[发明专利]一种自动提取心音包络特征的心音分段方法

权利要求书

1.一种自动提取心音包络特征的心音分段方法，其特征在于：包括以下步骤：

步骤1：对心音信号进行预处理；

步骤2：利用心电信号提取所述预处理后心音信号的分段标签；

步骤3：将分段标签作为最终输出结果构建深度学习神经网络；

步骤4：利用所述预处理后的心音信号对所述深度学习网络进行训练；

步骤5：将待分段的心音信号进行预处理后输入训练后的深度学习网络中，得到最终心音分段结果。

2.根据权利要求1所述的一种自动提取心音包络特征的心音分段方法，其特征在于：所述步骤1中，预处理的具体步骤为：

S101：对心音信号进行重采样，降低所述心音信号的频率；

S102：利用5阶巴特沃斯带通滤波器对所述心音信号进行滤波，并对滤波后的心音信号进行归一化处理，归一化函数如下：

其中，X表示所述心音信号的序列，X_min表示所述心音信号序列的最小值，X_max表示所述心音信号序列的最大值。

3.根据权利要求1所述的一种自动提取心音包络特征的心音分段方法，其特征在于：

所述步骤2的具体步骤如下：

S201：对所述心电信号进行预处理；

S202：在所述预处理后的心电信号中寻找R-peak和T-wave end的位置；

S203：利用所述R-peak和T-wave end的位置寻找所述预处理后心音信号中的第一心音S1和第二心音S2的位置，所述R-peak的位置对应于第一心音S1的位置，所述T-wave end的位置对应于第二心音S2的位置；

S204：利用所述第一心音S1和第二心音S2的位置生成分段标签。

4.根据权利要求3所述的一种自动提取心音包络特征的心音分段方法，其特征在于：

所述步骤S204中，所述分段标签生成的具体内容为：

S2101：根据心音信号包络图的自相关系数获取整个心音的持续时间eHR和舒张期持续时间eSys；

S2102：假设第一心音S1持续的时间为dμ_s1，第二心音持续的时间为dμ_s2，即平均舒张期持续时间dμ_siDia＝(eHR-eSys)-dμ_s2 (2)，平均收缩期持续时间dμ_siSys＝eSys-dμ_s1 (3)，结合第一心音S1和第二心音S2的位置即获得第一心音、第二心音、舒张期、收缩期四个阶段的分布，该分布即为所述分段标签。

5.根据权利要求1所述的一种自动提取心音包络特征的心音分段方法，其特征在于：

所述步骤3中，深度学习神经网络构建中的主要内容如下：

S301：利用卷积网络提取心音信号的特征，采用的公式如下：

p(y_j|y＜j，s)＝soft max(g(h_j)) (5)，

h_j＝f(h_j-1，x) (6)，

z_j＝c+Vh_j-1 (7)，

其中，s表示所述深度学习神经网络中卷积网络的卷积层提取的中间特征，y表示预测的目标序列，x表示输入的预处理后心音信号的音频序列，j表示时刻，T表示输出序列的长度，y_j表示j时刻预测的目标序列的一个元素，p(y_i|y＜j，s)表示目标序列的元素在j时刻的预测值由当前的输入的中间特征s和过去的预测值(＜j的时刻)得到，h_j表示模型隐层在j时刻的输出，g是尺度变换函数，对隐层的输出有一个尺度上的变化，z_j表示模型的预测输出结果，Vh_j-1表示一个尺度变换；

S302：利用所述特征得到各个分段标签的概率，其中采用的目标函数为：

其中，U表示输入序列的长度，j表示输出序列的某个时刻，J表示总时刻，Pr(y|x)表示在输入音频序列x的情况下输出y的概率，表示深度学习神经网络模型的预测输出，L_j表示训练深度学习神经网络所用的似然函数。