的特征数量为15个特征；
例如：目标融合特征总数量为48时，采用特征筛选算法ReliefF对48个融合特征进行排序，保留排序后前48个特征；
对前48个特征，区分出第一分支输出的特征数量为16个特征，第二分支输出的特征数量为16个特征，第三分支输出的特征数量为16个特征；
例如：目标融合特征总数量为40时，采用特征筛选算法ANOVA对48个融合特征进行排序，保留排序后前40个特征，删除排序后第41-48个特征；
对前40个特征，区分出第一分支输出的特征数量为16个特征，第二分支输出的特征数量为9个特征，第三分支输出的特征数量为15个特征；
例如：目标融合特征总数量为44时，采用特征筛选算法ANOVA对48个融合特征进行排序，保留排序后前44个特征，删除排序后第45-48个特征；
对前44个特征，区分出第一分支输出的特征数量为16个特征，第二分支输出的特征数量为12个特征，第三分支输出的特征数量为16个特征；
例如：目标融合特征总数量为48时，采用特征筛选算法ANOVA对48个融合特征进行排序，保留排序后前48个特征；
对前48个特征，区分出第一分支输出的特征数量为16个特征，第二分支输出的特征数量为16个特征，第三分支输出的特征数量为16个特征；
例如：目标融合特征总数量为40时，采用特征筛选算法Chi2对48个融合特征进行排序，保留排序后前40个特征，删除排序后第41-48个特征；
对前40个特征，区分出第一分支输出的特征数量为16个特征，第二分支输出的特征数量为9个特征，第三分支输出的特征数量为15个特征；
例如：目标融合特征总数量为44时，采用特征筛选算法Chi2对48个融合特征进行排序，保留排序后前44个特征，删除排序后第45-48个特征；
对前44个特征，区分出第一分支输出的特征数量为16个特征，第二分支输出的特征数量为13个特征，第三分支输出的特征数量为15个特征；
例如：目标融合特征总数量为48时，采用特征筛选算法Chi2对48个融合特征进行排序，保留排序后前48个特征；
对前48个特征，区分出第一分支输出的特征数量为16个特征，第二分支输出的特征数量为16个特征，第三分支输出的特征数量为16个特征；
对前48个特征，区分出第一分支输出的特征数量为16个特征，第二分支输出的特征数量为16个特征，第三分支输出的特征数量为16个特征；
例如：目标融合特征总数量为40时，采用特征筛选算法Kruskal Wallis对48个融合特征进行排序，保留排序后前40个特征，删除排序后第41-48个特征；
对前40个特征，区分出第一分支输出的特征数量为16个特征，第二分支输出的特征数量为9个特征，第三分支输出的特征数量为15个特征；
例如：目标融合特征总数量为44时，采用特征筛选算法Kruskal Wallis对48个融合特征进行排序，保留排序后前44个特征，删除排序后第45-48个特征；
对前44个特征，区分出第一分支输出的特征数量为16个特征，第二分支输出的特征数量为12个特征，第三分支输出的特征数量为16个特征；
例如：目标融合特征总数量为48时，采用特征筛选算法Kruskal Wallis对48个融合特征进行排序，保留排序后前48个特征；
对前48个特征，区分出第一分支输出的特征数量为16个特征，第二分支输出的特征数量为16个特征，第三分支输出的特征数量为16个特征；
对四种特征筛选算法分别进行记录，分别得到每种特征筛选算法所对应的最优分类结果，对每种方法的最优分类结果所对应的特征进行记录分析。
为了研究不同路径提出的特征对最终结果的贡献，我们在这项工作中使用了特征选择算法ReliefF、卡方统计量Chi2、方差分析ANOVA、克鲁斯卡尔-沃利斯检验KruskalWallis进行了特征重要性排序，每种方法都从第1个特征开始对特征的重要性进行排序。在这项工作中，从三条路径中各选择了16个特征，产生了48个特征值。因实验发现少于32个特征值时结果不理想，我们只讨论保留32个以上的特征。
进一步地，所述对小波散射系数进行特提取得到小波散射特征，通过长短时记忆网络LSTM来实现。
进一步地，所述对时频图进行空间域特征提取，得到时频图的空间域特征，通过空间注意力网络来实现。所述空间注意力网络采用通道注意力和空间注意力模块CBAM（Convolutional Block Attention Module）中的空间注意力网络来实现。
进一步地，如图3所示，所述空间注意力网络，其网络结构包括：
