[发明专利]一种心音信号分类识别方法及装置

说明书

本发明提供了一种心音信号分类识别方法及装置，其中，心音信号分类识别方法，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；在改进型循环神经网络模型中包括RNN网络和遗传算法网络，遗传算法网络用于对RNN网络的初始权值进行优化，且RNN网络中采用Radam优化算法对权值进行进一步优化，提高心音分类的准确率。

技术领域

本发明涉及信号处理技术领域，尤其涉及一种心音信号分类识别方法及装置。

背景技术

心音信号是心脏收缩舒张时血液与心室和主动脉壁碰撞引起的颤动形成的一种声音信号，能够反映出大量的心血管生理信息与病理信息，临床上用来评估心脏功能状态。现代医学检测方法为了减少对患者的伤害，主要使用无创法来对心脏病进行检测，主要手段包括心音图、心电图、超声心动图和平板血管造影等方法。目前心电图的用途广泛，也是检测心脏传导软管和假肢的最好方法，但不能用来检测心脏先天阀门受损和心脏机械活动受损。例如冠心病中动脉血管的阻塞达到70％～75％以上时，心电图信号才会发生改变，而在心音图中，达到25％就会发生改变。因此，心音分析能够起到早期检查、预防及治疗心脏疾病的作用，是现阶段主流的无创诊断心血管疾病的方法之一，而如何采集高质量的心音信号是基于心音信号的心血管疾病的预防和治疗的关键和难点之一。

发明内容

针对上述问题，本发明提供了一种心音信号分类识别方法及装置，利用优化的循环神经网络对待识别心音信号进行正常与异常的分类，输入为各阶模态分量的瞬时排列熵；不仅避免了经验模态分解导致的模态混叠和虚假分量，而且避免了梯度爆炸，收敛速度过慢，泛化误差大，训练不稳定的缺点，提高了心音分类的准确率，对心音信号的分类与处理具有积极作用。

本发明提供的技术方案如下：

一方面，本发明提供了一种心音信号分类识别方法，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。

另一方面，本发明提供了一种心音信号分类识别装置，包括：

预处理模块，用于获取待识别心音信号，并对其进行预处理操作；

特征向量计算模块，用于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；及用于计算各模态分量瞬时频率的排列熵，组成特征向量；

信号分类识别模块，用于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。

本发明提供的心音信号分类识别方法及装置，至少能够带来以下有益效果：