具体实施方式

下面将结合本申请中附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

图1为本申请提供的一种应用场景示意图，如图1所示，本申请中的方法可以应用于图1所示的电子设备10和心音获取探头20。如图1所示，电子设备10可以包括：存储器11、处理器12、网络模块13，心音获取探头20一般设置五个或者五的倍数个，五个心音获取探头20用于在五个五部获取待测样本的心音信号，其中，五个心音获取探头20均通过该网络模块13与该处理器12连接，该处理器12与该存储器11连接。

存储器11、处理器12、网络模块13相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器11中存储有至少一个可以软件或固件(firmware)的形式存储于所述存储器11中的功能模块，所述处理器12通过运行存储在存储器11内的软件或硬件形式的功能模块，从而执行各种功能应用以及数据处理，即实现本申请中由电子设备10执行的方法。

其中，所述存储器11可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)、磁盘或固态硬盘等。其中，存储器11用于存储程序，所述处理器12在接收到执行指令后，执行所述程序。

所述处理器12可能是一种集成电路芯片，具有数据的处理能力。上述的处理器12可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等。可以实现或者执行本申请中的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，一般的，该处理器12可以是PCB603C01的芯片，该芯片灵敏度为100mV/g，量程为±50g，频带为5-10kHz，适用温度为-54℃～+121℃。

网络模块13用于通过网络建立电子设备10与外部通信终端之间的通信连接，实现网络信号及数据的收发操作。上述网络信号可包括无线信号或者有线信号。

可以理解，图1所示的结构仅为示意，电子设备10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。

在上述基础上，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质包括计算机程序，所述计算机程序运行时控制所述计算机可读存储介质所在电子设备10执行下述的方法。

为了使本发明的实施过程更加清楚，下面将会结合附图进行详细说明。

图2为本申请实施例提供的一种基于五路心音信号分类算法的健康检测方法的流程示意图；如图2所示，本申请提供的基于五路心音信号分类算法的健康检测方法，方法包括：

S101、获取待测样本的五路心音信号。

在临床诊断过程中，最常使用的听心音位置有五个，根据瓣膜最易听到的位置命名为:主动脉区、Erb区、肺动脉区、三尖瓣区、二尖瓣区，将五路心音获取探头分别设置在待测样本的这五个位置，分别获取五个位置的心音信号，已经有研究表明，不同听诊区的心音信号包含着不同的生理信息，多通道心音信号联合分析的结果优于单通道心音信号联合分析的结果。为了更准确的获取心音信号一般的，在将该五路心音获取探头设置在待测样本的心脏附近一段时间后，待待测样本状态稳定后，获取待测样本的心音信号，如此操作避免了待测样本因活动或者其他原因产生的心音信号存在较大误差，进而使得检测待测样本的状态的准确性更高，获取心音信号的装置可以时一个五路心音获取探头，也可以是使用一个心音获取探头进行五个位置的分别测量。

S102、使用第一预设函数提取五路心音信号中的特征信息。

心音信号的特征信号包括：平均值、周期数量、波形图片、功率谱密度图、梅尔倒谱图、语谱图、能量谱，当获取的待测样本的心音信号为一维信息，即线性信息，则通过对线性信息进行分析，提取该线性信息的心音信号的平均值和周期数量，其中，心音信号的第一预设函数为平均值提取函数，即将一个周期的心音信号的振幅之和比上周期的时间，得到周期内平均振幅的平均值，周期数量的第一预设函数为提取函数，即计算检测时间段内的幅值数量，即检测时间内最大值或者最小值的数量，该检测时间内最大值或者最小值的数量为周期数量。当获取的待测样本的心音信号为二维信息时，通过第一预设函数提取该心音信号的波形图片、功率谱密度图、梅尔倒谱图、语谱图、能量谱，该波形图片、功率谱密度图、梅尔倒谱图、语谱图、能量谱对应的第一预设函数为现有技术，在此不做赘述。