依次连接的第一卷积层、第一批量归一化层、第一最大池化层、串联拼接层、第二卷积层、第二批量归一化层、第一乘法器、第一激活函数层、第一全连接层；所述第一批量归一化层的输出端还与平均池化层的输入端连接，平均池化层的输出端与串联拼接层的输入端连接；所述第一批量归一化层的输出端与第一乘法器的输入端连接。
进一步地，所述空间注意力网络，包括：时频图经第一卷积层的卷积操作后转换为16个特征图，批量归一化后经过最大池化与平均池化，将特征图转换为带有最大权重与平均权重的特征图，在通道维度拼接后通过卷积操作将通道压缩为1，经过激活函数sigmoid生成空间特征图。
进一步地，所述对时频图进行时间域特征提取，得到时频图的时间域特征，通过时间注意力网络来实现。如图4所示，所述时间注意力网络的网络结构包括：
依次连接的第三卷积层、第三批量归一化层、第一展平层、长短时记忆网络、第二激活函数层、第二全连接层、第二乘法器、第四批量归一化层、第三激活函数层、第三全连接层；
所述第三批量归一化层的输出端与第四卷积层的输入端连接，第四卷积层的输出端与第二最大池化层的输入端连接，第二最大池化层的输出端与第四激活函数层的输入端连接，第四激活函数层的输出端与第三全连接层的输入端连接，第三全连接层的输出端与第二展平层的输入端连接；
第二展平层的输出端与第二乘法器的输入端连接。
进一步地，所述第一特征优选模块、第二特征优选模块和第三特征优选模块的内部工作过程是一致的，均采用特征筛选算法Kruskal Wallis来实现特征筛选。
进一步地，所述将优选后的特征进行特征融合，是指将特征进行串联融合。
进一步地，所述对融合后的特征进行特征分类，采用支持向量机分类器来实现。
通过提取的小波散射特征、时频图空间域特征、时频图时间域特征，使用支持向量机SVM对融合特征进行分类输出。
SVM选用多项式核函数，为解决正常与异常心音样本的类不平衡的问题，利用代价矩阵C对不同样本类别施加错分权重。
=/>
其中，C()表示类别/>错分为类别/>的权重，C(/>)=0，训练分类器g，使得到的期望之和/>最小。
为了将不同路径所提特征进行集成和互补，将三条路径的特征进行特征融合，得到融合特征，之后使用支持向量机SVM对融合特征进行分类输出。SVM选用多项式核函数，约束框为1，核函数表达式为：
其中，（）为输入样本向量，/>为是常数项，d为多项式的阶数，/>为核函数的值，/>为参数gamma，通常设置为1/n（n是类别的数量）。核函数表达式将输入样本映射到一个高维空间，允许在高维空间中更好地分离样本。
进一步地，所述分类器与可视化模块连接，所述可视化模块采用降维算法t-SNE来实现；
降维算法t-SNE将支持向量机核函数映射出来的高维数据映射到低维空间中，同时保留原始数据的局部结构；通过在高维空间中构建数据点之间的概率分布P，在低维空间里重构这些点的概率分布Q，使得概率分布P与概率分布Q尽可能相似：
首先，将欧几里得距离转化为条件概率来表达点与点之间的相似度，构建高维空间中数据点的概率分布P：
其中，为条件概率，其正比于/>和/>之间的相似度，/>，/>和/>分别表示高维空间中不同位置处的数据点，k表示第k个数据点，i表示第i个数据点，j表示第j个数据点，/>是高斯核的方差，控制相似度的衰减速度，exp表示以e为底的对数运算；
然后，在低维空间里重构这些点的概率分布Q：
其中，为条件概率，正比于/>和/>之间的相似度，/>、/>和/>为低维空间中的数据点；
最后，通过优化两个分布之间的散度Kullback-Leibler（KL）构造出损失函数：
其中，为损失函数，/>为在给定高维数据点/>时，其他所有数据点的条件概率分布，/>在给定低维数据点/>时，其他所有数据点的条件概率分布，t-SNE算法通过梯度下降优化损失函数，不断调整低维空间中的数据点位置，使得KL散度最小化。
进一步地，利用t-SNE算法分别对三种分支所提的特征与融合后的特征进行可视化：首先对三条分支分别提取的特征逐一进行特征可视化，通过对样本的区分效果进行观察，以筛选出区分效果最好情况下所对应的特征类别；之后将三种特征分别进行两两组合和全组合得到组合特征，观察不同特征之间的相互作用，以观察能达到最优的分类结果的组合情况。方便医护工作者对本系统的深度理解。
进一步地，所述装置还包括：训练过程中选择准确性（Acc）、灵敏度（Se）、特异性（Sp）和平均准确度（Macc）作为模型的评价指标。
