[发明专利]一种基于深度神经网络的异常心音识别方法

说明书

本发明涉及数据处理技术领域，具体涉及一种基于深度神经网络的异常心音识别方法，构建ECAPA‑TDNN模型和wav2vec模型；使用心音数据集训练更新ECAPA‑TDNN模型和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；将待识别心音数据集分割为2s的音频片段；将音频片段输入wav2vec心音识别模型进行识别，得到第一结果组；提取音频片段的fbank特征送入ECAPA‑TDNN心音识别模型，得到第二结果组；设置阈值，并基于阈值对第一结果组和第二结果组进行异常判断，得到最终结果，提高了识别得到的分类结果的可信度，提高了准确率，解决了现有的心音识别方法对心音的识别的准确率较差的问题。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于深度神经网络的异常心音识别方法。

背景技术

传统心音识别，一般分为三个部分：心音预处理、心音分段、心音分类。由于心音是由电子仪器采集得来。在采集的过程中受到环境因素，设备因素的影响，导致部分采集来的数据噪音大，不可用，所以在传统心音识别往往需要对心音数据做预处理，预处理一般是指对心音信号判定心音数据是否可用。

传统的心音识别使用提取MFCC特征—音频特征作为分类特征，而众所周知，MFCC特征是针对语音信号，符合语音发声的仿生特征，在语音方向取得了很好的效果，但是心音和语音信号虽然都是声音，但发声机制，声音采集设备都不同，MFCC特征并不是很适合心音识别。

发明内容

本发明的目的在于提供一种基于深度神经网络的异常心音识别方法，旨在解决现有的心音识别方法对心音的识别的准确率较差的问题。

为实现上述目的，本发明提供了一种基于深度神经网络的异常心音识别方法，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。

其中，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。

其中，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。

其中，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：