基于混合神经网络的心音分类方法研究.pdf

基于混合神经网络的心音分类方法研究

摘要

心血管疾病是目前全球范围内最主要的健康问题之一，早期心血管疾病的诊断对于

治疗和预防该疾病至关重要。心音信号反映心脏健康状况，随着机器学习的快速发展，

心音自动分析技术逐渐成为研究热点。心音自动分类识别能提供一个更加精准和快捷的

检查方法。因此，心音分类研究对于辅助诊断早期心血管疾病有着重要意义。本研究使

用神经网络对心音信号进行正常和异常的分类，主要工作如下：

1

（）考虑心音信号包含的时域和频域信息，对经过预处理的心音信号，提取频域特

CNNLSTMCRNNConvolutionalRecurrentNeural

征，提出了一种基于和的混合模型（

Network）的分类方法，首先经过连接大感受野空间特征提取模块，其卷积操作采用空洞

卷积的方式，以增大卷积层的感受野，同时加入残差连接，避免了梯度消失问题。然后

输入时间信息提取模块，其包含长短期记忆层，可提取其时域信息，取得了比单一使用

卷积神经网络或长短期记忆网络的模型更好的效果，进行对比实验，证明残差和空洞卷

积的能提升模型的分类效果。

2

（）针对当前心音分类算法使用模型单一问题，提出了一种基于时频分量注意力

ARNNAttentionRecurrentNeuralNetwork

的混合模型（）的心音分类方法。模型使用时

频分量注意力层替代卷积层，对时域的分向量和频域的分向量特征的进行注意力计算提

取特征，同时并行使用长短期记忆层提取特征，融合提取的特征进行分类。使用多个数

据集融合，同时平衡正负样本比例，分类效果进一步提升。使用多源输入，心音序列作

为输入一，使用长短期记忆层提取时序特征，频谱图作为输入二，经注意力计算提取的

频域特征，进行融合，取得了较好的分类效果。使用多种音频特征进行实验，均取得了

较好的分类效果。

本研究所提出的混合模型在公开数据集上，取得了90.57%的准确率。使用自注意力

层代替卷积层改进模型后，在数据集上取得了91%以上的平均准确率，效果明显提升。

扩充数据和平衡正负样本后，使用多种特征对模型的有效性进行测试，取得的最高准确

95.5%95.7%95.3%0.7%3%

率、敏感性和特异性分别为、和，优于对比的最好方法、和

0.4%，且各项指标非常均衡。结果表明，本研究提出的心音分类模型能取得较好的效果，

证明注意力机制在心音分类任务上的可行性。

关键词：心音分类；深度学习；卷积神经网络；注意力机制

基于混合神经网络的心音分类方法研究

Abstract

Cardiovasculardiseaseisoneofthemostimportanthealthproblemsworldwide.Early

diagnosisofcardiovasculardiseaseisessentialforthetreatmentandpreventionofthisdisease.

Heartsoundsignalsreflectthehealthstatusoftheheart.Withtherapiddevelopmentofmachine

learning,heartsoundautomaticanalysistechnologyhasgraduallybecomearesearchhotspot.

Automaticclassificationandrecognitionofheartsoundscanprovideamoreaccurateandfast

inspectionmethod.