基于卷积神经网络的心音信号分类系统

资 源 简 介

本项目构建了一个自动化的心音信号分析框架，旨在解决从原始心动电流图（PCG）中精准识别病理性杂音的挑战。 系统首先对输入的原始心音音频进行预处理，包括应用带通滤波器消除低频基线漂移和高频环境噪声。 核心功能层采用了心动周期自动化分割算法，利用包络提取与峰值检测技术（如Spring算法或基于HMM的模型）将连续心音信号精确划分为S1、收缩期、S2、舒张期四个基本阶段，从而确保后续特征提取的生理结构致性。 在深度学习阶段，系统将分割后的时域波形转换成梅尔频谱图或连续小波变换图，把一维信号处理问题转化为二维图像

详 情 说 明

基于心动周期分割与卷积神经网络的心音信号分类系统

项目介绍

本系统是一个集成心音信号合成、预处理、自动化周期分割、特征转换及深度学习识别的全流程分析框架。系统旨在解决心音信号（PCG）中病理性杂音识别的自动化问题，通过将一维生理信号转化为二维时频图像，利用卷积神经网络（CNN）提取复杂的非线性特征。该项目特别针对正常心音与伴有收缩期杂音的异常心音进行建模，能够有效识别心跳过程中的异常特征。

功能特性

• 自动化数据集生成：系统内置心音合成模块，能够模拟正常心音（S1和S2）以及带有收缩期杂音的病理心音，支持自定义样本数量和生理参数。
• 精准信号预处理：集成4阶巴特沃斯带通滤波器，有效滤除原始信号中的低频基线漂移和高频环境干扰，仅保留25Hz至400Hz的核心生理频带。
• 生理周期分割：利用改进的香农能量包络（Normalized Shannon Energy）和峰值检测算法，自动定位心动周期中的S1与S2点，实现心音信号的精准切分。
• 时频特征转换：采用短时傅里叶变换（STFT）将时域波形映射为时频能量图，通过重采样和归一化技术，将信号适配为符合深度学习输入要求的图像格式。
• 端到端卷积神经网络：构建包含卷积层、批归一化层、最大池化层及全连接层的多层CNN模型，实现从原始特征图到分类标签的自动映射。
• 多维度评估可视化：提供包含原始信号分割图、时频特征图、混淆矩阵以及核心性能指标（准确率、精确率、召回率）的全方位可视化结果。

实现逻辑与流程

1. 环境初始化与参数定义：

设定采样率（2000Hz）、信号时长、带通滤波频段（25-400Hz）以及卷积神经网络所需的图像输入尺寸（64x64）。

1. 模拟心音数据集合成：

通过正弦信号模拟心跳中的低频S1和高频S2成分。根据随机生成的心率计算心动周期，并在指定时间点应用汉明窗进行平滑处理。 对于异常样本，在S1与S2之间的收缩期插入由高斯白噪声组成的模拟杂音。 对所有合成信号添加随机环境噪声，并应用带通滤波器完成预处理。

1. 周期化分割与样本构建：

计算信号的香农能量，公式为 - (x^2) * log(x^2)，利用高斯平滑滤波器提取包络。 通过峰值检测搜寻包络中的极大值点，将其作为分割切入点。 从每个信号中提取固定长度（约0.5秒）的片段，确保每个样本至少包含一个心动周期。

1. 二维图像特征提取：

对分割出的时间片段执行短时傅里叶变换。 截取500Hz以下的低频分量，并对幅度谱进行双三次插值缩放，将其调整为64x64像素的单通道图像。 对像素值进行Min-Max归一化处理，增强特征提取的一致性。

1. CNN模型训练与推理：

构建两组“卷积-批归一化-激活-池化”的特征提取结构，第一层采用16个卷积核，第二层采用32个卷积核。 通过64单元的非线性全连接层进行降维。 使用交叉熵损失函数和Adam优化器，在划分后的训练集上进行15个周期的训练。

1. 性能度量：

在独立测试集上进行分类预测，统计混淆矩阵，计算准确率（Accuracy）、专门针对异常类别的精确率（Precision）和召回率（Recall）。

核心算法与关键技术细节

• 香农能量包络（Shannon Energy Envelope）：

相比于普通的绝对值能量，香农能量通过取对数操作增强了低幅度的有用成分，抑制了部分随机噪声及尖峰，使得S1和S2的定位更加稳健。

• 短时傅里叶变换（STFT）参数：

采用了128点的汉明窗进行滑动分析，重叠长度设为110。这种高重叠度的设置能够保留更多的时域细节，生成的时频图在时间轴上更平滑。

• 特征归一化处理：

在送入CNN前，将所有FFT幅度值映射回[0, 1]区间。这种线性拉伸消除了个体案例间的振幅差异，使得模型只关注波形形态和频谱分布。

• 神经网络架构：

使用了卷积层（convolution2dLayer）进行空间特征捕捉，批归一化层（batchNormalizationLayer）用于加速收敛并防止过拟合。输出层采用了Softmax分类器，能够直接给出所属“正常”或“异常”类别的概率。

• 重采样技术：

通过imresize算法处理频谱图，将原始不规则大小的矩阵统一转化为CNN标准接受的张量格式。

系统要求

• 软件环境：MATLAB R2021a 或更高版本。
• 所需工具箱：

1. Signal Processing Toolbox（信号处理工具箱） 2. Deep Learning Toolbox（深度学习工具箱） 3. Statistics and Machine Learning Toolbox（统计与机器学习工具箱） 4. Image Processing Toolbox（图像处理工具箱）

• 硬件配置：建议具备4GB以上内存，支持GPU加速可显著缩短模型训练时间（系统默认使用CPU推理亦能运行）。