其中，TP（1 Positive）为真阳性；FP（0 Positive）为假阳性）；FN（0 negative）为假阴性；TN（1 negative）为真阴性。
为避免实验结果的偶然性，使用了十折交叉验证计算平均准确率，实验中，确保每一折的正常样本与异常样本的比例与数据库中一致。准确率（Acc）平均值为97.04%，标准偏差为1.006；特异性（Sp）平均值为96.75%，标准偏差为1.976；灵敏度（Se）平均值为97.12%，标准偏差为1.065。平均Macc值为96.93%，标准偏差为1.201。十次交叉验证的Macc均在95%以上，且各种指标比较稳定，说明模型分类能力和稳定性较好。
在这项工作中，我们通过消融实验对不同路径所提取的不同特征分别进行讨论，研究了每种特征对最后分类结果的影响。
在单路径网络中，第一分支与第三分支分类效果较好，第二分支效果最差。说明小波散射特征与时频图的时域特征是心音分类的优质特征，而小波时频图的空间域特征似乎对心音分类的效果不理想。而将单路径网络所提特征分别进行结合后，可以得到更好的分类效果，说明虽然时频图的空间特征与时间特征在一定程度上有信息互补的作用，但第一分支所提的小波散射特征可以提供时频图缺失的信息，明显提升时频图的分类能力，对分类结果的影响更大。三条路径结合后能够达到最好的分类效果，说明本发明所搭建的多路径网络所提的特征在一定程度上可以相辅相成，共同成就。
为了研究不同路径提出的特征对最终结果的贡献，我们在这项工作中使用四种方法进行了特征重要性排序。从三条路径中各选择了16个特征，产生了48个特征值。因实验发现少于32个特征值时结果不理想，我们只讨论保留32个以上的特征。在特征选择算法ReliefF、卡方统计量Chi2、方差分析ANOVA、克鲁斯卡尔-沃利斯检验Kruskal Wallis中，当算力评估值Macc达到最高时，来自三条分支所提供的特征数量之比分别为：16/9/15，16/13/15，16/9/15，16/12/16。可以看出，无论用何特征排序方法，当Macc值最高时，第一分支与第三分支所提供的特征数量均多于第二分支。因此可以得出结论，在三条路径中，第一分支与第三分支所提特征对最终分类结果的贡献要大于第二分支。也在一定程度上说明了，小波散射特征和时频图的时间特征是比较优秀的用于分类心音的特征。
本发明构建了一种多路径网络用于心音分类。网络的三个路径能同时提取心音信号的小波散射特征和时频图特征，该网络能够自动提取特征，避免了手工提取特征的繁琐性和单路径网络提取特征的不全面性。实验与结果证明，小波散射特征和时频图的时间特征是用于心音分类的较为有效的特征，本发明提出的多路径网络提取的特征更具有特征互补的优势，能够有效提高分类的准确性。本发明实验对于心音信号的特征提取有一定的引导和借鉴意义，所提方法对于临床异常心音信号的检测有重要作用。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.基于特征选优及可视化的心音分类装置，其特征是，包括：
获取模块，其被配置为：获取待分类的心音信号；
预处理模块，其被配置为：对待分类的心音信号进行小波散射变换，得到小波散射系数；对待分类的心音信号进行连续小波变换，得到时频图；
分类模块，其被配置为：将小波散射系数和时频图，均输入到训练后的心音信号分类模型中，输出心音信号分类结果；
所述训练后的心音信号分类模型，用于：
对小波散射系数进行特提取得到小波散射特征；对时频图进行空间域特征提取，得到时频图的空间域特征；对时频图进行时间域特征提取，得到时频图的时间域特征；对提取的每一种特征均进行特征优选，将优选后的特征进行特征融合，对融合后的特征进行特征分类，得到心音信号分类结果，对心音信号分类结果进行可视化；
所述对小波散射系数进行特提取得到小波散射特征，通过长短时记忆网络来实现；
所述对时频图进行空间域特征提取，得到时频图的空间域特征，通过空间注意力网络来实现；所述空间注意力网络，其网络结构包括：依次连接的第一卷积层、第一批量归一化层、第一最大池化层、串联拼接层、第二卷积层、第二批量归一化层、第一乘法器、第一激活函数层、第一全连接层；所述第一批量归一化层的输出端还与平均池化层的输入端连接，平均池化层的输出端与串联拼接层的输入端连接；所述第一批量归一化层的输出端与第一乘法器的输入端连接；
所述空间注意力网络，包括：时频图经第一卷积层的卷积操作后转换为若干个特征图，若干个特征图经过批量归一化后，再经过最大池化与平均池化，将特征图转换为带有最大权重与平均权重的特征图，在通道维度拼接后通过卷积操作将通道压缩，经过激活函数生成空间特征图；
