[发明专利]一种心音信号分类识别方法及装置

权利要求书

1.一种心音信号分类识别方法，其特征在于，包括：

S10获取待识别心音信号，并对其进行预处理操作；

S20对预处理后的心音信号进行自适应噪声完备经验模态分解，获得从高频到低频的模态分量，并对其进行希尔伯特变换得到各模态分量的瞬时频率；

S30计算各模态分量瞬时频率的排列熵，组成特征向量；

S40将特征向量输入预先配置的改进型循环神经网络模型，实现对心音信号的分类识别；在所述改进型循环神经网络模型中包括RNN网络和遗传算法网络，所述遗传算法网络用于对所述RNN网络的初始权值进行优化，且所述RNN网络中采用Radam优化算法对权值进行进一步优化。

2.如权利要求1所述的心音信号分类识别方法，其特征在于，步骤S10中，预处理操作包括：

采用低通滤波器对获取的待识别心音信号进行过滤，将频率在300Hz以上的噪声滤除；

采用陷波器进一步对50Hz的工频干扰进行过滤，完成对待识别心音信号的预处理操作。

3.如权利要求1所述的心音信号分类识别方法，其特征在于，在步骤S20对预处理后的心音信号进行自适应噪声完备经验模态分解，获得预设数量的从高频到低频的模态分量，并对其进行希尔伯特变换得到各模态分量的瞬时频率中，包括：

S21于预处理后的心音信号中加入高斯白噪声，构造新的心音信号：

x_j(t)＝x(t)+σ₀w^j(t)

其中，x(t)表示t时刻预处理后的心音信号，σ₀表示一阶噪声标准差，w^j(t)表示服从N(0,1)分布的白噪声，j表示添加高斯白噪声的次数，j＝1,2,…,N；

S22对新的心音信号进行N次CEEMDAN分解，其中，在第k层分解中，t时刻k阶余量信号r_k(t)表示为：

k+1阶模态分量表示为：

其中，表示t时刻k阶模态分量，r_k-1表示k-1阶余量信号；M_a[·]表示第a阶IMF模态算子，σ_k表示k+1阶噪声标准差；

S23对各阶模态分量进行希尔伯特变换，其中，第k阶模态分量希尔伯特变换后的瞬时频率为：

4.如权利要求1-3任意一项所述的心音信号分类识别方法，其特征在于，在步骤S40将特征向量输入预先配置的改进型循环神经网络模型，实现对心音信号的分类识别之前，包括对改进型循环神经网络模型进行训练的步骤，包括：

S41基于步骤S10～S30对心音信号样本进行处理得到包括k个特征向量的数据样本，并将该数据样本分为训练集与测试集；

S42构建改进型循环神经网络初始模型，包括确定初始模型的拓扑结构和初始权值、阈值长度，并利用遗传算法对初始值进行二进制编码；

S43计算种群中每个个体的适应度值，并标记最优IMF分量的编号；以RNN网络输出预测值与实际值的误差平方和SSE的倒数作为适应度函数：

其中，N′表示RNN网络输出节点数；y_n′表示RNN网络第n个节点的实际输出，表示RNN网络第n个节点的预测输出；

S44通过选择、交叉、变异操作得到最优解赋予模型初始权值和阈值；

S45设置Radam优化算法的超学习率参数，给每个权重参数设置不同的学习率，经过训练得到适用于心音分类的改进型循环神经网络模型；

S46将RNN网络在测试集上的预测结果反归一化，判断测试集的分类结果为正常或者异常病例，得到心音分类准确率，完成对训练后改进型循环神经网络模型的测试。