基于小波谱图的异常心音识别方法、装置和服务架构制造方法及图纸

本申请涉及模式识别技术领域的一种基于小波谱图的异常心音识别方法、装置和服务架构。该方法包括：对获取的心音数据的音频文件进行滤波、重采样、数据帧提取、标准化处理后，采用基于Hilbert变换的心音包络检查方法，并根据预设阈值和得到的心音信号的包络，确定有效心音数据和无效心音数据；对有效心音数据进行复Morlet小波变换，并对每帧心音数据的复Morlet小波进行处理，得到心音数据对应的小波谱图，以心音小波谱图作为深度学习模型的输入数据，充分展现了心音的深层时频信息，同时异常心音识别模型，可以取得最佳的组合效果，利用云端的强大算力，快速准确地完成异常心音识别任务，助力儿童先心病的早期筛查。助力儿童先心病的早期筛查。助力儿童先心病的早期筛查。

【技术实现步骤摘要】
基于小波谱图的异常心音识别方法、装置和服务架构


[0001]本申请涉及模式识别
，特别是涉及一种基于小波谱图的异常心音识别方法、装置和服务架构。

技术介绍

[0002]儿童先心病的早期筛查十分重要，但是对于医疗资源相对匮乏的偏远地区来说实施起来却比较困难。心音自动分析技术的发展为解决该问题提供了希望，目前国外的3M、Eko和国内的奥图无线等科技公司已经在心音的数字化听诊、无线数据传输和自动分析等方面进行了有效尝试，展现出良好的应用前景和发展潜力。
[0003]心音的采集和预处理技术已经较为成熟，当前研究更多地集中于心音分割与心音特征提取上面，而后者正是深度学习技术的优势所在。心音分割旨在确定基础心音（第1心音和第2心音）的位置，对心音特征提取方案的选择具有重要影响。传统的心音分类方案为保证特征提取质量，对心音分割具有较高要求，近年来基于深度学习的心音分类由于特征提取能力的显著提升，逐渐趋向于不进行心音分割，以简化操作步骤，同时避免心音定位错误产生的不良影响。基于传统机器学习的心音分类模型，如逻辑回归、随机森林和支持向量机等，通常需进行心音分割，采用经过筛选的一维特征向量，有效信息损失较多；基于深度学习的心音分类模型，集深度特征提取与分类功能于一体，可以直接输入原始心音数据或高分辨率的频谱图像，从而保留了绝大多数有效信息，但是其主要使用心音的短时特征，心音识别结果的准确度受到隐藏在心音信息中的不同时长的背景声的影响。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种基于小波谱图的异常心音识别方法、装置和服务架构。
[0005]一种基于小波谱图的异常心音识别方法，所述方法包括：获取心音数据集，将所述心音数据集划分为训练集、验证集以及测试集。
[0006]对所述训练集、所述验证集以及所述测试集中的每个心音信号的音频文件进行滤波、重采样、数据帧提取、标准化处理后，得到标准化心音数据帧。
[0007]根据所述标准化心音数据帧采用基于Hilbert变换的心音包络检查方法，并根据预设阈值和得到的心音信号的包络，确定有效心音数据和无效心音数据。
[0008]将所述有效心音数据进行复Morlet小波变换，并对每帧心音数据的复Morlet小波进行处理，得到训练集、验证集以及测试集中心音数据对应的小波谱图。
[0009]构建异常心音识别网络模型，所述异常心音识别网络模型是在ResNet50网络结构的基础上进行改进得到的，改进点为：将ResNet50网络结构中的后四个残差模块中的残差块的第二个卷积层替换为Transformer架构中的自注意力模块。
[0010]根据训练集和验证集中心音数据对应的小波谱图对所述异常心音识别网络模型进行训练，并采用测试集中心音数据对应的小波谱图对训练后的异常心音识别网络模型进
行测试，得到训练好的异常心音识别网络模型。
[0011]将待识别的心音数据输入到训练好的异常心音识别网络模型中，得到待识别的心音数据的识别结果。
[0012]一种基于小波谱图的异常心音识别装置，所述装置包括：心音数据获取模块，用于获取心音数据集，将所述心音数据集划分为训练集、验证集以及测试集。
