买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：齐鲁工业大学(山东省科学院);山东省人工智能研究院;山东浪潮智慧医疗科技有限公司;北京嘉和美康信息技术有限公司

摘要：一种基于卷积与通道注意力机制的心音信号分类方法，涉及心音信号技术领域，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。

主权项：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：a获取原始心音信号X；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；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；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；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′；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″；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″′；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″″；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；步骤e包括如下步骤：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；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、LeakyRelu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、LeakyRelu函数、BN层构成，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、LeakyRelu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LeakyRelu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LeakyRelu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′；步骤f包括如下步骤：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，输出得到特征第一空洞卷积块依次由空洞卷积层、LeakyRelu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、LeakyRelu函数、BN层构成，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、LeakyRelu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LeakyRelu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LeakyRelu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f-5将特征特征特征进行拼接操作，得到心音特征X″；步骤g包括如下步骤：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；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、LeakyRelu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、LeakyRelu函数、BN层构成，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、LeakyRelu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LeakyRelu函数、第一BN层、卷积层、第二LeakyRelu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LeakyRelu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g-5将特征特征特征进行拼接操作，得到心音特征X″′。

全文数据：

权利要求：

百度查询： 齐鲁工业大学(山东省科学院) 山东省人工智能研究院 山东浪潮智慧医疗科技有限公司 北京嘉和美康信息技术有限公司 一种基于卷积与通道注意力机制的心音信号分类方法