本發(fā)明涉及一種數(shù)據處理，是一種基于心音的冠心病檢測方法、裝置、存儲介質及電子設備。

背景技術：

1、心音聽診依賴于心臟病專家的主觀經驗，且不同專家的檢測結果可能有顯著差異。因此，構建基于心音的冠心病檢測模型，實現(xiàn)冠心病快速篩查，可以有效減少對專家主觀判斷的依賴，提高檢測的準確性和一致性，使得早期發(fā)現(xiàn)和治療冠心病成為可能，從而顯著提升患者的預后和生活質量。

2、當前自動心音信號分析可歸納為兩種：一是手工提取的心音特征并基于機器學習分類；二是通過深度學習自動完成心音特征提取和分類。

3、手工提取心音特征通常從時域、頻域、時頻域、小波、熵等多域進行提取，再將心音特征輸入利用機器學習的分類器進行檢測，常見分類器包括支持向量機、樸素貝葉斯、k近鄰和隨機森林等。手工特征提取方法依賴于不同域特征的組合，由此可能地揭示與疾病相關的特征，但該手工特征提取方法存在以下局限，包括：（1）手工特征提取過程通常費時且成本高；（2）特征選擇很大程度上依賴于研究者的經驗和直覺，導致特征提取結果在不同研究者間出現(xiàn)差異，影響最終結果的一致性和可重復性；（3）手工選擇的特征可能無法充分捕獲心音的所有關鍵信息，從而限制冠心病檢測模型的性能。

4、基于深度學習自動完成心音特征提取和分類方面，目前主流方式是將一維心音信號轉換成二維特征圖，作為深度學習模型輸入以檢測冠心病。例如，已有研究將一維心音信號轉換為二維(mel-frequency?cepstral?coefficients,mfcc)mfcc特征圖進行分類，分別取得94.1%的敏感性、88.7%的特異性；通過將心音信號轉換為二維特征圖mel?spectrum和log-mel?spectrum，取得71.4%的敏感性、95.1%的特異性。該方法存在以下局限：（1）不同二維特征圖捕獲一維心音信號特征的能力存在差異，在轉換過程中可能會導致關鍵信息的丟失；（2）由于二維圖像的選擇往往基于經驗判斷，進而影響模型性能。

技術實現(xiàn)思路

1、本發(fā)明提供了一種基于心音的冠心病檢測方法、裝置、存儲介質及電子設備，用于通過心音數(shù)據進行冠心病檢測。

2、有鑒于此，本技術第一方面提供了一種基于心音的冠心病檢測方法，包括：

3、獲取去噪后的待預測人員的心音數(shù)據；

4、將心音數(shù)據輸入冠心病檢測模型中，得到對應的檢測分類結果，其中冠心病檢測模型為使用若干樣本數(shù)據通過深度學習訓練得到，所述多組樣本數(shù)據中的每組樣本數(shù)據均包括心音數(shù)據和標識對應冠心病檢測分類結果的標簽，冠心病檢測模型包括提取心音深度學習特征的一維心音深度學習特征提取模型、提取多域特征的多域特征提取模型、提取醫(yī)學多域特征的醫(yī)學多域特征提取模型和將心音深度學習特征分別與多域特征和醫(yī)學多域特征進行融合及分類的融合分類模型。

5、優(yōu)選的，冠心病檢測模型構建過程，包括：

6、獲取訓練集、測試集和驗證集，其中訓練集、測試集和驗證集中每個樣本數(shù)據均包括心音數(shù)據和標識對應冠心病檢測分類結果的標簽；

7、設定訓練次數(shù)，根據訓練次數(shù)利用訓練集對預設的冠心病檢測模型進行多次訓練，獲得對應的冠心病檢測模型，其中冠心病檢測模型包括提取心音深度學習特征的一維心音深度學習特征提取模型、提取多域特征的多域特征提取模型、提取醫(yī)學多域特征的醫(yī)學多域特征提取模型和將心音深度學習特征分別與多域特征和醫(yī)學多域特征進行融合及分類的融合分類模型；

