心音信号特征分析与识别方法研究
发布时间：2021-10-19 12:26
心音信号是心脏及心血管系统机械状况的反映,是包含了人类心脏各部分的生理和病理信息的重要信号。目前通过心音信号诊断疾病的方法主要是人工听诊,如果能够研究出一套行之有效的算法对采集到的心音进行自动识别分类,当发现病变的心音时能自动做出判断提示甚至发出报警信号,这对心脏疾病的临床研究具有极其重要的研究价值。针对以上所述通过以下几个方面对心音信号进行研究:采用HKY-06B心音传感器采集心音信号,通过Cool Edit Pro2.1录音软件实现对心音信号的格式转换和储存、通过小波分析法对心音信号进行预处理、运用Mel频率倒谱系数对心音信号进行特征提取以及利用高斯混合模型对心音信号进行识别。通过预处理、特征参数提取等步骤后,建立GMM,将采样信号输入GMM心音模型库进行识别,能够准确判断心音是正常心音还是病理性心音。
【文章来源】：广西师范大学学报(自然科学版). 2015,33(03)北大核心
【文章页数】：11 页
【部分图文】：
图１心音信号Ｆｉｇ．１Ｈｅａｒｔｓｏｕｎｄｓｉｇｎａｌｓ
第３期周克良等：心音信号特征分析与识别方法研究Ｗｓ（ｊ，ｋ）＝ａ－１／２∑Ｎ－１ｎ＝０ｓ（ｎ）ψ（ａ－ｊ／２－ｋ），（７）式中Ｎ为一帧心音信号的采样点数，对ｓ（ｎ）进行多次小波变换，可以得到一组小波系数，利用这些小波系数即可对原信号进行重构。实验结果如图３。图３待去噪的心音信号Ｆｉｇ．３Ｈｅａｒｔｓｏｕｎｄｓｉｇｎａｌｓｔｏｂｅｄｅ－ｎｏｉｓｉｎｇ在Ｍａｔｌａｂ中通过程序对该心音信号进行去噪后，得到的信号如图４。图４心音信号的小波去噪Ｆｉｇ．４ＷａｖｅｌｅｔＤｅｎｏｉｓｉｎｇｏｆｈｅａｒｔｓｏｕｎｄｓｉｇｎａｌｓ对比图３和图４，不难发现在Ｓ１和Ｓ２之间的干扰信号已经消除，此时心音在时域上各个成分有清晰的界限，心音信号的主要能量集中在Ｓ１和Ｓ２，少部分存在于第３心音Ｓ３，至此，心音信号预处理过程已经基本完成。３心音信号的特征提取用２种方法对心音信号的特征参数进行了提取，分别是对心音信号经验模态分解法（ｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ，ＥＭＤ）［１２］以及提取心音信号的Ｍｅｌ频率倒谱系数（ＭＦＣＣ参数）［１３］。通过对比得出了ＭＦＣＣ参数能够比ＥＭＤ分解取得更好的识别效果，并大大缩短模型训练的时间。ＭＦＣＣ参数是提取法基于语音信号识别技术而衍生出来的语音类信号特征参数。ＭＦＣＣ参数具体的提取过程，如图５所示。如图５所示，ＭＦＣＣ参数提取过程可以归纳为：①快速傅里叶变换。在经过去噪分帧等步骤之后，得到最接近原始心音的信号之后，利
３期周克良等：心音信号特征分析与识别方法研究Ｗｓ（ｊ，ｋ）＝ａ－１／２∑Ｎ－１ｎ＝０ｓ（ｎ）ψ（ａ－ｊ／２－ｋ），（７）式中Ｎ为一帧心音信号的采样点数，对ｓ（ｎ）进行多次小波变换，可以得到一组小波系数，利用这些小波系数即可对原信号进行重构。实验结果如图３。图３待去噪的心音信号Ｆｉｇ．３Ｈｅａｒｔｓｏｕｎｄｓｉｇｎａｌｓｔｏｂｅｄｅ－ｎｏｉｓｉｎｇ在Ｍａｔｌａｂ中通过程序对该心音信号进行去噪后，得到的信号如图４。图４心音信号的小波去噪Ｆｉｇ．４ＷａｖｅｌｅｔＤｅｎｏｉｓｉｎｇｏｆｈｅａｒｔｓｏｕｎｄｓｉｇｎａｌｓ对比图３和图４，不难发现在Ｓ１和Ｓ２之间的干扰信号已经消除，此时心音在时域上各个成分有清晰的界限，心音信号的主要能量集中在Ｓ１和Ｓ２，少部分存在于第３心音Ｓ３，至此，心音信号预处理过程已经基本完成。３心音信号的特征提取用２种方法对心音信号的特征参数进行了提取，分别是对心音信号经验模态分解法（ｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ，ＥＭＤ）［１２］以及提取心音信号的Ｍｅｌ频率倒谱系数（ＭＦＣＣ参数）［１３］。通过对比得出了ＭＦＣＣ参数能够比ＥＭＤ分解取得更好的识别效果，并大大缩短模型训练的时间。ＭＦＣＣ参数是提取法基于语音信号识别技术而衍生出来的语音类信号特征参数。ＭＦＣＣ参数具体的提取过程，如图５所示。如图５所示，ＭＦＣＣ参数提取过程可以归纳为：①快速傅里叶变换。在经过去噪分帧等步骤之后，得到最接近原始心音的信号之后，利用快
