从心电信号分类过渡到心音信号分类

最新推荐文章于 2025-03-06 12:52:56 发布

原创

最新推荐文章于 2025-03-06 12:52:56 发布 · 2.4k 阅读

标签

#信号处理 #神经网络

本文介绍了一种使用卷积神经网络（CNN）对心音信号进行异常/正常分类的方法。通过端到端的CNN模型，对一维心音信号进行处理，每个256个采样点对应一个标签。网络结构包含多个ResNet块，逐步下采样，最终通过Softmax层输出类别。数据预处理确保了不同数据集的标准统一，训练脚本包括模型构建、训练和验证。预测时，利用归一化的预处理信息。对于心音信号分类，提出了修改网络结构、引入频域特征或使用循环神经网络的建议。

首先刚接手这种关于信号的分类问题，以下可能会有不对的地方，接下去通过学习会对不正确的地方进行更正或者补充。

心电信号分类参考文献：Cardiologist-LevelArrhythmiaDetectionwithConvolutionalNeuralNetworks
目标：对传感器采集的某一维信号数据（time-amplitude）进行分类，比如通过一段一维心音信号进行正常/异常的分类。

方法：这里采用端到端通过卷积神经网络的方式对一段时域的一维心音信号得到正常/异常的类别诊断（本质是分类模型的搭建），卷积神经网络使用参考文献中的，结构如下所示：

网络结构参数：

输入shape：（batch_size,steps,1)，steps必须是256的倍数，对应的label shape：（batch_size,steps/256,class_number)，由于网络下采样256倍，这样最后feature map的输出shape（无Flatten层，所以输出有3个维度）：（batch_size，steps/下采样倍数256，softmax_class_number)与label shape才能匹配上。从这里可以看出，对应输入的steps个采样点，每256个采样点有一个label，那么steps个采样点就有steps/256个label

网络从input->output共下采样256倍（每两个resnet block进行2倍下采样）

共16个resnet block，每四个resnet block增加2倍滤波器的数量，分别为32，64，128，256

卷积核：1*1 kernel size

Maxpooling中设置padding=‘same’

具体方法：

1、心音数据预处理：

原因：不同数据集的音频数据制作标准会有差异，这种差异包括：音频采样率，通道数，长短，降噪法，尺度等，所以在对所有数据集进行融合之前需要最大可能地统一这些标准。

2、特征提取：

心音信号有时域特征和频域特征，由于这里借鉴的是心电信号的分类模型，所以这里只采用一维的时域特征进行分类模型的搭建，即直接拿一维心音信号的采样点强度作为输入（输入的steps必须是256的倍数，且每256个采样点有一个label）。

代码实现：

（1）分类模型的搭建：

from keras import backend as K

def _bn_relu(layer, dropout=0, **params):
    from keras.layers import BatchNormalization
    from keras.layers import Activation
    layer = BatchNormalization()(layer)
    layer = Activation(params["conv_activation"])(layer)

    if dropout > 0:
        from keras.layers import Dropout
        layer = Dropout(params["conv_dropout"])(layer)

    return layer

def add_conv_weight(
        layer,
        filter_length,
        num_filters,
        subsample_length=1,
        **params):
    from keras.layers import Conv1D 
    layer = Conv1D(
        filters=num_filters,
        kernel_size=filter_length,
        strides=subsample_length,
        padding='valid',
        kernel_initializer=params["conv_init"])(layer)
    return layer


def add_conv_layers(layer, **params):
    for subsample_length in params["conv_subsample_lengths"]:
        layer = add_conv_weight(
                    layer,
                    params["conv_filter_length"],
                    params["conv_num_filters_start"],
                    subsample_length=subsample_length,
                    **params)
        layer = _bn_relu(layer, **params)

最低0.47元/天解锁文章