所述将小波散射系数和时频图，均输入到训练后的心音信号分类模型中，输出心音信号分类结果，其中，训练后的心音信号分类模型，包括：
并列的三个分支：第一分支、第二分支和第三分支；
所述第一分支，是长短时记忆网络，所述长短时记忆网络的输入端用于输入小波散射系数，所述长短时记忆网络的输出端用于输出小波散射特征；
所述第二分支，是空间注意力网络，所述空间注意力网络的输入端用于输入时频图，所述空间注意力网络的输出端用于输出时频图的空间域特征；
所述第三分支，是时间注意力网络，所述时间注意力网络的输入端用于输入时频图，所述时间注意力网络的输出端用于输出时频图的时间域特征；
所述第一分支的输出端与第一特征优选模块进行连接，第一特征优选模块对小波散射特征采用特征筛选算法筛选出A个特征；
所述第二分支的输出端与第二特征优选模块进行连接，第二特征优选模块对时频图的空间域特征采用特征筛选算法筛选出B个特征；
所述第三分支的输出端与第三特征优选模块进行连接，第三特征优选模块对时频图的时间域特征采用特征筛选算法筛选出C个特征；其中，A，B和C均为正整数；
特征融合模块对A个特征、B个特征和C个特征进行特征串联融合处理；
分类器，对融合后的特征进行分类，输出分类结果；
A，B和C的具体数值是通过对心音信号分类模型进行训练得到的，其中，训练后的心音信号分类模型，训练过程包括：
构建训练集，所述训练集为已知心音信号分类标签的心音信号；将训练集，输入到心音信号分类模型中，模型对其进行训练；
心音信号分类模型的第一分支，提取到N个小波散射特征；N为正整数；心音信号分类模型的第二分支，提取到N个时频图的空间域特征；心音信号分类模型的第三分支，提取到N个时频图的时间域特征；
对N个小波散射特征、N个时频图的空间域特征和N个时频图的时间域特征进行串联特征融合，得到3N个融合特征；
根据设定的目标融合特征的总数量Mi，采用设定的第一特征筛选算法对3N个融合特征进行筛选，筛选出Mi个目标融合特征，对Mi个目标融合特征中所包括的ai个小波散射特征、bi个时频图的空间域特征、ci个时频图的空间域特征进行记录；以此类推，得到目标融合特征不同总数量Mi所对应的三个分支不同的记录数据ai，bi和ci；
更换第一特征筛选算法为设定的第二特征筛选算法，采用第二特征筛选算法对3N个融合特征进行筛选，得到目标融合特征不同总数量所对应的三个分支不同的记录数据；以此类推，得到不同特征筛选算法下，目标融合特征不同总数量所对应的三个分支不同的记录数据；
将不同特征筛选算法下，目标融合特征不同总数量所对应的三个分支不同的记录数据，进行特征串联融合后分别输入到分类器中，输出分类精度最高时所对应的三个分支的记录数据，将分类精度最高时第一分支的记录数据为A个小波散射特征，将分类精度最高时第二分支的记录数据为B个时频图的空间域特征，将分类精度最高时第三分支的记录数据为C个时频图的空间域特征；
所述时间注意力网络，网络结构包括：
依次连接的第三卷积层、第三批量归一化层、第一展平层、长短时记忆网络、第二激活函数层、第二全连接层、第二乘法器、第四批量归一化层、第三激活函数层、第三全连接层；
所述第三批量归一化层的输出端与第四卷积层的输入端连接，第四卷积层的输出端与第二最大池化层的输入端连接，第二最大池化层的输出端与第四激活函数层的输入端连接，第四激活函数层的输出端与第三全连接层的输入端连接，第三全连接层的输出端与第二展平层的输入端连接；第二展平层的输出端与第二乘法器的输入端连接；
所述分类器与可视化模块连接，所述可视化模块采用降维算法t-SNE来实现；
降维算法t-SNE将支持向量机核函数映射出来的高维数据映射到低维空间中，同时保留原始数据的局部结构；通过在高维空间中构建数据点之间的概率分布P，在低维空间里重构这些点的概率分布Q，使得概率分布P与概率分布Q尽可能相似：
首先，将欧几里得距离转化为条件概率来表达点与点之间的相似度，构建高维空间中数据点的概率分布P：
其中，pj|i为条件概率，其正比于xi与xj之间的相似度，xi，xj和xk分别表示高维空间中不同位置处的数据点，k表示第k个数据点，i表示第i个数据点，j表示第j个数据点，σi是高斯核的方差，控制相似度的衰减速度，exp表示以e为底的对数运算；
然后，在低维空间里重构点的概率分布Q：
其中，qj|i为条件概率，正比于yi和yj之间的相似度，yi、yj和yk为低维空间中的数据点；
