[发明专利]一种基于深度学习的辅助电子听诊器信号判别方法

权利要求书

1.一种基于深度学习的辅助电子听诊器信号判别方法，其特征在于，包括以下步骤：

步骤1：利用小波变换滤除心音信号的杂音

步骤1.1：心音信号的小波分解

采集心音信号，利用小波分析算法，若原信号s(t)＝A_0，k，则其分解算法为：

其中，t为离散时间序列号，t＝1，2，3....，N；j为层数，j＝1，2，3，...，J，J＝log₂N；H，G分别为小波低通滤波器和带通滤波器系数，A_j，k和D_j，k分别为信号s(t)在第j层的低频部分和高频部分的小波系数；

步骤1.2：小波分解高频系数的阈值量化；对每一层高频系数进行阈值量化处理，采用阈值函数：

其中，λ₁为下阈值；λ₂为上阈值，定义上阈值λ₂＝(a+1)λ₁，0≤a＜1；

步骤1.3：小波的重构；对小波分解后的第J层低频系数和经过阈值量化处理后的第1层到第j层的高频系数进行重构，得到消噪后的信号，重构算法为：

步骤2：利用HMM进行心音信号切分；

步骤3：提取并预处理心音信号的特征；

步骤4：将预处理过后的心音特征送入卷积神经网络CNN进行训练。

2.根据权利要求1所述的一种基于深度学习的辅助电子听诊器信号判别方法，其特征在于，所述的步骤2利用HMM进行心音信号切分；具体为：

心音信号状态定义为S＝{S₁，S₂，...S_N}，定义连续序列为Q，各个状态所处的时间为q_t，定义序列的观察特征O＝{O₁，O₂，O₃，...O_t}，其中O可以是单个特征也可以是多个特征；

定义状态转换矩阵A＝{a_ij}为时间从t到t+1状态从i到j的概率；

a_ij＝(q_t+1＝S_j|q_t＝S_i)

观察概率密度分布B＝{b_j(O_t)}定义为状态j生成输出O_t的概率，假设高斯分布估计每个状态的输出的概率密度：

其中是具有μ_j和∑_j的单个或多变量的高斯分布，分别是状态j中观察的平均值和方差；

初始状态分布定义为π＝{π_i}，其中：

π_i＝P(q₁＝S_i)

由于记录的时刻在心脏周期中的任何时间发生，因此初始状态分布等于状态分布：

π_i＝P(q₁＝S_i)＝P(q_t＝S_i)

在应用HMM之前将估计的参数称为λ：

λ＝{a_ij，μ_j，∑_j，π_i}

与当前状态序列最怕匹配的序列Q*为：

在时间为q_t下，状态为j的概率δ_t(j)：

δ_t(j)≈P(O₁，O₂，...，O_t，q_t＝S_j|λ)

通过之前的状态i最大化概率：

通过初始状态分布初始化：

δ₁(j)＝π_jb_j(O₁)

为了能够追踪最佳的路径，最大化的参数存储在ψ_t中

通过反向追踪ψ_t发现最佳路径

通过最大概率将分配给t＝T的状态来初始化反向追踪：