一种基于卷积与通道注意力机制的心音信号分类方法

本发明涉及心音信号，具体涉及一种基于卷积与通道注意力机制的心音信号分类方法。

背景技术：

1、心音信号是由心脏发出的声音，所以通过心音信号就可以分辨出心脏的不同状态，通过深度学习就可以实现心音信号的异常分类。但是，当前的卷积神经网络提取的特征信息，不能重点学习重要通道上的特征，只能平等对待各个通道上的特征，因此存在参数众多，训练复杂，开销大的弊端。

技术实现思路

1、本发明为了克服以上技术的不足，提供了一种既学习了心音信号的全局特征又学习了心音信号的局部特征的基于卷积与通道注意力机制的心音信号分类方法。

2、本发明克服其技术问题所采用的技术方案是：

3、一种基于卷积与通道注意力机制的心音信号分类方法，其特征在于，包括如下步骤：

4、a)获取原始心音信号x；

5、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；

6、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；

7、d)建立心音分类模型，心音分类模型由第一cbcam模块、第二cbcam模块、第三cbcam模块、全局平均池化层、第一droupout层、第一dense层、第二droupout层、第二dense层、softmax函数构成；

8、e)将第i条心音段xi的特征x′i输入到心音分类模型的第一cbcam模块中，输出得到心音特征x′；

9、f)将心音特征x′输入到心音分类模型的第二cbcam模块中，输出得到心音特征x″；

10、g)将心音特征x″输入到心音分类模型的第三cbcam模块中，输出得到心音特征x″′；

11、h)将心音特征x″′依次输入到心音分类模型的全局平均池化层、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″″；

12、i)将心音特征x″″输入到心音分类模型的softmax函数中，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。

13、进一步的，步骤a)中从physionet2016心音数据库获取原始心音信号x。

14、进一步的，步骤b)中m取值为2.5，不足2.5秒长的心音段进行补零操作。

15、优选的，步骤c)中梅尔倒谱系数维度设置为40，采样率设置为16000hz。

16、进一步的，步骤e)包括如下步骤：

17、e-1)心音分类模型的第一cbcam模块由第一分支、第二分支、第三分支构成；

18、e-2)第一cbcam模块的第一分支由平均池化层、第一空洞卷积块、第二空洞卷积块、第三空洞卷积块构成，将第i条心音段xi的特征x′i输入到第一分支的平均池化层中，输出得到特征第一空洞卷积块依次由空洞卷积层、leaky relu函数、bn层构成，将特征输入到第一分支的第一空洞卷积块中，输出得到特征第二空洞卷积块依次由空洞卷积层、leaky relu函数、bn层构成，将将特征输入到第一分支的第二空洞卷积块中，输出得到特征第三空洞卷积块依次由空洞卷积层、leaky relu函数、bn层、sigmoid函数构成，将特征输入到第三空洞卷积块中，输出得到权重信息将权重信息与第i条心音段xi的特征x′i进行相乘操作，得到特征

19、e-3)第一cbcam模块的第二分支由第一卷积块、第二卷积块、第三卷积块构成，第一卷积块依次由卷积层、relu函数、bn层构成，将第i条心音段xi的特征x′i输入到第一卷积块中，输出得到特征第二卷积块依次由卷积层、relu函数、bn层构成，将特征输入到第二卷积块中，输出得到特征第三卷积块依次由卷积层、relu函数、bn层构成，将特征输入到第三卷积块中，输出得到特征

20、e-4)第一cbcam模块的第三分支由最大池化层、第一深度可分离卷积块、第二深度可分离卷积块、sigmoid函数构成，将第i条心音段xi的特征x′i输入到第三分支的最大池化层中，输出得到特征第一深度可分离卷积块依次由深度可分离卷积层、第一leakyrelu函数、第一bn层、卷积层、第二leaky relu函数、第二bn层构成，将特征输入到第一深度可分离卷积中，输出得到特征第二深度可分离卷积块依次由深度可分离卷积层、第一leaky relu函数、第一bn层、卷积层、第二leaky relu函数、第二bn层构成，将特征输入到第二深度可分离卷积中，输出得到特征将特征输入到第三分支的sigmoid函数中，输出得到权重信息将权重信息与第i条心音段xi的特征x′i进行相乘操作，得到特征