最后，通过优化两个分布之间的散度构造出损失函数：
其中，C(yi)为损失函数，Pi为在给定高维数据点xi时，其他所有数据点的条件概率分布，Qi在给定低维数据点yi时，其他所有数据点的条件概率分布，降维算法t-SNE通过梯度下降优化损失函数，不断调整低维空间中的数据点位置，使得散度最小化；
利用降维算法t-SNE分别对三种分支所提的特征与融合后的特征进行可视化：首先对三条分支分别提取的特征逐一进行特征可视化，通过对样本的区分效果进行观察，以筛选出区分效果最好情况下所对应的特征类别；之后将三种特征分别进行两两组合和全组合得到组合特征，观察不同特征之间的相互作用，以观察能达到最优的分类结果的组合情况；
所述对时频图进行时间域特征提取，得到时频图的时间域特征，通过时间注意力网络来实现；所述将优选后的特征进行特征融合，是指将特征进行串联融合；所述对融合后的特征进行特征分类，采用支持向量机分类器来实现。
CN202310875546.0A 2023-07-18 2023-07-18 基于特征选优及可视化的心音分类装置 Active CN116584902B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310875546.0A CN116584902B (zh) 2023-07-18 2023-07-18 基于特征选优及可视化的心音分类装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310875546.0A CN116584902B (zh) 2023-07-18 2023-07-18 基于特征选优及可视化的心音分类装置

Publications (2)

Publication Number Publication Date
CN116584902A CN116584902A (zh) 2023-08-15
CN116584902B true CN116584902B (zh) 2024-05-07

Family

ID=87606595

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310875546.0A Active CN116584902B (zh) 2023-07-18 2023-07-18 基于特征选优及可视化的心音分类装置

Country Status (1)

Country Link
CN (1) CN116584902B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117349600B (zh) * 2023-12-06 2024-01-30 厦门理工学院 一种基于双模态双输入的心音心电联合诊断方法及系统

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109171712A (zh) * 2018-09-28 2019-01-11 东软集团股份有限公司 心房颤动识别方法、装置、设备及计算机可读存储介质
CN111368627A (zh) * 2019-11-20 2020-07-03 山东大学 Cnn结合改进频率小波切片变换的心音分类方法及系统
CN112932498A (zh) * 2021-01-29 2021-06-11 山东大学 一种基于深度学习的强泛化能力的t波形态分类系统
CN113288163A (zh) * 2021-06-04 2021-08-24 浙江理工大学 基于注意力机制的多特征融合心电信号分类模型建模方法
CN113361385A (zh) * 2021-06-03 2021-09-07 山东大学 心音分类方法及系统、可读存储介质、电子设备
CN113611323A (zh) * 2021-05-07 2021-11-05 北京至芯开源科技有限责任公司 一种基于双通道卷积注意力网络的语音增强方法及系统
CN113796873A (zh) * 2021-10-26 2021-12-17 山东建筑大学 穿戴式动态心电信号分类方法及系统
CN114343665A (zh) * 2021-12-31 2022-04-15 贵州省人民医院 一种基于图卷积空时特征融合选择的心律失常识别方法
