申请/专利权人：浙江大学医学院附属儿童医院;浙江大学滨江研究院

申请日：2021-12-15

公开（公告）日：2024-06-25

公开（公告）号：CN114305484B

主分类号：A61B7/04

分类号：A61B7/04;A61B5/00

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2022.04.29#实质审查的生效;2022.04.12#公开

摘要：本发明提供了基于深度学习的心脏病心音智能分类方法、装置和介质，属于医疗技术领域，它解决了现有基于传统听诊器的人工听诊、判断不客观等问题，一种基于深度学习的心脏病心音智能分类方法，包括如下步骤：步骤S01：获取心音音频信号，对心音音频信号进行预处理，根据预处理后的心音音频信号获取心音周期信息；步骤S02：根据预处理后的心音音频信号和心音周期信息进行特征图提取，获取梅尔频谱图；步骤S03：对深度神经网络模型进行训练；步骤S04：执行步骤S01和步骤S02获取目标心音的多个梅尔频谱图，分别输入训练完毕的深度神经网络模型，获得目标心音的最终分类结果。

主权项：1.一种基于深度学习的心脏病心音智能分类方法，其特征在于，包括如下步骤：步骤S01：获取心音音频信号，对心音音频信号进行预处理，根据预处理后的心音音频信号获取心音周期信息；步骤S02：根据预处理后的心音音频信号和心音周期信息进行特征图提取，获取梅尔频谱图；步骤S03：对深度神经网络模型进行训练；步骤S04：执行步骤S01和步骤S02获取目标心音的多个梅尔频谱图，分别输入训练完毕的深度神经网络模型，获得目标心音的最终分类结果；所述步骤S03中，所述深度神经网络模型包括U型深度神经网络模型，将梅尔频谱图先送入U型深度神经网络模型进行特征下采样，特征下采样包括依次交替进行双卷积操作和最大池化操作，将第n次双卷积操作得到的特征图进行特征上采样；特征上采样包括：第一次：将第n次双卷积操作得到的特征图进行转置卷积操作实现特征上采样，转置卷积操作后得到的特征图和第n-1次双卷积操作得到的特征图拼接在一起，并进行双卷积操作得到第一次特征图；第二次：将第一次特征图进行转置卷积操作实现特征上采样，转置卷积操作后得到的特征图和第n-2次双卷积操作得到的特征图拼接在一起，并进行双卷积操作得到第二次特征图；重复上述步骤，第m次时，将第m-1次特征图进行转置卷积操作实现特征上采样，转置卷积操作后得到的特征图和第1次双卷积操作得到的特征图拼接在一起，并进行双卷积操作得到第m次特征图；将第m次特征图拼接原始输入的梅尔频谱图，得到高维特征图，n和m均为大于2的整数。

全文数据：

权利要求：

百度查询： 浙江大学医学院附属儿童医院;浙江大学滨江研究院 基于深度学习的心脏病心音智能分类方法、装置和介质

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