8、使用驗證集對冠心病檢測模型的模型參數(shù)進行調節(jié)，結合評估條件使用測試集對冠心病檢測模型進行測試，輸出滿足評估條件的冠心病檢測模型。

9、優(yōu)選的，獲取訓練集、測試集和驗證集，包括：

10、獲取若干樣本數(shù)據，其中每個樣本數(shù)據均包括心音數(shù)據和標識對應冠心病檢測分類結果的標簽；

11、對樣本數(shù)據中的心音數(shù)據進行預處理；

12、對樣本數(shù)據中的心音數(shù)據進行心動周期切割；

13、按設定的比例將若干心動周期切割后的樣本數(shù)據劃分為訓練集、測試集和驗證集。

14、優(yōu)選的，冠一維心音深度學習特征提取模型包括多個inception模塊、多個殘差相加模塊和全局池化模塊；

15、多個inception模塊設置有排序，將序號為3及其倍數(shù)的inception模塊的輸出通過殘差相加模塊與一個殘差值相加，相加結果為下一個inception模塊的輸入數(shù)據，其中第一個殘差相加模塊的殘差值為原始心音數(shù)據，除第一個殘差相加模塊之外的所有殘差相加模塊的殘差值均為第一個殘差相加模塊的輸出數(shù)據，其中每個inception模塊均包括多尺度卷積層、倒殘差注意力層、全局池化層、丟棄層；

16、最后一個inception模塊的輸出數(shù)據輸入至全局池化模塊進行處理。

17、優(yōu)選的，多域特征提取模型提取的多域特征包括：12種時域特征、8種心動周期頻譜特征、6種熵特征、10種能量比特征、8種統(tǒng)計特征、5秒心音數(shù)據的8種頻譜特征和22種小波特征。

18、優(yōu)選的，醫(yī)學多域特征提取模型提取的醫(yī)學多域特征包括：6種時域特征、4種心動周期頻譜特征、6種熵特征、6種能量比特征、4種統(tǒng)計特征和5秒心音數(shù)據的22種小波特征。

19、優(yōu)選的，基于心音的冠心病檢測方法，其特征在于，所述獲取去噪后的待預測人員的心音數(shù)據，包括：

20、獲取待預測人員的心音數(shù)據；

21、利用小波變換中的daubechies?8小波函數(shù)對心音數(shù)據進行去噪處理；

22、采用基于邏輯回歸的隱半馬爾可夫模型對去噪處理后的心音數(shù)據進行心動周期切割。

23、有鑒于此，本技術第二方面提供了一種基于心音的冠心病檢測裝置，其特征在于，包括：

24、數(shù)據獲取單元，獲取去噪后的待預測人員的心音數(shù)據；

25、檢測分類單元，將心音數(shù)據輸入冠心病檢測模型中，得到對應的檢測分類結果，其中冠心病檢測模型為使用若干樣本數(shù)據通過深度學習訓練得到，所述多組樣本數(shù)據中的每組樣本數(shù)據均包括心音數(shù)據和標識對應冠心病檢測分類結果的標簽，冠心病檢測模型包括提取心音深度學習特征的一維心音深度學習特征提取模型、提取多域特征的多域特征提取模型、提取醫(yī)學多域特征的醫(yī)學多域特征提取模型和將心音深度學習特征分別與多域特征和醫(yī)學多域特征進行融合及分類的融合分類模型。

26、有鑒于此，本技術第三方面提供了一種存儲介質，所述存儲介質上存儲有能被計算機讀取的計算機程序，所述計算機程序被設置為運行時執(zhí)行基于心音的冠心病檢測方法。

27、有鑒于此，本技術第四方面提供了一種電子設備，包括處理器、存儲器以及一個或多個程序，所述一個或多個程序被存儲在所述存儲器中，并且被配置由所述處理器執(zhí)行，所述程序包括用于執(zhí)行基于心音的冠心病檢測方法中的步驟的指令。

28、本發(fā)明能夠通過模型對待檢測的心音數(shù)據進行各個角度的特征提取，即提取心音深度學習特征、多域特征和醫(yī)學多域特征，進而將心音深度學習特征分別與多域特征、醫(yī)學多域特征進行融合，再基于融合后的特征完成檢測分類，該過程直接使用原始心音，保留了心音數(shù)據中的完整特征信息，并在心音深度學習特征的基礎上分別融合不同的域特征（多域特征和醫(yī)學多域特征），有效避免了在轉換為二維圖像時造成的信息丟失和增強了對由冠心病引起的心音細微變化的洞察力，從而更全面地捕捉與冠心病緊密的相關特征，提高冠心病檢測的精度和效率，為冠心病檢測提供一種有效的、非侵入性的檢測方法。