不同心循环结构先验条件下的心音特征提取与识别研究

发布时间：2020-07-03 19:43

【摘要】：心音信号作为心脏运动产生的一种生理信号,蕴含着心电图不可替代的人体心血管健康状况信息。通过对心音信号的分析和学习,能够为心脏疾病病情的诊断和监测提供决策依据,具有重要的社会效益和经济效益。心音信号是由一系列心循环构成的准周期信号,其中反映不同类型病理信息的心杂音通常出现在心循环的不同位置上。在已知心循环结构的条件下,按照信号的时序结构,往往能够提取出有效的特征来进行心音分类。然而准确的划分出心循环结构难度大、成本高,有时只能在心循环结构未知的情况下开展心音特征的提取与识别研究。同时,在许多应用场景中仅关注心音是否异常,而不区分具体的异常类型。对这类识别任务,即使没有心循环结构的划分信息也能开展工作。因而也有必要研究在心循环结构未知条件下的异常心音识别问题。近年来,大量学者分别在已知和未知心循环结构这两种不同条件下,对心音特征的提取与识别方法展开了相关的研究工作。虽然这些研究工作取得了一定的进展,但是由于心音信号的复杂性,仍然存在许多问题有待解决。本文针对目前在心循环结构已知条件下,对时序较一致的信号内容仍缺乏具有较强区分性和结构性的心音特征,以及在心循环结构未知条件下,特征易受信号时移影响而难以匹配的问题展开研究,其主要内容及创新工作如下:(1)在心循环结构已知条件下,针对已有方法所提取的心音特征区分性差的问题,提出了一种有效利用样本类别信息的判别式特征提取方法。通过使用偏最小二乘法寻找使心循环和类别标签具有最大相关性且方差最大的投影方向,来获得更具可分性的特征。进一步考虑到特征线性不可分的情况,将其映射到高维的线性可分的核空间中,从而在该核空间中使用核偏最小二乘法提取特征,以增加特征的区分性。实验结果表明,所提出的偏最小二乘特征提取方法具有更好的分类性能,且通过核方法能够进一步的提升分类性能。(2)在心循环结构已知条件下,针对传统的心音特征对心音信号的不同成分在心循环内的时频结构及其相对位置信息表示能力差的问题,提出了保持心循环完整时频结构的特征提取方法。通过使用张量分解方法对心循环结构内的时频谱特征按时域和频域方向同时进行降维,从而得到保持其时频结构的具有更好表示能力的特征。进一步,在张量分解过程中通过Fisher判别准则和偏最小二乘准则引入心音类别信息,以增加特征的区分性。实验结果表明,所提出的张量分解特征提取方法具有更好的分类性能,使用Fisher判别准则或偏最小二乘准则能够进一步的提升分类性能。(3)在心循环结构未知条件下,针对现有的时移不变心音特征提取方法没有充分考虑信号自相关信息之间的相互关系,从而不能精细反映心音各子带及其自相关各阶次特点的问题,提出了基于子带自相关时延域依赖的特征提取和异常心音识别方法。通过对心音信号的各个子带使用平均幅度差函数来得到在时延域上具有一定的长短时依赖关系的子带自相关特征。进一步使用长短时记忆网络对此依赖关系进行建模,得到精细反映心音特点的子带自相关建模特征。实验结果表明,所提出的方法得到的建模特征具有更好的异常心音识别性能。(4)在心循环结构未知条件下,针对以往的心音特征提取方法不能同时兼顾局部重要信息和时移不变的问题,提出了具有时移不变性的局部时频结构特征提取与异常心音识别方法。通过使用卷积神经网络逐层提取心音时频谱的局部特征,并对最后卷积层使用时域最大池化方法来获得特征表示,从而在保留最重要局部信息的同时,也消除了时移的影响。实验结果表明,所提出的局部时频结构特征提取方法具有更好的异常心音识别性能。
【学位授予单位】：哈尔滨工业大学
【学位级别】：博士
【学位授予年份】：2019
【分类号】：R540.4;TN912.3

【参考文献】