为了方便说明，在此以提取二维信息的梅尔倒谱图为例进行简单的说明，如果我们原始心音信号是声音信号，那么通过STFT展开得到的二维信号就是所谓的声谱图。声谱图往往是很大的一张图，为了得到合适大小的声音特征，往往把它通过梅尔标度滤波器组(mel-scale filter banks)，变换为梅尔频谱。

该第一预设函数为特征提取算法，用于提取心音信号中的特征信息，即该第一预设函数的输入为原始的心音信号，输出为提取的特征，若是二维特征则为图片类型，若是一维特征则为数组类型，算法的作用是提取出决定心音信号状态的不同特征，降低运算量，在一般应用时，该心音信号可以为一维信息，也可以为二维信息，并且一维信息和二维信息可以相互转换，其中，将一维信号换化为二维信号的方法为：把获取的一维信号进行分帧、加窗，再对每一帧做傅里叶变换(FFT)，最后把每一帧的结果沿另一个维度堆叠起来，得到类似于一幅图的二维信号形式，如此步骤就完成了一维信息到二维信息的转化；反之则为二维信息转化为一维信息，具体步骤在此不做赘述。

S103、将五路心音信号的特征信息对应的数组带入到预设神经网络模型中进行计算。

可选地，该S103的步骤具体包括：

将五路心音信号的特征信息转化为数组信息。

将五路心音信号中的特征信号均转化为数组信息，由于特征信息至少包括平均值、周期数量、波形图片、功率谱密度图、梅尔倒谱图、语谱图、能量谱，且上述说明的特征信息中具有图像信息，由于对图像信息进行数字化后，将图像信息均可以转化为数组信息，且转化后的数组可以表示该特征信息。以波形图片为例，图片本质上就是多维数组，彩色图片是三维数组，黑白图片是二维数组，由于波形图片并不需要色彩信息，可以将其转化为黑白图片，则其可用a[n][n]表示，将其转化为一维数组的方式也有多种，这里演示最简单的一种，即将其第2列到第n列直接堆叠到第一列后面组成a[n*n]。

将数组信息带入到预设神经网络模型中进行计算。

由于该预设神经网络模型为：

其中，h(x)为预设神经网络模型的计算结果，且h(x)的取值范围为(-1,1)，x₁，x₂、x_n均为输入的特征信息对应的数组，w₁、w₂、w_n、b均为参数，且该x₁，x₂、x_n每一个数组为一个特征信息，即若待测样本的五路心音信号为五个特征信息，则该预设神经网络模型中需要输入的特征信息对应的数组的数量就应该为五个，即该预设神经网络模型中需要输入的数组的数量与待测特征的数量有关，且输入的待测特征的数量越多，则最终使用该预设神经网络模型的检测结果越准确；另外，w₁、w₂、w_n、b均为该预设神经网络模型中的参数，在使用该预设神经网络模型之前，需要求得该预设神经网络模型中的参数的值，并且该参数w₁、w₂、w_n的数量跟根据输入的待测样本的特征信息的数量有关，在实际应用中，该预设神经网络模型中的w₁、w₂、w_n、b等参数均已经被计算出来，使得该预设神经网络模型中的未知数仅为输入的x₁，x₂、x_n和输出的h(x)，即本申请的预设神经网络模型输入待测样本的特征信息对应的数组，就可以输出该待测样本的状态信息，在实际应用中，设置一个预设阈值，将该预设神经网络模型的计算结果与预设阈值进行比较，若预设神经网络模型的计算结果大于预设阈值，则表示该待测样本的状态为正常状态，若预设神经网络模型的计算结果不大于预设阈值，则表示待测样本的状态为需进一步检测状态，该预设阈值的具体参数根据实际需要进行设置，在此不做具体限定，另外，预设神经网络模型参数中的b为误差参数。

并且在实际应用中，将五路心音信号的特征信息对应的数组带入到预设神经网络模型中进行计算的步骤之前还应该包括计算该预设神经网络模型中的参数的步骤，该计算预设神经网络模型中的参数的步骤具体的为：

