基于时空注意力特征融合模型的异常心音检测方法

本发明涉及疾病筛查，具体涉及一种基于时空注意力特征融合模型的异常心音检测方法。

背景技术：

1、心血管疾病(cardiovascular diseases，cvd)包括心律失常、高血压、冠心病、心力衰竭、脑血管疾病等，是全球主要致死疾病之一。根据国家心血管病中心组织编写的《中国心血管疾病报告2018》可知，2017年存在心血管病人2.9亿左右；据《中国心血管健康与疾病报告2020》披露，2019年中国心血管病患者达到3.3亿左右。仅仅两年时间，患病人数增长了四千万，可见心血管病患病率在快速上升。而且在所有疾病死亡因素中，心血管疾病位居首位，远超肿瘤、呼吸疾病等其他死亡因素。此外，心血管疾病治疗费用高昂，从总量上看，2018年治疗总费用近6000亿元，居于各类疾病首位，占总费用的16.92％，相当于当年gdp的0.65％；从增量上看，其在2012年的费用中占比16.38％，达到2870亿元，远超我国gdp增速。并且心血管疾病的治疗费用会随着年龄的增长而增加，所以如果不能及早地对心血管疾病进行干预，治疗费用会大幅增加，尤其对普通家庭来讲，将是巨大的灾难。

2、综上可知，心血管疾病不但患病率、死亡率、治疗费用及其之高，并且患病率仍会持续上升，严重威胁着人类的生命安全，急需找到相应的解决措施。

3、目前，听诊器听诊是诊断心脏疾病最常用的方法，当心脏中的血液流动时，医生可以使用听诊器听取心脏瓣膜发出的声音，根据声音判断心脏是否存在任何异常，但是，通过听诊器听诊有很多限制。听诊器完全依赖于医生自身的判断，医生的听觉能力、知识经验都会对诊断结果产生很大的影响，所以听诊器听诊对医生提出了极高的要求，而具备这种听诊能力的医生并不是很多，尤其在不发达的县城、乡镇更是少之又少，所以极为可能出现诊断错误的情况；另外，由于人体的自身特性，人耳只能听到一定频率范围内的声音，识别不出过低或过高频率的声音，在听诊时往往会遗漏一些重要信息，有可能导致诊断失误。为此研究一种能够克服听诊局限性、准确识别心脏疾病的方法时非常有必要的。

4、心音是由心脏机械运动产生的一种微弱的生理信号，其信号的变化可间接反映心脏及动脉血管是否出现异常。当心脏及动脉血管出现异常时，该心音信号中能够体现出相应的病理信息，因此分析心音信号能够实现对心血管疾病的鉴别。心音信号表现为音频或者图形的形式，记录了心音的时间序列结果，其蕴含了人耳听不到的频率信息，弥补了听诊检测的弊端，并且非常方便储存与分析。为此借助计算机工具，对心音信号进行分析，实现对正常与异常心音信号的准确分类，来检测心脏是否发生病变，进而实现提早干预治疗。

5、在目前所提出的心音分类算法中，可以将包含分割步骤和不包含分割步骤划分为两类。现有通过对随机选取的361例先心病心音信号，进行去噪、提取包络和分段定位预处理，得到每一个心动周期，然后采用s变换提取一个心动周期的特征参数，最后通过反向传播(back propagation，bp)神经网络分类，得到了80.4％的识别率。另外，现有基于challenge 2016数据集，通过循环自相关划分心动周期，采用双线性插值法提取每个心动周期的功率谱密度时频特征，输入到卷积神经网络中进行分类，精度达到0.8472，整体性能良好。上述都是对于包含分割步骤的心音信号分类的研究，但是心音分割存在一定的局限性。心音分割存在一定的局限性的原因在于：由于心音信号的非平稳性和易受噪声干扰的特点，心音难以准确分割。最重要的是，识别心音的根本目的并不在于分割心音，而在于准确识别正常和异常心音。

6、现有异常心音检测方法存在的不足包括：

7、(1)用听诊器听诊来诊断心脏疾病完全依赖于医生自身的判断，而且在听诊时往往会遗漏一些重要信息，有可能导致诊断失误，异常心音检测准确性较低。

8、(2)借助心音分割的分类方法，结果极易受心音分割的准确性影响，而且心音分割一般比较花费时间、工作量较大且难以实现准确分割，异常心音检测效率和准确度较差。

9、(3)分类结果一般会受到多种因素的影响，而且特征的影响尤为重要，但是时频特征、频域特征和小波包能量特征等常用特征存在一些不足之处，导致分类结果准确性较低，也就是异常心音识别准确性较低。