[0013]心音数据预处理模块，用于对所述训练集、所述验证集以及所述测试集中的每个心音信号的音频文件进行滤波、重采样、数据帧提取、标准化处理后，得到标准化心音数据帧；根据所述标准化心音数据帧采用基于Hilbert变换的心音包络检查方法，并根据预设阈值和得到的心音信号的包络，确定有效心音数据和无效心音数据；将所述有效心音数据进行复Morlet小波变换，并对每帧心音数据的复Morlet小波进行处理，得到训练集、验证集以及测试集中心音数据对应的小波谱图。
[0014]异常心音识别网络模型构建模块，用于构建异常心音识别网络模型，所述异常心音识别网络模型是在ResNet50网络结构的基础上进行改进得到的，改进点为：将ResNet50网络结构中的后四个残差模块中的残差块的第二个卷积层替换为Transformer架构中的自注意力模块。
[0015]异常心音识别网络模型训练模块，用于根据训练集和验证集中心音数据对应的小波谱图对所述异常心音识别网络模型进行训练，并采用测试集中心音数据对应的小波谱图对训练后的异常心音识别网络模型进行测试，得到训练好的异常心音识别网络模型。
[0016]异常心音识别模块，用于将待识别的心音数据输入到训练好的异常心音识别网络模型中，得到待识别的心音数据的识别结果。
[0017]一种并发心音识别服务架构，所述并发心音识别服务架构包括客户端和服务端；所述客户端和服务端之间通过XMLRPC协议进行数据通信与服务调用。
[0018]将上述基于小波谱图的异常心音识别装置的心音数据预处理模块进行独立封装，以多进程的形式并发执行，并基于Redis队列与分类模型推理模块进行高速交互；所述分类模型推理模块实现上述基于小波谱图的异常心音识别装置的异常心音识别网络模型构建模块、异常心音识别网络模型训练模块以及异常心音识别模块的功能。
[0019]上述基于小波谱图的异常心音识别方法、装置和服务架构，该方法用于对儿童先天性心脏病的自动化智能化筛查，对获取的心音数据的音频文件进行滤波、重采样、数据帧提取、标准化处理后，采用基于Hilbert变换的心音包络检查方法，并根据预设阈值和得到的心音信号的包络，确定有效心音数据和无效心音数据；对有效心音数据进行复Morlet小波变换，并对每帧心音数据的复Morlet小波进行处理，得到心音数据对应的小波谱图，以心音小波谱图作为深度学习模型的输入数据，充分展现了心音的深层时频信息，同时异常心音识别模型，可以取得最佳的组合效果，利用云端的强大算力，快速准确地完成异常心音识别任务，助力儿童先心病的早期筛查。
附图说明
[0020]图1为一个实施例中基于小波谱图的异常心音识别方法的应用场景图；图2为一个实施例中基于小波谱图的异常心音识别方法的流程示意图；
图3为另一个实施例中自注意力模块结构图；图4为另一个实施例中心音小波谱图，其中（a）为第一种正常心音小波谱图，（b）为第二种正常心音小波谱图，（c）为第一种异常心音小波谱图，（d）为第二种异常心音小波谱图；图5为一个实施例中基于小波谱图的异常心音识别装置的结构框图；图6为一个实施例中并发心音识别服务架构。
具体实施方式
[0021]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0022]本申请提供的基于小波谱图的异常心音识别方法，针对儿童先天性心脏病（先心病）的自动化智能化筛查，可以应用于如图1所示的应用环境中。其中，电子听诊器102通过网络与服务器104通过网络进行通信，电子听诊器102采集儿童心音，并通过网络将心音数据通过网络传输到云端服务器104，服务器104对接收到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小波谱图的异常心音识别方法，其特征在于，所述方法包括：获取心音数据集，将所述心音数据集划分为训练集、验证集以及测试集；对所述训练集、所述验证集以及所述测试集中的每个心音信号的音频文件进行滤波、重采样、数据帧提取、标准化处理后，得到标准化心音数据帧；根据所述标准化心音数据帧采用基于Hilbert变换的心音包络检查方法，并根据预设阈值和得到的心音信号的包络，确定有效心音数据和无效心音数据；将所述有效心音数据进行复Morlet小波变换，并对每帧心音数据的复Morlet小波进行处理，得到训练集、验证集以及测试集中心音数据对应的小波谱图；构建异常心音识别网络模型，所述异常心音识别网络模型是在ResNet50网络结构的基础上进行改进得到的，改进点为：将ResNet50网络结构中的后四个残差模块中的残差块的第二个卷积层替换为Transformer架构中的自注意力模块；根据训练集和验证集中心音数据对应的小波谱图对所述异常心音识别网络模型进行训练，并采用测试集中心音数据对应的小波谱图对训练后的异常心音识别网络模型进行测试，得到训练好的异常心音识别网络模型；将待识别的心音数据输入到训练好的异常心音识别网络模型中，得到待识别的心音数据的识别结果。2.根据权利要求1所述的方法，其特征在于，对所述训练集、所述验证集以及所述测试集中的每个心音信号的音频文件进行滤波、重采样、数据帧提取、标准化处理后，得到标准化心音数据帧，包括：读取所述训练集、所述验证集以及所述测试集中的心音信号的音频文件；对每个心音信号的音频文件中的音频信号采用巴特沃斯滤波器进行滤波；对滤波后的信号采用Sinc插值方法进行数据重采样，得到重采样数据；以预设帧长和预设步长，从每个重采样数据居中位置得到预设数量的心音数据帧；将所有的心音数据帧进行标准化处理，将数据值限制在区间[
‑
1, 1]，得到标准化心音数据帧。3.根据权利要求2所述的方法，其特征在于，对滤波后的信号采用Sinc插值方法进行数据重采样，得到重采样数据，步骤后还包括：采用基于离散小波变换的阈值去噪法对所述重采样数据进行小波去噪，得到去噪后的重采样数据。4.根据权利要求1所述的方法，其特征在于，预设阈值包括：最小阈值和最大阈值；根据所述标准化心音数据帧采用基于Hilbert变换的心音包络检查方法，并根据预设阈值和得到的心音信号的包络，确定有效心音数据和无效心音数据，包括：将每帧所述标准化心音数据帧采用Hilbert变换提取心音信号的包络；所述心音信号的包络表达式为：其中，为心音信号的包络，为标准化心音数据帧，
为标准化心音数据帧的Hilbert变换；设置心跳阈值；以预设长度的窗口在心音信号的包络上进行移动，若窗口内的最大值大于所述心跳阈值，则记一次心跳，遍历每帧心音数据的心音信号的包络，得到每帧数据对应的心跳数；根据每帧心音数据对应的心跳数计算每分钟的心率，将5帧心音数据帧对应的每分钟的心率的平均值作为参考心率；当参考心率小于最小阈值或大于最大阈值时，则对应帧心音数据为有效数据，否则为无效数据。5.根据权利要求1所述的方法，其特征在于，异常心音识别网络模型包括特征提取网络和分类网络；所述特征提取网络包括第一残差模块、第二残差模块、第三残差模块、第四残差模块以及第五残差模块，第二残差模块、第三残差模块、第四残差模块以及第五残差模块包括改进的残差块的数量分别为3,4,6,3；所述分类网络包括全局平均池化层、全连接层以及Softmax函数；根据训练集和验证集中心音数据对应的小波谱图对所述异常心音识别网络模型进行训练，并采用测试集中心音数据对应的小波谱图对训练后的异常心音识别网络模型进行测试，得到训练好的异常心音识别网络模型，包括：将训练集、验证集以及测试集中的心音数据对应的小波谱图分别作为训练样本、验证样本和测试样本；将所述训练样本输入到所述第一残差模块中，得到第一层深度特征；将所述第一层深度特征输入到第二残差模块中，得到第二层深度特征；将所述第二层深度特征输入到第三残差模块中，得到第三层深度特征；将所述第三层深度特征输入到第四残差模块中，得到第四层深度特征；将所述第四层深度特征输入到第五残差模块中，得到心音信号的深度特征；将心音信号的深度特征输入到分类网络中，得到异常心音预测分类结果；根据所述预测分类结果和训练样本，采用自适应动量估计法和交叉熵损失函数对所述异常心音识别网络模型进行反向训练，并采用验证样本进行验证，得到训练后的异常心音识别网络模型；采用测试样本对训练后的异常心音识别网络模型进行测试，得到训练好的异常心音识别网络模型。6.根据权利要求5所述...

【专利技术属性】
技术研发人员：蒿敬波，阳广贤，肖湘江，罗鑫权，侯健伟，
申请(专利权)人：湖南超能机器人技术有限公司，
类型：发明
国别省市：