WO2022166307A1 (zh) * 2021-02-07 2022-08-11 山东省人工智能研究院 一种基于特征提取与深度学习的心电信号自动分类方法
CN114970605A (zh) * 2022-05-06 2022-08-30 大连理工大学 一种多模态特征融合神经网络的制冷设备故障诊断方法
CN115363599A (zh) * 2022-09-22 2022-11-22 山东大学 一种用于心房颤动识别的心电信号处理方法及系统
CN115429284A (zh) * 2022-09-16 2022-12-06 山东科技大学 心电信号分类方法、系统、计算机设备以及可读存储介质
CN115481695A (zh) * 2022-09-26 2022-12-16 云南大学 一种利用多分支特征提取的运动想象分类方法
CN116030829A (zh) * 2023-01-09 2023-04-28 安徽财经大学 一种基于深度残差神经网络的心音分类方法
CN116361688A (zh) * 2023-03-20 2023-06-30 重庆大学 用于心电节律自动分类的多模态特征融合模型构建方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107924484A (zh) * 2015-07-23 2018-04-17 丰田汽车欧洲股份有限公司 用于在环境背景下模拟类人控制行为的系统和基于计算机的方法
CN108932480B (zh) * 2018-06-08 2022-03-15 电子科技大学 基于1d-cnn的分布式光纤传感信号特征学习与分类方法
EP3608918B1 (en) * 2018-08-08 2024-05-22 Tata Consultancy Services Limited Parallel implementation of deep neural networks for classifying heart sound signals
CN113627518B (zh) * 2021-08-07 2023-08-08 福州大学 利用迁移学习实现神经网络脑电情感识别模型的方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109171712A (zh) * 2018-09-28 2019-01-11 东软集团股份有限公司 心房颤动识别方法、装置、设备及计算机可读存储介质
CN111368627A (zh) * 2019-11-20 2020-07-03 山东大学 Cnn结合改进频率小波切片变换的心音分类方法及系统
CN112932498A (zh) * 2021-01-29 2021-06-11 山东大学 一种基于深度学习的强泛化能力的t波形态分类系统
WO2022166307A1 (zh) * 2021-02-07 2022-08-11 山东省人工智能研究院 一种基于特征提取与深度学习的心电信号自动分类方法
CN113611323A (zh) * 2021-05-07 2021-11-05 北京至芯开源科技有限责任公司 一种基于双通道卷积注意力网络的语音增强方法及系统
CN113361385A (zh) * 2021-06-03 2021-09-07 山东大学 心音分类方法及系统、可读存储介质、电子设备
CN113288163A (zh) * 2021-06-04 2021-08-24 浙江理工大学 基于注意力机制的多特征融合心电信号分类模型建模方法
CN113796873A (zh) * 2021-10-26 2021-12-17 山东建筑大学 穿戴式动态心电信号分类方法及系统
CN114343665A (zh) * 2021-12-31 2022-04-15 贵州省人民医院 一种基于图卷积空时特征融合选择的心律失常识别方法
CN114970605A (zh) * 2022-05-06 2022-08-30 大连理工大学 一种多模态特征融合神经网络的制冷设备故障诊断方法
CN115429284A (zh) * 2022-09-16 2022-12-06 山东科技大学 心电信号分类方法、系统、计算机设备以及可读存储介质
CN115363599A (zh) * 2022-09-22 2022-11-22 山东大学 一种用于心房颤动识别的心电信号处理方法及系统