技术实现思路

1、为了解决上述现有异常心音检测方法的异常心音识别准确性较低的技术问题，本发明的目的在于提供一种基于时空注意力特征融合模型的异常心音检测方法，所采用的技术方案具体如下：

2、本发明一个实施例提供了一种基于时空注意力特征融合模型的异常心音检测方法，该方法包括以下步骤：

3、获取心音信号数据，对所述心音信号数据进行预处理，获得预处理后的心音信号数据；

4、对所述预处理后的心音信号数据进行特征提取，确定各个心音信号特征数据；

5、通过构建的cnn-tcn-attention网络模型，对所述各个心音信号特征数据进行多源特征融合和心音分类，获得所述心音信号数据的分类结果。

6、进一步地，所述对所述预处理后的心音信号数据进行特征提取，确定各个心音信号特征数据，包括：

7、利用小波散射变换，提取所述预处理后的心音信号数据的特征，获得二维心音信号特征；

8、利用梅尔频率倒谱系数算法，提取所述预处理后的心音信号数据的特征，获得第一一维心音信号特征；

9、利用希尔伯特黄变换，提取所述预处理后的心音信号数据的特征，获得第二一维心音信号特征；

10、所述各个心音信号特征数据包括所述二维心音信号特征、所述第一一维心音信号特征以及所述第二一维心音信号特征。

11、进一步地，所述通过构建的cnn-tcn-attention网络模型，对所述各个心音信号特征数据进行多源特征融合和心音分类，获得所述心音信号数据的分类结果，包括：

12、将二维心音信号特征输入到二维cnn中，将第一一维心音信号特征和第二一维心音信号特征相结合输入到tcn中，将二维cnn和tcn的输出结果相结合，获得多源融合特征向量；

13、将所述多源融合特征向量输入到dropout层中，利用dropout层对所述多源融合特征向量进行处理，获得dropout层输出的特征向量；

14、将所述dropout层输出的特征向量输入到全连接层中，利用全连接层学习所述dropout层输出的特征向量的全局特征，获得全连接层输出的特征向量；

15、将所述全连接层输出的特征向量输入到注意力层，对所述全连接层输出的特征向量加入注意力机制进行赋权，获得注意力层输出的特征向量；

16、将所述注意力层输出的特征向量输入到softmax层中，对所述注意力层输出的特征向量进行心音分类处理，获得所述心音信号数据的分类结果。

17、进一步地，所述对所述心音信号数据进行预处理，获得预处理后的心音信号数据，包括：

18、利用巴特沃斯带通滤波，对所述心音信号数据进行去噪处理，获得去噪处理后的心音信号数据；

19、对去噪处理后的心音信号数据进行等时长分段处理，获得各个心音信号段；

20、对各个心音信号段中的每个采样点进行归一化处理，获得归一化后的各个心音信号段，将所述归一化后的各个心音信号段确定为预处理后的心音信号数据。

21、进一步地，对各个心音信号段中的每个采样点进行归一化处理的表达式为：

22、

23、式中，x′(n)为各个心音信号段中的第n个采样点对应的归一化数值，x(n)为各个心音信号段中的第n个采样点，min(x)为各个心音信号段中的最小幅度值，max(x)为各个心音信号段中的最大幅度值。

24、本发明具有如下有益效果：

25、本发明提供了一种基于时空注意力特征融合模型的异常心音检测方法，该异常心音检测方法利用计算机工具对心音信号进行分析达到鉴别心血管疾病的目的，实现了对心音信号的准确分类，也就是可以准确识别出异常心音信号，该异常心音检测方法为医学上的临床诊断提供一定意义上的参考。对心音信号数据进行预处理，可以有效避免外界因素对心音信号数据的影响，有助于获得更准确的心音信号数据，为实现心音信号的准确分类提供了一定的帮助；确定各个心音信号特征数据，从多个不同的角度分析预处理后的心音信号数据的特征，可以获得多个不同的心音信号特征数据，结合了不同特征的优点，有助于后续获得更准确的心音分类结果；构建的cnn-tcn-attention网络模型，结合卷积神经网络和时序卷积神经网络，有助于对不同角度分析获得的各个心音信号特征数据进行多源特征融合，使得在处理时序信息和频域信息的同时保留心音信号的时间特征和频率特征；此外，cnn-tcn-attention网络模型引入了注意力机制，有助于实现自适应地提取特征，其显著提高了网络模型的灵活性和鲁棒性；通过构建的cnn-tcn-attention网络模型，对各个心音信号特征数据进行多源特征融合和心音分类，可以充分挖掘多种特征之间的互补性，有助于提高异常心音识别的准确性，主要应用于异常心音检测领域。