获取多组已知的样本的状态信息与多组已知样本的五路心音信号对应的特征信息。

将多组已知的样本的状态信息与多组已知样本的五路心音信号对应的特征信息对应的数组带入到预设神经网络模型中，计算预设神经网络模型中的参数。

需要说明的是，在计算预设神经网络模型中的参数的步骤中，输入的已知的样本的状态信息与多组已知样本的五路心音信号对应的特征信息对应的数组的数量越多，则得到的预设神经网络模型中的参数越准确，由于b为误差参数，则计算预设神经网络模型中的次数越多，则该误差参数越小。

图3为本申请实施例提供的一种基于五路心音信号分类算法的健康检测方法的二维特征log功率谱示意图；如图3所示，功率谱密度图也称为功率谱，在实际应用中，它定义为单位频带内的信号功率。它表示了信号功率随着频率的变化情况，即信号功率在频域的分布状况。功率谱表示了信号功率随着频率的变化关系，一般的，在实际应用中，使用log功率谱表示功率谱，log功率谱就是在功率谱的基础上取10倍lg，然后减去最大值，因为信号的傅里叶变换所得的数值的动态范围很大，但绝大部分数值都集中在低频区域，如果直接显示的话，显示效果不太好，取对数是为了压缩数值的动态范围，改善显示效果。

图4为本申请实施例提供的一种基于五路心音信号分类算法的健康检测方法的二维特征log梅尔谱示意图；如图4所示，梅尔倒谱图是目前在语音信号处理领域使用的比较多的特征，心音信号的声音信号是一维信号，直观上只能看到时域信息，不能看到频域信息。通过傅里叶变换(FT)可以变换到频域，短时傅里叶变换，小波等都是很常用的时频分析方法。短时傅里叶变换(STFT)，就是对短时的信号做傅里叶变换。原理如下：对一段长语音信号，分帧、加窗，再对每一帧做傅里叶变换，之后把每一帧的结果沿另一维度堆叠，得到一张图(类似于二维信号)，这张图就是声谱图。由于得到的声谱图较大，为了得到合适大小的声音特征，通常将它通过梅尔尺度滤波器组(Mel-scale filter banks)，变为梅尔频谱。最后再对数据取log，就是log梅尔谱，取对数的原因与上述对数功率谱相同。

S104、将预设神经网络模型得到的计算结果对应的状态信息作为检测结果输出。

由于上述的预设神经网络模型中h(x)的取值范围为(-1,1)，则上述预设神经网络模型的计算结果只能位于-1到1之间，且该待测样本的状态信息分为正常状态和需进一步检测状态，即通过预设神经网络模型得到的计算结果分别与该正常状态和需进一步检测状态进行对应，一般的，根据实验数据通过设置预设阈值，将预设神经网络模型得到的计算结果与预设阈值进行比较，通过比较通过区分待测样本的状态，在实际应用中，一般设置阈值为0.5，将该预设神经网络模型计算的结果与预设阈值进行比较，若计算结果大于预设阈值，则该计算结果对应的状态信息为正常状态，即表示待测样本的状态信息为正常状态，若计算结果不大于预设阈值，则计算结果对应的状态信息为需进一步检测状态，即待测样本的状态信息为需进一步检测状态。

在每一个对待测样本使用本申请的方法得到待测样本的状态信息后，将待测样本的状态信息、待测样本心电信息的特征信息，添加到该预设神经网络模型中，进行计算，将得到的该预设神经网络模型中的参数与计算时使用的参数进行对比，以此使得预设神经网络模型中的参数趋于准确，该误差参数趋近于0，进而增加该预设数据库的可信度和准确性。

图5为本申请实施例提供的另一种基于五路心音信号分类算法的健康检测方法的流程示意图；如图5所示，可选地，该获取待测样本的五路心音信号的步骤之后还包括：

S201、对五路心音信号进行数字滤波。

由于使用五路心音获取探头获取待测样本的心音信号时，不可避免会带有一部分噪声，因此需对心音信号进行数字滤波，数字滤波即滤除杂质音，尽可能的保留有用的心音信号，常见的数字滤波包括多种，为了方便说明，在此以二阶的25hz-600hz的巴特沃斯中值滤波器为例，算法处理前后的数据格式不变，主要功能是去除信号中的噪声，并且尽可能多的保留有用信号，而且经过处理以后的心音信号会更加纯净，干扰信息较少，对后期的处理也会有更好的辅助作用。