21、e-5)将特征特征特征进行拼接操作，得到包含重要通道特征的心音特征x′。

22、优选的，步骤e-2)中第一空洞卷积块的空洞卷积层的卷积核大小为3×3、dilation rate设置为5、步长为2，第二空洞卷积块的空洞卷积层的卷积核大小为3×3、dilation rate设置为2、步长为2，第三空洞卷积块的空洞卷积层的卷积核大小为3×3、dilation rate设置为1、步长为2；步骤e-3)中第一卷积块的卷积层的卷积核大小为1×1、步长为2，第二卷积块的卷积层的卷积核大小为3×3、步长为2，第三卷积块的卷积层的卷积核大小为1×1、步长为1；步骤e-4)中第一深度可分离卷积块的深度可分离卷积层的卷积核大小为3×3，第一深度可分离卷积块的卷积层的卷积核大小为1×1，第二深度可分离卷积块的深度可分离卷积层的卷积核大小为3×3，第一深度可分离卷积块的卷积层的卷积核大小为1×1。

23、进一步的，步骤f)包括如下步骤：

24、f-1)心音分类模型的第二cbcam模块由第一分支、第二分支、第三分支构成；f-2)第二cbcam模块的第一分支由平均池化层、第一空洞卷积块、第二空洞卷积块、第三空洞卷积块构成，将心音特征x′输入到第一分支的平均池化层中，输出得到特征x11′，第一空洞卷积块依次由空洞卷积层、leaky relu函数、bn层构成，将特征x11′输入到第一分支的第一空洞卷积块中，输出得到特征x12′，第二空洞卷积块依次由空洞卷积层、leaky relu函数、bn层构成，将将特征x12′输入到第一分支的第二空洞卷积块中，输出得到特征x13′，第三空洞卷积块依次由空洞卷积层、leaky relu函数、bn层、sigmoid函数构成，将特征x13′输入到第三空洞卷积块中，输出得到权重信息x14′，将权重信息x14′与心音特征x′进行相乘操作，得到特征x15′；

25、f-3)第二cbcam模块的第二分支由第一卷积块、第二卷积块、第三卷积块构成，第一卷积块依次由卷积层、relu函数、bn层构成，将心音特征x′输入到第一卷积块中，输出得到特征x21′，第二卷积块依次由卷积层、relu函数、bn层构成，将特征x21′输入到第二卷积块中，输出得到特征x22′，第三卷积块依次由卷积层、relu函数、bn层构成，将特征x22′输入到第三卷积块中，输出得到特征x23′；f-4)第二cbcam模块的第三分支由最大池化层、第一深度可分离卷积块、第二深度可分离卷积块、sigmoid函数构成，将心音特征x′输入到第三分支的最大池化层中，输出得到特征x31′，第一深度可分离卷积块依次由深度可分离卷积层、第一leaky relu函数、第一bn层、卷积层、第二leaky relu函数、第二bn层构成，将特征x31′输入到第一深度可分离卷积中，输出得到特征x32′，第二深度可分离卷积块依次由深度可分离卷积层、第一leaky relu函数、第一bn层、卷积层、第二leaky relu函数、第二bn层构成，将特征x32′输入到第二深度可分离卷积中，输出得到特征x33′，将特征x33′输入到第三分支的sigmoid函数中，输出得到权重信息将权重信息与心音特征x′进行相乘操作，得到特征

