本發(fā)明涉及休克預(yù)警領(lǐng)域，具體涉及一種基于心音分析的休克分類方法、裝置、設(shè)備及介質(zhì)。

背景技術(shù)：

1、休克是一種組織灌注不足、機(jī)體氧代謝障礙的急性狀態(tài)，其發(fā)病原因多樣，是極易導(dǎo)致循環(huán)衰竭、嚴(yán)重危及生命的急癥。休克的早期發(fā)現(xiàn)和治療意義重大。例如，在不同類型的休克中，由創(chuàng)傷失血導(dǎo)致的低容量性休克的發(fā)病率較高，約為10％～30％，這些患者受傷后的第1個(gè)小時(shí)被稱為“黃金1小時(shí)”，且在6小時(shí)內(nèi)的死亡率最高，因此及時(shí)救治至關(guān)重要。對于四種不同類型的休克，其治療方案各異，因此早期快速分類識別休克，采取合理救治措施，對降低死亡率有重要意義。

2、在醫(yī)院或有醫(yī)護(hù)人員的場所，休克病人能得到早期發(fā)現(xiàn)，但在醫(yī)院外的大量場所，難以早期發(fā)現(xiàn)休克，此時(shí)便攜式監(jiān)測設(shè)備顯得尤為重要。心音是人體重要的生物信號，便攜式心音監(jiān)測及智能分析系統(tǒng)已開始應(yīng)用于臨床。

3、因此，如何自動高效地提取心音特征進(jìn)行分析，為休克早期識別提供科學(xué)依據(jù)，準(zhǔn)確判斷休克類型，以便實(shí)施合理的抗休克治療措施，改善患者預(yù)后，是目前亟待解決的問題。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)提供了一種基于心音分析的休克分類方法、裝置、設(shè)備及介質(zhì)，該技術(shù)方案如下。

2、一方面，提供了一種基于心音分析的休克分類方法，所述方法包括：

3、獲取預(yù)處理后的心音數(shù)據(jù)，所述心音數(shù)據(jù)包括多個(gè)心音數(shù)據(jù)段；

4、通過心音數(shù)據(jù)質(zhì)量評估模塊對所述心音數(shù)據(jù)進(jìn)行質(zhì)量評估，將所述多個(gè)心音數(shù)據(jù)段劃分為無干擾心音數(shù)據(jù)段、可恢復(fù)心音數(shù)據(jù)段以及不可恢復(fù)心音數(shù)據(jù)段，所述心音數(shù)據(jù)質(zhì)量評估模塊包括復(fù)值編碼子模塊；

5、通過與所述心音數(shù)據(jù)質(zhì)量評估模塊共享所述復(fù)值編碼子模塊的心音信號恢復(fù)模塊，對所述可恢復(fù)心音數(shù)據(jù)段進(jìn)行信號恢復(fù)，輸出已恢復(fù)心音數(shù)據(jù)段，所述無干擾心音數(shù)據(jù)段和已恢復(fù)心音數(shù)據(jù)段組成可用心音數(shù)據(jù)段；

6、將所述可用心音數(shù)據(jù)段中的每一個(gè)心音數(shù)據(jù)段分別輸入休克分類單元，得到對應(yīng)的休克分類結(jié)果，所述休克分類單元包括并行處理的時(shí)頻域transformer特征提取子網(wǎng)絡(luò)、時(shí)域transformer特征提取子網(wǎng)絡(luò)；

7、對多個(gè)所述休克分類結(jié)果進(jìn)行多數(shù)表決，得到最終的休克自動分類結(jié)果。

8、在一種可能的實(shí)現(xiàn)方式中，所述通過心音數(shù)據(jù)質(zhì)量評估模塊對所述心音數(shù)據(jù)進(jìn)行質(zhì)量評估，將所述多個(gè)心音數(shù)據(jù)段劃分為無干擾心音數(shù)據(jù)段、可恢復(fù)心音數(shù)據(jù)段以及不可恢復(fù)心音數(shù)據(jù)段，包括：

9、針對所述心音數(shù)據(jù)中的任一目標(biāo)心音數(shù)據(jù)段，將所述目標(biāo)心音數(shù)據(jù)段變換到時(shí)頻域，得到對應(yīng)的目標(biāo)復(fù)數(shù)時(shí)頻譜矩陣；

10、以所述目標(biāo)復(fù)數(shù)時(shí)頻譜矩陣作為所述復(fù)值編碼子模塊的輸入，輸出對應(yīng)的目標(biāo)復(fù)值編碼特征，所述復(fù)值編碼子模塊依次包括：一個(gè)復(fù)數(shù)二維卷積層、s個(gè)層級的復(fù)數(shù)transformer及下采樣、一個(gè)復(fù)數(shù)transformer；

