[发明专利]一种基于深度神经网络的异常心音识别方法

权利要求书

1.一种基于深度神经网络的异常心音识别方法，其特征在于，包括以下步骤：

构建ECAPA-TDNN模型和wav2vec模型；

使用心音数据集训练更新所述ECAPA-TDNN模型和所述wav2vec模型的网络参数，得到ECAPA-TDNN心音识别模型和wav2vec心音识别模型；

采集待识别心音数据集；

将所述待识别心音数据集分割为2s的音频片段；

将所述音频片段输入所述wav2vec心音识别模型进行识别，得到第一结果组；

提取所述音频片段的fbank特征送入所述ECAPA-TDNN心音识别模型，得到第二结果组；

设置阈值，并基于所述阈值对所述第一结果组和所述第二结果组进行异常判断，得到最终结果。

2.如权利要求1所述的基于深度神经网络的异常心音识别方法，其特征在于，

所述wav2vec模型包括卷积神经网络层、Transformer模型和全连接层。

所述ECAPA-TDNN模型包括卷积神经网络层、Attentive Statistics Pooling层、SE-Res2Block层和全连接层。

3.如权利要求2所述的基于深度神经网络的异常心音识别方法，其特征在于，

所述使用心音数据集训练更新所述所述wav2vec模型的网络参数，得到wav2vec心音识别模型的具体方式为：

对心音数据进行分割，得到一维音频信号；

将所述一维音频信号输入所述卷积神经网络层得到潜在心音特征；

将所述潜在心音特征输入所述Transformer模型再次进行特征提取，得到提取特征；

将所述提取特征输入所述全连接层进行softmax分类，得到分类结果；

基于所述分类结果利用损失函数通过反向传播更新网络参数，得到心音识别模型。

4.如权利要求3所述的基于深度神经网络的异常心音识别方法，其特征在于，

所述使用心音数据集训练更新所述ECAPA-TDNN模型的网络参数，得到ECAPA-TDNN心音识别模型的具体方式为：

将心音数据分割为2s的音频片段，并对每个音频片段以25ms窗长，10ms窗移进行分帧提取Fbank特征；

通过卷积神经网络层对所述Fbank特征进行一维卷积操作，得到潜在音频特征；

通过SE-Res2Block层将所述潜在音频特征进行多层SE-Res2Block特征融合，提取全局信息；

对所述全局信息再次进行一维卷积运算，得到最终全局信息；

通过Attentive Statistics Pooling层将所述最终全局信息压缩为3072维的向量；

通过全连接层对所述向量进行softmax分类，得到分类结果；

基于所述分类结果利用损失函数通过反向传播更新网络参数，得到ECAPA-TDNN心音识别模型。

5.如权利要求4所述的基于深度神经网络的异常心音识别方法，其特征在于，

所述损失函数为交叉熵损失函数。

6.如权利要求5所述的基于深度神经网络的异常心音识别方法，其特征在于，

所述设置阈值，并基于所述阈值对所述第一结果组和所述第二结果组进行异常判断，得到最终结果的具体方式为：

将阈值设置为0.8；

若所述分类结果组中，假设基于wav2vec模型的分类结果中心音正常的个数为a1，分类结果中心音异常的个数为b1,基于ECAPA-TDNN的模型分类结果中心音正常的个数为a2，分类结果为心音异常的个数为不b2,若a1+a2/a1+b1+a2+b2大于等于0.8，则认定为心音正常，若b1+b2/a1+b1+a2+b2大于等于0.8则判定为异常，否则认定为音频无效。