26、f-5)将特征特征特征进行拼接操作，得到心音特征x″。优选的，步骤f-2)中第一空洞卷积块的空洞卷积层的卷积核大小为3×3、dilation rate设置为5、步长为2，第二空洞卷积块的空洞卷积层的卷积核大小为3×3、dilation rate设置为2、步长为2，第三空洞卷积块的空洞卷积层的卷积核大小为3×3、dilation rate设置为1、步长为2；步骤f-3)中第一卷积块的卷积层的卷积核大小为1×1、步长为2，第二卷积块的卷积层的卷积核大小为3×3、步长为2，第三卷积块的卷积层的卷积核大小为1×1、步长为1；步骤f-4)中第一深度可分离卷积块的深度可分离卷积层的卷积核大小为3×3，第一深度可分离卷积块的卷积层的卷积核大小为1×1，第二深度可分离卷积块的深度可分离卷积层的卷积核大小为3×3，第一深度可分离卷积块的卷积层的卷积核大小为1×1。

27、进一步的，步骤g)包括如下步骤：

28、g-1)心音分类模型的第三cbcam模块由第一分支、第二分支、第三分支构成；

29、g-2)第三cbcam模块的第一分支由平均池化层、第一空洞卷积块、第二空洞卷积块、第三空洞卷积块构成，将心音特征x″输入到第一分支的平均池化层中，输出得到特征第一空洞卷积块依次由空洞卷积层、leaky relu函数、bn层构成，将特征输入到第一分支的第一空洞卷积块中，输出得到特征第二空洞卷积块依次由空洞卷积层、leaky relu函数、bn层构成，将将特征输入到第一分支的第二空洞卷积块中，输出得到特征第三空洞卷积块依次由空洞卷积层、leaky relu函数、bn层、sigmoid函数构成，将特征输入到第三空洞卷积块中，输出得到权重信息将权重信息与心音特征x″进行相乘操作，得到特征

30、g-3)第三cbcam模块的第二分支由第一卷积块、第二卷积块、第三卷积块构成，第一卷积块依次由卷积层、relu函数、bn层构成，将心音特征x″输入到第一卷积块中，输出得到特征第二卷积块依次由卷积层、relu函数、bn层构成，将特征输入到第二卷积块中，输出得到特征第三卷积块依次由卷积层、relu函数、bn层构成，将特征输入到第三卷积块中，输出得到特征

31、g-4)第三cbcam模块的第三分支由最大池化层、第一深度可分离卷积块、第二深度可分离卷积块、sigmoid函数构成，将心音特征x″输入到第三分支的最大池化层中，输出得到特征第一深度可分离卷积块依次由深度可分离卷积层、第一leaky relu函数、第一bn层、卷积层、第二leaky relu函数、第二bn层构成，将特征输入到第一深度可分离卷积中，输出得到特征第二深度可分离卷积块依次由深度可分离卷积层、第一leakyrelu函数、第一bn层、卷积层、第二leaky relu函数、第二bn层构成，将特征输入到第二深度可分离卷积中，输出得到特征将特征输入到第三分支的sigmoid函数中，输出得到权重信息将权重信息与心音特征x″进行相乘操作，得到特征

32、g-5)将特征特征特征进行拼接操作，得到心音特征x″′。优选的，步骤g-2)中第一空洞卷积块的空洞卷积层的卷积核大小为3×3、dilation rate设置为5、步长为2，第二空洞卷积块的空洞卷积层的卷积核大小为3×3、dilation rate设置为2、步长为2，第三空洞卷积块的空洞卷积层的卷积核大小为3×3、dilation rate设置为1、步长为2；步骤g-3)中第一卷积块的卷积层的卷积核大小为1×1、步长为2，第二卷积块的卷积层的卷积核大小为3×3、步长为2，第三卷积块的卷积层的卷积核大小为1×1、步长为1；步骤g-4)中第一深度可分离卷积块的深度可分离卷积层的卷积核大小为3×3，第一深度可分离卷积块的卷积层的卷积核大小为1×1，第二深度可分离卷积块的深度可分离卷积层的卷积核大小为3×3，第一深度可分离卷积块的卷积层的卷积核大小为1×1。

33、本发明的有益效果是：通过空洞卷积与深度可分离卷积，学习不同通道特征，为重要通道特征赋予更高权重，从而提高网络提取特征的能力，实现心音信号的异常分类。