CN115481695A (zh) * 2022-09-26 2022-12-16 云南大学 一种利用多分支特征提取的运动想象分类方法
CN116030829A (zh) * 2023-01-09 2023-04-28 安徽财经大学 一种基于深度残差神经网络的心音分类方法
CN116361688A (zh) * 2023-03-20 2023-06-30 重庆大学 用于心电节律自动分类的多模态特征融合模型构建方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
一种心音小波神经网络识别系统;成谢锋;傅女婷;陈胤;张学军;黄丽亚;;振动与冲击;20170215(第03期);全文 *
基于EMD自适应重构的心音信号特征筛选及分类;王彬蓉;航天医学与医药工程;第33卷(第6期);533-541 *
基于心音窗函数的心音图形化处理方法的研究;成谢锋;李伟;;物理学报;20151231(第05期);全文 *
心电身份识别中特征筛选策略研究;郑刚;计算机工程;第42卷(第7期);189-193 *

Also Published As

Publication number Publication date
CN116584902A (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
Rubin et al. Recognizing abnormal heart sounds using deep learning
CN104523266B (zh) 一种心电信号自动分类方法
CN113052113B (zh) 一种基于紧凑型卷积神经网络的抑郁症识别方法及系统
CN109350032B (zh) 一种分类方法、系统、电子设备及存储介质
CN107066759B (zh) 一种汽轮机转子振动故障诊断方法及装置
EP3692901A1 (en) Automatic recognition and classification method for electrocardiogram heartbeat based on artificial intelligence
Bennett et al. Geometry in learning
CN108231201A (zh) 一种疾病数据分析处理模型的构建方法、系统及应用
CN116584902B (zh) 基于特征选优及可视化的心音分类装置
CN112329609A (zh) 基于2d心拍的特征融合迁移学习心律失常分类系统
CN109431497A (zh) 一种脑电信号处理方法及癫痫检测系统
CN111110224A (zh) 一种基于多角度特征提取的心电图分类方法及装置
Garg A signal invariant wavelet function selection algorithm
CN102609612A (zh) 一种用于多参数仪表检定的数据融合方法
CN113288157A (zh) 基于深度可分离卷积和改进损失函数的心律失常分类方法
CN116361688A (zh) 用于心电节律自动分类的多模态特征融合模型构建方法
CN113887397A (zh) 基于海洋捕食者算法的电生理信号的分类方法及分类系统
CN113076878B (zh) 基于注意力机制卷积网络结构的体质辨识方法
CN112336369B (zh) 一种多通道心音信号的冠心病风险指数评估系统
US20210199643A1 (en) Fluid classification
US5719784A (en) Order-based analyses of cell and tissue structure
CN114224354B (zh) 心律失常分类方法、装置及可读存储介质
CN116340812A (zh) 一种变压器局部放电故障模式识别方法及系统
CN110706804A (zh) 一种混合专家系统在肺腺癌分类中给的应用方法
Nehary et al. A deep convolutional neural network classification of heart sounds using fractional fourier transform

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
GR01 Patent grant
GR01 Patent grant