本发明涉及心音分类，具体涉及一种基于双谱特征提取和cnn的心音分类算法。
背景技术：
1、心血管疾病是全球死亡率上升的主要原因之一，它严重影响人们的预期寿命。心音信号包含了大量心血管系统的信息，心音信号的分析对于诊断和预防心血管疾病有重要意义。
2、现有的心音分类技术其特征提取主要依赖于二阶统计量作为数学工具；由于这些方法忽略了有用的高阶信息，导致其分类结果难以令人满意；而心音作为时域的高维信号，很难直接对其进行识别；心音的病理及生理特征不仅仅包含在幅度和频率中，本文采用双谱分析，来提取更为丰富的心音特征，从而达到更好的心音分类效果。
3、因此，本文提出一种基于双谱特征提取和cnn的心音分类算法。
技术实现思路
1、本发明的目的在于提供提高心音分类的准确性的一种基于双谱特征提取和cnn的心音分类算法。
2、为了达到上述技术效果，本发明是通过以下技术方案实现的：、一种基于双谱特征提取和cnn的心音分类算法，其特征在于，包括以下步骤：
3、s1、制作心音样本：将心音信号进行降噪和分割，采用截止频率为20～800hz五阶巴特沃斯带通滤波器和小波阈值滤波器对心音降噪处理；根据心音的周期性特点对心音信号分帧加窗分割，分割得到帧长为4s，帧移为2s的样本，对每一帧的样本加汉明窗，得到心音样本；
4、s2、对心音样本进行高阶谱分析：采用高阶谱中的三阶谱对上述心音样本进行分析计算，计算方法为非参数直接计算法；首先对心音样进行1024点的傅里叶变换，然后计算其系数的三重相关，最后得到一个1024×1024的二维复数矩阵，再结合心音的频谱特征和三阶谱的对称性特点截取特征图，最后得到一个大小为102×102的心音样本特征图；
5、s3、构建cnn对上心音样本特征图进行分类识别，该cnn有三层卷积层和两层全连接层，输出层采用sigmoid激活函数对结果进行预测，将0.5作为阈值，当sigmoid函数的输出大于0.5时，模型将样本分类为正类别；当输出小于0.5时，模型将样本分类为负类别。
6、进一步的，s1中，所述制作心音样本具体包括以下步骤：
7、s1.1、将心音信号根据fs＝2khz进行采样，得到原始心音信号，将原始心音信号输入滤波器采用截止频率为20～800hz的五阶巴特沃斯带通滤波器进行初步降噪，得到初步心音信号；
8、s1.2、将得到的初步心音信号输入到小波阈值滤波器进行二次降噪处理；小波基函数采用coift-5，对心音信号进行五阶分解，得到细节系数和相似系数；根据心音频谱范围分析得出只需进一步分析四层五层的细节系数即可，于是设置阈值筛选出这两层系数；最好得到降噪后纯净心音信号；
9、s1.3、根据心音的周期性特点对得到的纯净心音信号分帧加窗分割，将纯净心音信号数据分帧为帧长4s，帧移2s的单帧心音信号；
10、s1.4、对得到的单帧心音信号进行加汉明窗操作，汉明窗函数为：
11、
12、式中l为汉明窗长度，n为随机变量，由此即可得到心音样本。
13、进一步的，s2中，所述对心音样本进行高阶谱分析具体包括以下步骤：
14、s2.1、将信号{x(0)，x(1)，…，x(n-1)}数据分为k段,每段包含m个样本，允许两段相邻数据之间有重叠，本文取50％的重复率，第k段x(k)记为：x k(0)，x k(1)，…，x k(m-1)；其中k＝0，1，…，k；计算每段的傅里叶系数：
15、
16、其中λ＝0，1，2，…，m/2；k＝1，2，…，k；
17、计算傅里叶系数的三重相关：
18、
19、其中，δ0＝fs/n0；0≤λ2≤λ1，λ1+λ2≤fs/2；k＝1，2，…，k；且n0和l1应选择满足m＝(2l1+1)n0的值；
20、由k段双谱估计的均值可以求出给定样本信号的双谱：
