论文部分内容阅读
心脏听诊在心脏病诊断方面具有重要意义,心脏听诊是临床上作为先天性心脏病初诊和筛查的主要手段。但往往需要丰富的临床经验,很容易受外部环境、主观因素等干扰出现误诊。因此,通过数字信号处理技术研究心音信号、尤其是通过深度学习算法进行分析处理是非常有意义的,有助于实现机器辅助诊断。本文首先通过对心音信号进行归一化香农能量提取心音信号的特征参数作为特征向量,利用一维卷积神经网络对正常和先心病心音信号进行识别。本文的主要研究内容包括:1.预处理。针对采集的心音信号中不可避免的噪声,对心音信号进行小波软阈值法去噪。2.特征提取。针对心音信号非线性特性,提出基于归一化香农能量方法提取心音信号的特征参数,并进行格式转换与存储。3.分类识别。针对特征向量的一维特性,提出一维卷积神经网络(1D-CNN)方法、一维卷积神经网络(1D-CNN)与长短期记忆网络(LSTM)相结合方法对正常、异常心音信号进行二分类识别。研究工作用2307例心音样本,其中2001例为正常心音样本,306例为病理心音样,分为训练集:1739例(正常1501例,异常229例),测试集:577例(正常500例,异常77例)本进行了训练和测试。最终一维卷积神经网络(1D-CNN)识别准确率为93.7%,一维卷积神经网络(1D-CNN)与长短期记忆网络(LSTM)相结合识别准确率为91.8%,说明了两种网络在心音信号的识别上具有较好的效果。