基于深度学习的柯氏音时相分类研究

目的 通过深度学习技术对柯氏音的不同时相进行自动分类,从而提高不同人群血压测量的准确率.方法 本研究设计了一种融合注意力机制(Attention)、残差网络(residual network,ResNet)和双向长短时记忆网络(bidirectional long short-term memory,BiLSTM)的柯氏音时相分类模型.首先从一整段柯氏音信号中逐拍提取出单个柯氏音信号,并将每个柯氏音信号转换为梅尔频谱图;然后利用Attention注意力机制和ResNet网络对梅尔频谱图进行局部特征提取,用BiLSTM网络处理特征之间的时序关系,并使用全连接层网络对特征进行降维,最后利用SoftMax函数实现分类.数据集采自于44位志愿者(女24位、男20位,平均年龄36岁),并使用10折交叉验证的方法对模型性能进行验证.结果 所建立的模型针对5类柯氏音时相的整体分类准确率为93.4％,相比其它模型具有较好的分类性能.结论 深度学习方法可以准确地对柯氏音时相进行分类,为后续设计以柯氏音时相分类为基础的自动血压测量方法奠定了有力的技术基础.