11、將所述目標(biāo)復(fù)值編碼特征的絕對值作為輸入，依次通過一個(gè)全連接層及relu、1個(gè)全連接層和softmax，將所述目標(biāo)心音數(shù)據(jù)段劃分為無干擾心音數(shù)據(jù)段、可恢復(fù)心音數(shù)據(jù)段以及不可恢復(fù)心音數(shù)據(jù)段中的一種。

12、在一種可能的實(shí)現(xiàn)方式中，所述通過與所述心音數(shù)據(jù)質(zhì)量評估模塊共享所述復(fù)值編碼子模塊的心音信號恢復(fù)模塊，對所述可恢復(fù)心音數(shù)據(jù)段進(jìn)行信號恢復(fù)，輸出已恢復(fù)心音數(shù)據(jù)段，包括：

13、在所述目標(biāo)心音數(shù)據(jù)段劃分為所述可恢復(fù)心音數(shù)據(jù)段的情況下，復(fù)用所述目標(biāo)心音數(shù)據(jù)段經(jīng)所述復(fù)值編碼子模塊所輸出的目標(biāo)復(fù)值編碼特征，以所述目標(biāo)復(fù)值編碼特征作為復(fù)值解碼子模塊的輸入，輸出對應(yīng)的目標(biāo)復(fù)值解碼特征；

14、將所述目標(biāo)復(fù)值解碼特征變換到時(shí)域，得到所述已恢復(fù)心音數(shù)據(jù)段；

15、其中，所述復(fù)值解碼子模塊依次包括：s個(gè)層級的上采樣及復(fù)數(shù)transformer、一個(gè)復(fù)數(shù)二維卷積層。

16、在一種可能的實(shí)現(xiàn)方式中，所述復(fù)值解碼子模塊第k個(gè)層級的復(fù)數(shù)transformer的輸入為：第k個(gè)層級的上采樣結(jié)果和復(fù)值編碼子模塊中第s-k+1個(gè)層級的復(fù)數(shù)transformer的輸出結(jié)果的拼接結(jié)果。

17、在一種可能的實(shí)現(xiàn)方式中，所述復(fù)數(shù)transformer由一個(gè)用于復(fù)數(shù)的多頭自注意力子模塊和一個(gè)用于復(fù)數(shù)的門控前饋?zhàn)幽K級聯(lián)構(gòu)成。

18、在一種可能的實(shí)現(xiàn)方式中，所述將所述可用心音數(shù)據(jù)段中的每一個(gè)心音數(shù)據(jù)段分別輸入休克分類單元，得到對應(yīng)的休克分類結(jié)果，包括：

19、針對所述可用心音數(shù)據(jù)中的任一目標(biāo)可用心音數(shù)據(jù)段，將所述目標(biāo)可用心音數(shù)據(jù)段分別輸入時(shí)頻域transformer特征提取子網(wǎng)絡(luò)、時(shí)域transformer特征提取子網(wǎng)絡(luò)，得到時(shí)頻域提取特征、時(shí)域提取特征；

20、將所述時(shí)頻域提取特征、所述時(shí)域提取特征輸入一個(gè)特征融合子模塊后，再依次通過一個(gè)全連接層及relu、一個(gè)全連接層和softmax，得到所述目標(biāo)可用心音數(shù)據(jù)段對應(yīng)的休克分類結(jié)果。

21、在一種可能的實(shí)現(xiàn)方式中，所述時(shí)頻域transformer特征提取子網(wǎng)絡(luò)，包括：級聯(lián)的一個(gè)短時(shí)傅里葉變換模塊、一個(gè)多頭自注意力模塊和一個(gè)門控前饋模塊；

22、所述時(shí)域transformer特征提取子網(wǎng)絡(luò)，包括：級聯(lián)的一個(gè)一維卷積層、q個(gè)堆疊的空洞卷積殘差模塊、一個(gè)多頭自注意力模塊和一個(gè)門控前饋模塊。

23、在一種可能的實(shí)現(xiàn)方式中，所述特征融合子模塊的處理過程，包括：

24、對所述時(shí)頻域提取特征、所述時(shí)域提取特征分別做層歸一化和1×1卷積處理，獲得時(shí)頻域中間特征、時(shí)域中間特征；

25、獲取所述時(shí)頻域中間特征、所述時(shí)域中間特征各自的注意力權(quán)重矩陣；

26、利用注意力交互機(jī)制對所述時(shí)頻域中間特征、所述時(shí)域中間特征以及兩個(gè)注意力權(quán)重矩陣進(jìn)行運(yùn)算，獲得融合特征；

