论文部分内容阅读
在医疗临床上,心音听诊是医生检查心脏的重要方法,也是诊断心脏病的主要依据。心音听诊是指通过在胸壁一定部位用听诊器听取心脏舒张收缩时产生的声音,获得心血管的血流动力学的变化情况,对心脏病的早期诊断具有重要意义。但是,心音听诊结果的准确性很大程度上受到人耳听力敏感局限性和医生的临床医学知识水平和经验的影响,统计表明即使心脏病专家的诊断准确率也仅在80%左右,误诊可能导致患者错失早期预防或者治疗的最佳时机。随着数字病理学的发展,利用人工智能方法来分析心音听诊信号进行诊断分类预测成为了研究的热点问题。通常基于深度学习的心音听诊的方法是对分割后的音频信号提取其时域或者频域特征,但是这种方法会丢失心音信号的时间序列信息,本文研究了直接针对时间序列特征的心音听诊信号的分类。首先,提出一种基于双正交小波基和小波熵的心音信号的预处理方法;然后提出了一种基于TCN-LSTM的时间序列心音听诊信号分类方法;进一步,为了提高在不同域之间心音信号的分类模型稳定性,提出了一种基于领域自适应的时间序列心音听诊信号分类方法。本文的主要工作有以下三点。(1)时间序列心音听诊信号的预处理提出了基于双正交小波基和小波熵的心音信号预处理方法,该方法首先针对心音信号中的噪声,使用双正交小波基对音频数据进行去噪处理,然后计算出可用心音的小波熵范围,过滤掉小波熵不在这个范围内的模糊心音,实现了心音数据的预处理工作。(2)提出了一种基于TCN-LSTM的时间序列心音听诊信号分类方法针对预处理好的时间序列心音听诊信号,提出了一种基于TCN-LSTM的分类方法,该方法首先基于Shapley可解释特征选择方法对心音听诊信号的梅尔倒谱特征进行挑选,计算不同特征对模型的贡献程度(即Shapley值)来反映单个特征在特征组的重要性,将排序后的特征组合输入分类模型,挑选出结果最好的特征组合为最终的输入特征;然后针对时间序列心音特征,提出了一种三层TCN-LSTM网络架构,该模型由三层TCN(Time Convolutional Network,TCN)和一层LSTM((Long Short-Term Memory,LSTM)组成,TCN能够并行处理时间序列数据,而LSTM适合处理像音频特征时间步较长的数据,将两者结合实现心音数据时间序列特征的分类。(3)提出了一种基于领域自适应的时间序列心音听诊信号分类方法为了提高心音信号分类模型的泛化能力,本文根据迁移学习的方法提出了一种领域自适应的时间序列心音听诊信号分类方法。在不同数据集的采集过程中,由于采集环境、采集设备和传感器的不同造成的差异,寻求一个适当的度量方法来衡量源领域和目标领域之间的数据分布差异并减少此差异是领域自适应学习的一个重要思路。基于tConv变体网络架构模型和因果样本权重提出一种心音信号的领域自适应方法,该模型由gammatone tConv变体模块和因果样本权重模块组成,gammatone tConv变体模块由一种带有分支1D-CNN的新型tConv层组成,作为心音检测模型的前端,通过给每一个样本赋予使用随机傅里叶特征方法(Random Fourier Features,RFF)方法提取出的样本权重来优化最终损失。实验结果表明,相比传统的特征提取模型,本文的方法在训练集和验证集之间有域偏移时更具有鲁棒性和稳定性,受采集设备、采集环境和传感器的影响比较小,泛化能力更强。