S202、按照预设频率进行下采样操作。

将数字滤波后的心音信号进行下采样操作处理，由于上述步骤已经对音频进行了25hz-600hz的中值滤波，根据奈奎斯特采样定律，我们把信号下采样到1000hz，算法处理前后的数据格式不变，但是由于采样率降低，数据量会相应减少以降低运算量，下采样操作的函数根据实际需要进行选择，在此不做具体限定。下采样可以在保证足够特征信息的基础上降低数据量，进一步降低运行算法所需要的资源，扩大算法的应用范围。

S203、按照预设区间将五路心音信号进行最大值归一化处理。

由于不同数据集中的心音信号差异较大，在此对所有的心音信号进行归一化，为了方便说明，这里以最大绝对值归一化为例，使其范围在[-1,1]区间内。归一化之后的数据，能够减少计算复杂度，加快训练模型时的收敛速度；避免造成梯度过饱和；激活函数的输出是以“零为中心”，便于后续迭代优化。

S204、按照预设长度和预设重合度对五路心音信号进行切割。

对上述处理后的心音信号的音频信息进行切割，并且为了使得对心音信号的处理更加准确，则还需要在切割心音信号的时候，进行重复切割，为了方便说明，在此以一段心音信号为200s进行说明，每段心音信号的预设长度为50s，预设重合度为50％，则切割后的第一段心音信号为0s-50s；第二端心音信号为25s-75s；第三端心音信号为50s-100s；第四段心音信号为75s-125s；第五段心音信号为100s-150s；第六段心音信号为125s-175s；第七段心音信号为150s-200s。对心音信号进行切割可以在样本数较少的情况下扩大数据量，这在初期样本量较少时算法还能获得较好的效果具有重要意义。

图6为本申请实施例提供的一种基于五路心音信号分类算法的健康检测系统的模块示意图；如图6所示，本申请提供一种基于五路心音信号分类算法的健康检测系统，系统包括：获取模块30、提取模块40、匹配模块50和输出模块60；获取模块30用于获取待测样本的五路心音信号，其中，五路心音信号通过五路心音探头获取；提取模块40用于使用第一预设函数提取五路心音信号中的特征信息；其中，特征信息包括：平均值、周期数量、波形图片、功率谱密度图、梅尔倒谱图、语谱图、能量谱中至少一种；计算模块50用于将五路心音信号的特征信息对应的数组带入到预设神经网络模型中进行计算；输出模块60用于将预设神经网络模型的计算结果表示的状态信息作为检测结果输出。

可选地，该预设神经网络模型为：

其中，h(x)为预设神经网络模型的计算结果，且h(x)的取值范围为(-1,1)，x₁，x₂、x_n均为输入的特征信息对应的数组，w₁、w₂、w_n、b均为参数。

可选地，该计算模块50还用于获取多组已知的样本的状态信息与多组已知样本的五路心音信号对应的特征信息；将多组已知的样本的状态信息与多组已知样本的五路心音信号对应的特征信息对应的数组带入到预设神经网络模型中，计算预设神经网络模型中的参数。

图7为本申请实施例提供的另一种基于五路心音信号分类算法的健康检测系统的模块示意图；如图7所示，可选地，该获取待测样本的五路心音信号的步骤之后还包括：预处理模块70，预处理模块70对五路心音信号进行数字滤波；按照预设频率进行下采样操作；按照预设区间将五路心音信号进行最大值归一化处理；按照预设长度和预设重合度对五路心音信号进行切割。

可选地，该计算模块50具体用于将五路心音信号的特征信息转化为数组信息；将数组信息带入到预设神经网络模型中进行计算。

本申请提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述谷物识别方法。

本申请提供一种计算机可读存储介质，所述计算机可读存储介质包括计算机程序，所述计算机程序运行时控制所述计算机可读存储介质所在电子设备执行上述谷物识别方法。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。