1.一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:
2.根据权利要求1所述的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:步骤a)中从physionet2016心音数据库获取原始心音信号x。
3.根据权利要求1所述的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: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。
4.根据权利要求1所述的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:步骤c)中梅尔倒谱系数维度设置为40,采样率设置为16000hz。
5.根据权利要求1所述的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,步骤e)包括如下步骤:
6.根据权利要求5所述的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: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。
7.根据权利要求1所述的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,步骤f)包括如下步骤:
8.根据权利要求7所述的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: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。
9.根据权利要求1所述的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,步骤g)包括如下步骤:
10.根据权利要求9所述的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: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。