27、將所述融合特征依次通過一個(gè)深度可分離卷積層及relu、層歸一化，輸出特征融合結(jié)果。

28、又一方面，提供了一種基于心音分析的休克分類裝置，所述裝置包括：

29、數(shù)據(jù)預(yù)處理單元，用于獲取預(yù)處理后的心音數(shù)據(jù)，所述心音數(shù)據(jù)包括多個(gè)心音數(shù)據(jù)段；

30、數(shù)據(jù)質(zhì)控單元，用于通過心音數(shù)據(jù)質(zhì)量評估模塊對所述心音數(shù)據(jù)進(jìn)行質(zhì)量評估，將所述多個(gè)心音數(shù)據(jù)段劃分為無干擾心音數(shù)據(jù)段、可恢復(fù)心音數(shù)據(jù)段以及不可恢復(fù)心音數(shù)據(jù)段，所述心音數(shù)據(jù)質(zhì)量評估模塊包括復(fù)值編碼子模塊；通過與所述心音數(shù)據(jù)質(zhì)量評估模塊共享所述復(fù)值編碼子模塊的心音信號恢復(fù)模塊，對所述可恢復(fù)心音數(shù)據(jù)段進(jìn)行信號恢復(fù)，輸出已恢復(fù)心音數(shù)據(jù)段，所述無干擾心音數(shù)據(jù)段和已恢復(fù)心音數(shù)據(jù)段組成可用心音數(shù)據(jù)段；

31、休克分類單元，用于將所述可用心音數(shù)據(jù)段中的每一個(gè)心音數(shù)據(jù)段分別作為輸入，得到對應(yīng)的休克分類結(jié)果，所述休克分類單元包括并行處理的時(shí)頻域transformer特征提取子網(wǎng)絡(luò)、時(shí)域transformer特征提取子網(wǎng)絡(luò)；

32、融合輸出單元，用于對多個(gè)所述休克分類結(jié)果進(jìn)行多數(shù)表決，得到最終的休克自動分類結(jié)果。

33、又一方面，提供了一種計(jì)算機(jī)設(shè)備，所述計(jì)算機(jī)設(shè)備中包含處理器和存儲器，所述存儲器中存儲有至少一條指令、至少一段程序、代碼集或指令集，所述至少一條指令、至少一段程序、代碼集或指令集由所述處理器加載并執(zhí)行以實(shí)現(xiàn)上述的基于心音分析的休克分類方法。

34、又一方面，提供了一種計(jì)算機(jī)可讀存儲介質(zhì)，所述計(jì)算機(jī)可讀存儲介質(zhì)中存儲有至少一條指令、至少一段程序、代碼集或指令集，所述至少一條指令、至少一段程序、代碼集或指令集由處理器加載并執(zhí)行以實(shí)現(xiàn)上述的基于心音分析的休克分類方法。

35、再一方面，提供了一種計(jì)算機(jī)程序產(chǎn)品或計(jì)算機(jī)程序，該計(jì)算機(jī)程序產(chǎn)品或計(jì)算機(jī)程序包括計(jì)算機(jī)指令，該計(jì)算機(jī)指令存儲在計(jì)算機(jī)可讀存儲介質(zhì)中。計(jì)算機(jī)設(shè)備的處理器從計(jì)算機(jī)可讀存儲介質(zhì)讀取該計(jì)算機(jī)指令，處理器執(zhí)行該計(jì)算機(jī)指令，使得該計(jì)算機(jī)設(shè)備執(zhí)行上述的基于心音分析的休克分類方法。

36、本技術(shù)提供的技術(shù)方案可以包括以下有益效果：

37、自動獲取預(yù)處理后的心音數(shù)據(jù)，對心音數(shù)據(jù)中的每一心音數(shù)據(jù)段進(jìn)行質(zhì)量判別，針對判別為可恢復(fù)心音數(shù)據(jù)段的心音數(shù)據(jù)段進(jìn)行信號恢復(fù)，并將已恢復(fù)心音數(shù)據(jù)段和無干擾心音數(shù)據(jù)段組成的可用心音數(shù)據(jù)段輸入休克分類單元，通過休克分類單元中并行處理的時(shí)頻域transformer特征提取子網(wǎng)絡(luò)、時(shí)域transformer特征提取子網(wǎng)絡(luò)得到每一可用心音數(shù)據(jù)段對應(yīng)的休克分類結(jié)果，最終結(jié)合多個(gè)休克分類結(jié)果，得到最終的休克分類結(jié)果，在實(shí)現(xiàn)院內(nèi)、院外各種應(yīng)用場景下的休克早期自動分類識別的同時(shí)，提高了休克早期自動分類的可靠性和數(shù)據(jù)的使用效率。