基于卷积神经网络的心音信号识别

目录

一、引言 

1.研究背景

2.研究方案

二、信号预处理

1.小波去噪

 2.处理效果

 三、特征提取

1.数据筛选

 2.特征提取

四、模型搭建

---

一、引言 

1.研究背景

        心音信号作为生物医学信号中的重要研究对象，具有很高的临床价值，因此对心音信号的分析目前正受到学术界和产业界的重视。PhysioNet Challenge大赛提供了942名患者的数据集，如图1，包括患者的信息以及心音信号。

图1 PhysioNet Challenge提供的数据集

        心音信号是很有节律的周期信号，如图2，可以大致划分为四个周期，S1发生在心动周期的收缩期，频率约为40~60HZ,S2发生在心动周期的舒张期，频率约为60~100HZ.心动周期的时间约为1秒。

图2 心音信号及心动周期示例

2.研究方案

模型训练的步骤共四步，首先对待训练的信号进行去噪，然后进行信号分割，得到长度一致的数据。对分割好的信号进行特征提取，将特征送入神经网络训练，得到分类模型。如图3

图3 模型搭建整体方案

二、信号预处理

1.小波去噪

数据集中提供的心音信号带有杂音。这会对心音分类的预测造成影响。我们采用的去噪方法是小波去噪，小波去噪的原理是信号进行小波变换后