21、
22、其中，ω1＝((2πfs)/n0)λ1，ω2＝((2πfs)/n0)λ2；
23、s2.2、根据异常心音分布不均的特点，蒋此处均值计算改为标准差计算，得到更合适的双谱特征矩阵；
24、s2.3、将上述得到的复数矩阵取实部，再经归一化到0～255之间，最终得到实矩阵；
25、s2.4、将实矩阵根据心音有效频谱特点以及双谱对称性特点进行截取，最终得到大小为102×102的心音特征图；
26、s2.5、根据心音双谱特征图低灰度区域也存在很多原始心音信号的特点，对心音特征图进行非线性图像增强，采用对数变换：
27、s＝clogv(r+1)，
28、式中r为输入，s为输出，v为底数，c为倍数因子，本文中取：c＝255/log(1+max(r))；处理特征图，其中对数变换底数v＝10；然后根据心音有效频谱范围以及双谱对称性原理截取特征图，最后得到本算法提取到的心音双谱特征图。
29、进一步的，s3中，所述构建cnn对上心音样本特征图进行分类识别具体包括以下步骤：
30、s3.1、将心音双谱特征图作为卷积神经网络的输入，利用卷积神经网络对图像的超强分类识别性能实现对心音的正常异常分类识别；构建一个浅层的卷积神经网络，其具有三层卷积层，两层全连接层，输出层为一个神经元；
31、s3.2、激活函数选用线性整流函数(rectified linear unit，relu)；池化选择最大池化；展开心音双谱特征图为一个向量，通过一个128个神经元的全连接层传输到输出层，使用输出层抑制过拟合，设置阈值为0.5；
32、s3.3、输出层的神经元采用sigmoid函数作为激活函数；当sigmoid函数的输出大于0.5时，模型将样本分类为正类别；当输出小于0.5时，模型将样本分类为负类别。
33、进一步的，所述三个卷积层，前两层为32个卷积核，最后一层为64个卷积核。
34、本发明的有益效果是：
35、本发明利用改进的心音特征双谱图作为输入，有效的提升卷积神经网络对心音信号的识别准确率；本发明使用了巴特沃斯滤波器级联小波阈值滤波器对心音降噪，达到更好的降噪效果，得到更纯净的心音信号；本发明中卷积神经网络的三个卷积层卷积核个数分别为32、32、64，且本技术无级联其他网络分类器，模型参数相比于已有装置来说更低，对设备要求更低，更有利用实际应用中；
36、本发明在已有的双谱分析基础上，将经双谱变换得来的二维复数矩阵进行进一步处理，取复数矩阵的实部得到二维幅度实数矩阵，这更有利于后续处理，然后对特征矩阵进行非线性归一化处理，增强其低灰度值区域，采用的对数变换法，底数为10；使提取的双谱特征所包含信息更加丰富，有利于提升后续信号的分类识别准确率；同时本发明采用非参数直接计算法计算三阶累积量，根据异常心音在整条心音样本中分布不均的特点，将双谱计算的均值计算改为标准差计算，得到包含信息量更多的心音信号。
1.一种基于双谱特征提取和cnn的心音分类算法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于双谱特征提取和cnn的心音分类算法，其特征在于，s1中，所述制作心音样本具体包括以下步骤：
3.根据权利要求1所述的一种基于双谱特征提取和cnn的心音分类算法，其特征在于，s2中，所述对心音样本进行高阶谱分析，采用非参数直接计算法，具体包括以下步骤：
4.根据权利要求1所述的一种基于双谱特征提取和cnn的心音分类算法，其特征在于，s3中，所述构建cnn对上心音样本特征图进行分类识别具体包括以下步骤：
5.根据权利要求4所述的一种基于双谱特征提取和cnn的心音分类算法，其特征在于，所述三个卷积层，前两层为32个卷积核，最后一层为64个卷积核。
