申请/专利权人：山东省人工智能研究院;齐鲁工业大学(山东省科学院)

申请日：2023-06-20

公开（公告）日：2024-03-12

公开（公告）号：CN116778968B

主分类号：G10L25/66

分类号：G10L25/66;A61B7/04;G10L25/30;G10L25/24;G06F18/213;G06F18/2433;G06F18/2415;G06F18/25;G06N3/045;G06N3/0464;G06N3/047;G06N3/048

优先权：

专利状态码：有效-授权

法律状态：2024.03.12#授权;2023.10.10#实质审查的生效;2023.09.19#公开

摘要：一种基于深度可分离卷积与注意力机制的心音分类方法，涉及心音信号技术领域，把心音信号分段，利用注意力机制算法提取到重要心音特征，然后通过深度卷积对每个通道平面上进行卷积运算，提取特征的局部信息，大大降低参数以及运算量，再利用多头注意力机制提取心音特征的全局信息，再对通道进行卷积运算，即在通道维度上提取局部特征，在关注局部特征的同时，也充分兼顾了心音的全局特征信息。

主权项：1.一种基于深度可分离卷积与注意力机制的心音分类方法，其特征在于，包括如下步骤：a获取原始心音信号X；b将原始心音信号X划分为n条心音段x1,x2,...,xi,...,xn，xi为第i条心音段，i∈{1,2,...,n}，每个心音段的长度为m秒；c提取第i条心音段xi的梅尔倒谱系数，得到第i条心音段xi的特征x′i；d建立心音分类模型，心音分类模型由FAP模块、TC模块、DPT模块、FC模块构成；e将第i条心音段xi的特征x′i输入到心音分类模型的FAP模块中，输出得到特征矩阵X1；f将特征矩阵X1输入到心音分类模型的TC模块中，输出得到心音特征g将心音特征输入到心音分类模型的DPT模块中，输出得到心音特征X5；h将心音特征X5输入到心音分类模型的FC模块中，输出得到分类结果；步骤e包括如下步骤：e-1通过公式Qi＝x′i×Wi计算得到第i条心音段xi的特征矩阵Qi，i∈{1,2,...,n}，Wi为随机生成的权重矩阵；e-2通过公式计算得到特征矩阵X1，式中ω为参数，WQ为随机生成的权重矩阵，softmax·为Softmax函数，T为转置，α为阈值，α＝0.25；步骤f包括如下步骤：f-1心音分类模型的TC模块由第一卷积块、第二卷积块、第三卷积块构成；f-2TC模块的第一卷积块依次由卷积层、Relu激活函数层、BatchNormalization批处理归一化层构成，卷积层的积核大小为3×3、通道数为64、步长为2，将特征矩阵X1输入到第一卷积块中，输出得到心音特征f-3TC模块的第二卷积块依次由卷积层、Relu激活函数层、BatchNormalization批处理归一化层构成，卷积层的积核大小为3×3、通道数为64、步长为1、填充为0，将心音特征输入到第二卷积块中，输出得到心音特征f-4TC模块的第三卷积块依次由卷积层、Relu激活函数层、BatchNormalization批处理归一化层构成，卷积层的积核大小为3×3、通道数为64、步长为1，将心音特征输入到第三卷积块中，输出得到心音特征步骤g包括如下步骤：g-1心音分类模型的FAP模块由Transformer模型的位置编码层、第一深度卷积层、第一LayerNorm层批处理归一化层、多头注意力机制、第二LayerNorm层批处理归一化层、卷积层、第一Relu激活函数层、第一BatchNormalization批处理归一化层、第二深度卷积层、第二Relu激活函数层、第二BatchNormalization批处理归一化层构成，第一深度卷积层的卷积核大小为3×3、通道数为32、步长设置为same，卷积层的卷积核大小为1×1、通道数为32、步长设置为same，第二深度卷积层的卷积核大小为3×3、通道数为32、步长设置为same；g-2将心音特征输入到FAP模块的位置编码层中，输出得到心音特征X2，将心音特征X2输入到FAP模块的第一深度卷积层中，输出得到心音特征X2′，将心音特征X2与心音特征X2′进行融合操作，得到心音特征将心音特征输入到FAP模块的第一LayerNorm层批处理归一化层中，输出得到心音特征将心音特征输入到FAP模块的多头注意力机制中，输出得到心音特征将心音特征与心音特征进行融合操作，得到心音特征将心音特征输入到FAP模块的第二LayerNorm层批处理归一化层中，输出得到心音特征将心音特征依次输入到FAP模块的卷积层、第一Relu激活函数层、第一BatchNormalization批处理归一化层后，输出得到心音特征将心音特征依次输入到FAP模块的第二深度卷积层、第二Relu激活函数层、第二BatchNormalization批处理归一化层中，输出得到心音特征将心音特征与心音特征进行融合操作，得到心音特征g-3将心音特征输入到FAP模块的位置编码层中，输出得到心音特征X3，将心音特征X3输入到FAP模块的第一深度卷积层中，输出得到心音特征X′3，将心音特征X3与心音特征X′3进行融合操作，得到心音特征将心音特征输入到FAP模块的第一LayerNorm层批处理归一化层中，输出得到心音特征将心音特征输入到FAP模块的多头注意力机制中，输出得到心音特征将心音特征与心音特征进行融合操作，得到心音特征将心音特征输入到FAP模块的第二LayerNorm层批处理归一化层中，输出得到心音特征将心音特征依次输入到FAP模块的卷积层、第一Relu激活函数层、第一BatchNormalization批处理归一化层后，输出得到心音特征将心音特征依次输入到FAP模块的第二深度卷积层、第二Relu激活函数层、第二BatchNormalization批处理归一化层中，输出得到心音特征将心音特征与心音特征进行融合操作，得到心音特征g-4将心音特征输入到FAP模块的位置编码层中，输出得到心音特征X4，将心音特征X4输入到FAP模块的第一深度卷积层中，输出得到心音特征X′4，将心音特征X4与心音特征X′4进行融合操作，得到心音特征将心音特征输入到FAP模块的第一LayerNorm层批处理归一化层中，输出得到心音特征将心音特征输入到FAP模块的多头注意力机制中，输出得到心音特征将心音特征与心音特征进行融合操作，得到心音特征将心音特征输入到FAP模块的第二LayerNorm层批处理归一化层中，输出得到心音特征将心音特征依次输入到FAP模块的卷积层、第一Relu激活函数层、第一BatchNormalization批处理归一化层后，输出得到心音特征将心音特征依次输入到FAP模块的第二深度卷积层、第二Relu激活函数层、第二BatchNormalization批处理归一化层中，输出得到心音特征将心音特征与心音特征进行融合操作，得到心音特征X5；步骤h包括如下步骤：h-1心音分类模型的FC模块由全局平均池化层、第一Droupout层、第一Dense层、第二Droupout层、第二Dense层、Softmax层构成；h-2将心音特征X5依次输入到FC模块的全局平均池化层、第一Droupout层、第一Dense层、第二Droupout层、第二Dense层中，输出得到心音特征X′5；h-3将心音特征X′5输入到FC模块的Softmax层中输出得到0到1区间的两个概率分布，为0时表示心音信号为正常信号，为1时表示心音信号为异常信号。

全文数据：

权利要求：

百度查询： 山东省人工智能研究院;齐鲁工业大学(山东省科学院) 一种基于深度可分离卷积与注意力机制的心音分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD