基于ITD和改进的MFCC的心音信号识别研究
发布时间：2021-06-06 11:44
近些年来,人类生活方式的各个方面都在不断变化,心血管疾病的引发和死亡占全球比率居高不下,这对人类的健康造成严重威胁.心脏的机械振动所产生的声音称为心音,器质性心脏病出现的早期就伴随着心音的改变和心杂音的出现,因此心音与心血管疾病息息相关.在过去的几十年里,心音信号分析在临床应用中被广泛学习研究.作为一种生理信号,心音信号在采集过程中易受各种环境噪声和设备噪声的影响,因此,心音信号去噪始终是一个热度不断的研究话题.另外,心音信号的分割过程在心音信号的分析中占有重要的地位,然而由于心音信号的非平稳特性和易受噪声干扰的特点,心音分割长久以来始终是一个难题,值得欣慰的是,已有文献表明,精确地分割心音信号的周期并非是心音识别的必要条件,从心音信号中提取符合生理和病理本质的特征参数才是心音识别的关键步骤.基于此,本文主要做了以下工作:针对心音信号去噪,首先采用巴特沃斯带通滤波进行初步去噪,然后根据部分较难去除的噪声频谱与心音信号频谱有重叠的特点,本文提出了一种基于小波包分解的迭代阈值心音信号去噪算法,该算法应用小波包分解和迭代重构相结合,且在每次迭代过程中自适应的选择去噪阈值,通过迭代不断地滤除噪...
【文章来源】：河南大学河南省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
Mel频率与f之间的关系.
基于ITD和改进的MFCC的心音信号识别研究图1-1Mel频率与f之间的关系.图1-2MFCC提取流程.在MFCC提取的具体过程中，首先，对经过预处理后的波形图进行预加重.预加重的实现是通过数字滤波器滤波实现的，其表达式为：H(z)=1az1,(1-7)式中a的取值范围为0.9<a<1，一般采用a=0.95.其次，进行分症加窗，从而得到具有准平稳特性的时域信号x(n)为后续做准备.分帧即覆盖分段，通常我们取20-40ms为一帧的宽度，即帧宽，帧移通常取1/2帧宽，这样就允许每两帧之间有一半覆盖，原理如图1-3所示.加窗即每一帧信号乘以窗函数w(n)，目的是减少某一帧的结束和下一帧的开始之间的间隔，并且使峰值变宽易辨认，此处选取常用的hamming窗作为窗函数，其表达式为，w(n)=0.540.46*cos(2πn/(N1)),(0≤n≤N1).(1-8)然后，对每一帧得到的x(n)采用离散傅里叶变换，所得到的线性频谱X(k)越大，代表6
第一章绪论图1-3分帧原理图.信号中包含的频率为k的能量越大，其转换公式为X(k)=N1∑n=0x(n)ej2πnk/N(0≤n,k≤N1).(1-9)其中N为傅里叶变换的点数.而后，将X(k)进行平方通过Mel频率滤波器组平滑处理再取对数，得到对数频谱S(m)更好描述非线性特性.S(m)=ln(N1∑k=0|X(k)|2Hm(k))(0≤m<M).(1-10)其中M=24为滤波器个数，Hm(k)为滤波器函数.最后，将S(m)进行离散余弦变换，根据离散余弦变化的能量聚集效应，一般选取13维MFCC，其计算公式为:c(n)=M1∑m=1S(m)cos(πn(m+1/2)M)(0≤m≤M).(1-11)1.5本文的研究内容与结构安排近些年来，心音为心血管疾病评估提供重要的临床初始线索，心音的自动分析研究也备受关注.本文的研究内容主要包括心音自动分析中的去噪和提取特征两个方面，做了如下两个工作：一、在分布式诊断与家庭医疗环境中，心音信号的采集往往受到多种噪声的污染，心音信号的去噪研究至关重要.常用的心音信号去噪方法包括小波软阈值去噪、小波双阈值7
【参考文献】：
期刊论文
[1]心音信号MFCC特征向量提取方法的优化[J]. 许春冬,周静,应冬文,龙清华. 信号处理. 2019(03)
[2]应用于语种识别的加权音素对数似然比特征[J]. 张健,徐杰,包秀国,周若华,颜永红. 清华大学学报(自然科学版). 2017(10)
[3]基于高层信息特征的重叠语音检测[J]. 马勇,鲍长春. 清华大学学报(自然科学版). 2017(01)
[4]基于固有时间尺度分解的信号细微特征识别[J]. 李学成,段田东,徐文艳,吴素琴. 信息工程大学学报. 2014(05)
[5]心音信号的分析方法及其应用[J]. 谢斌,严碧歌,李锦. 现代生物医学进展. 2010(23)
[6]基于自适应锥形核的心音信号时频特征提取与分析[J]. 陈健,王海滨,孙树平. 西华大学学报(自然科学版). 2010(05)
[7]基于参考独立分量分析的语音增强方法[J]. 林秋华,郑永瑞,殷福亮. 大连理工大学学报. 2006(06)
[8]心音信号的时-频分析[J]. 周静,杨永明. 重庆大学学报(自然科学版). 2004(04)
硕士论文
[1]基于多模式脑电的虚拟键盘设计[D]. 丁锐.南京邮电大学 2019
[2]基于回归迁移非负矩阵分解和密集连接网络的心肺音分离[D]. 雷志彬.广东工业大学 2019
[3]基于包络提取的心音信号识别与分类[D]. 李爽.河南大学 2018
[4]基于EEMD心音分割算法的研究[D]. 呼俊杰.南京大学 2018
本文编号：3214320
【文章来源】：河南大学河南省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
Mel频率与f之间的关系.
基于ITD和改进的MFCC的心音信号识别研究图1-1Mel频率与f之间的关系.图1-2MFCC提取流程.在MFCC提取的具体过程中，首先，对经过预处理后的波形图进行预加重.预加重的实现是通过数字滤波器滤波实现的，其表达式为：H(z)=1az1,(1-7)式中a的取值范围为0.9<a<1，一般采用a=0.95.其次，进行分症加窗，从而得到具有准平稳特性的时域信号x(n)为后续做准备.分帧即覆盖分段，通常我们取20-40ms为一帧的宽度，即帧宽，帧移通常取1/2帧宽，这样就允许每两帧之间有一半覆盖，原理如图1-3所示.加窗即每一帧信号乘以窗函数w(n)，目的是减少某一帧的结束和下一帧的开始之间的间隔，并且使峰值变宽易辨认，此处选取常用的hamming窗作为窗函数，其表达式为，w(n)=0.540.46*cos(2πn/(N1)),(0≤n≤N1).(1-8)然后，对每一帧得到的x(n)采用离散傅里叶变换，所得到的线性频谱X(k)越大，代表6
第一章绪论图1-3分帧原理图.信号中包含的频率为k的能量越大，其转换公式为X(k)=N1∑n=0x(n)ej2πnk/N(0≤n,k≤N1).(1-9)其中N为傅里叶变换的点数.而后，将X(k)进行平方通过Mel频率滤波器组平滑处理再取对数，得到对数频谱S(m)更好描述非线性特性.S(m)=ln(N1∑k=0|X(k)|2Hm(k))(0≤m<M).(1-10)其中M=24为滤波器个数，Hm(k)为滤波器函数.最后，将S(m)进行离散余弦变换，根据离散余弦变化的能量聚集效应，一般选取13维MFCC，其计算公式为:c(n)=M1∑m=1S(m)cos(πn(m+1/2)M)(0≤m≤M).(1-11)1.5本文的研究内容与结构安排近些年来，心音为心血管疾病评估提供重要的临床初始线索，心音的自动分析研究也备受关注.本文的研究内容主要包括心音自动分析中的去噪和提取特征两个方面，做了如下两个工作：一、在分布式诊断与家庭医疗环境中，心音信号的采集往往受到多种噪声的污染，心音信号的去噪研究至关重要.常用的心音信号去噪方法包括小波软阈值去噪、小波双阈值7
【参考文献】：
期刊论文
[1]心音信号MFCC特征向量提取方法的优化[J]. 许春冬,周静,应冬文,龙清华. 信号处理. 2019(03)
[2]应用于语种识别的加权音素对数似然比特征[J]. 张健,徐杰,包秀国,周若华,颜永红. 清华大学学报(自然科学版). 2017(10)
[3]基于高层信息特征的重叠语音检测[J]. 马勇,鲍长春. 清华大学学报(自然科学版). 2017(01)
[4]基于固有时间尺度分解的信号细微特征识别[J]. 李学成,段田东,徐文艳,吴素琴. 信息工程大学学报. 2014(05)
[5]心音信号的分析方法及其应用[J]. 谢斌,严碧歌,李锦. 现代生物医学进展. 2010(23)
[6]基于自适应锥形核的心音信号时频特征提取与分析[J]. 陈健,王海滨,孙树平. 西华大学学报(自然科学版). 2010(05)
[7]基于参考独立分量分析的语音增强方法[J]. 林秋华,郑永瑞,殷福亮. 大连理工大学学报. 2006(06)
[8]心音信号的时-频分析[J]. 周静,杨永明. 重庆大学学报(自然科学版). 2004(04)
硕士论文
[1]基于多模式脑电的虚拟键盘设计[D]. 丁锐.南京邮电大学 2019
[2]基于回归迁移非负矩阵分解和密集连接网络的心肺音分离[D]. 雷志彬.广东工业大学 2019
[3]基于包络提取的心音信号识别与分类[D]. 李爽.河南大学 2018
[4]基于EEMD心音分割算法的研究[D]. 呼俊杰.南京大学 2018
本文编号：3214320
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3214320.html