【参考文献】：
期刊论文
[1]EMD近似熵结合支持向量机的心音信号识别研究[J]. 黄林洲,郭兴明,丁晓蓉. 振动与冲击. 2012(19)
[2]小波包与混沌集成的心音特征提取及分类识别[J]. 郭兴明,丁晓蓉,钟丽莎,雷鸣,翁渐. 仪器仪表学报. 2012(09)
[3]生物医学信号处理方法概述[J]. 周杰. 华章. 2012 (08)
[4]基于改进高斯混合模型的前景检测[J]. 冯华文,龚声蓉,刘纯平. 计算机工程. 2011(19)
[5]基于小波变换的心音信号滤波方法研究[J]. 陈天华,韩力群,邢素霞,郭培源. 计算机仿真. 2010(12)
[6]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)
[7]心音时域分析的新方法研究[J]. 胡玉良,王海滨,陈健,江钟伟,乔军选. 生物医学工程学杂志. 2010(02)
[8]基于重训练高斯混合模型的语音转换方法[J]. 张凯,朱立新,赵义正. 声学技术. 2010(01)
[9]基于希尔伯特-黄变换的心音包络提取[J]. 许晓飞,林勇,严彬彬. 航天医学与医学工程. 2008(02)
[10]高斯混合模型聚类中EM算法及初始化的研究[J]. 岳佳,王士同. 微计算机信息. 2006(33)
硕士论文
[1]心音采集与分析方法研究[D]. 李天生.五邑大学 2009
[2]心音信号自动识别算法的研究[D]. 吴玉春.重庆大学 2009
[3]基于神经网络的心音信号识别算法研究[D]. 姚晓帅.重庆大学 2004
本文编号：3444871
【文章来源】：广西师范大学学报(自然科学版). 2015,33(03)北大核心
【文章页数】：11 页
【部分图文】：
图１心音信号Ｆｉｇ．１Ｈｅａｒｔｓｏｕｎｄｓｉｇｎａｌｓ
第３期周克良等：心音信号特征分析与识别方法研究Ｗｓ（ｊ，ｋ）＝ａ－１／２∑Ｎ－１ｎ＝０ｓ（ｎ）ψ（ａ－ｊ／２－ｋ），（７）式中Ｎ为一帧心音信号的采样点数，对ｓ（ｎ）进行多次小波变换，可以得到一组小波系数，利用这些小波系数即可对原信号进行重构。实验结果如图３。图３待去噪的心音信号Ｆｉｇ．３Ｈｅａｒｔｓｏｕｎｄｓｉｇｎａｌｓｔｏｂｅｄｅ－ｎｏｉｓｉｎｇ在Ｍａｔｌａｂ中通过程序对该心音信号进行去噪后，得到的信号如图４。图４心音信号的小波去噪Ｆｉｇ．４ＷａｖｅｌｅｔＤｅｎｏｉｓｉｎｇｏｆｈｅａｒｔｓｏｕｎｄｓｉｇｎａｌｓ对比图３和图４，不难发现在Ｓ１和Ｓ２之间的干扰信号已经消除，此时心音在时域上各个成分有清晰的界限，心音信号的主要能量集中在Ｓ１和Ｓ２，少部分存在于第３心音Ｓ３，至此，心音信号预处理过程已经基本完成。３心音信号的特征提取用２种方法对心音信号的特征参数进行了提取，分别是对心音信号经验模态分解法（ｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ，ＥＭＤ）［１２］以及提取心音信号的Ｍｅｌ频率倒谱系数（ＭＦＣＣ参数）［１３］。通过对比得出了ＭＦＣＣ参数能够比ＥＭＤ分解取得更好的识别效果，并大大缩短模型训练的时间。ＭＦＣＣ参数是提取法基于语音信号识别技术而衍生出来的语音类信号特征参数。ＭＦＣＣ参数具体的提取过程，如图５所示。如图５所示，ＭＦＣＣ参数提取过程可以归纳为：①快速傅里叶变换。在经过去噪分帧等步骤之后，得到最接近原始心音的信号之后，利
３期周克良等：心音信号特征分析与识别方法研究Ｗｓ（ｊ，ｋ）＝ａ－１／２∑Ｎ－１ｎ＝０ｓ（ｎ）ψ（ａ－ｊ／２－ｋ），（７）式中Ｎ为一帧心音信号的采样点数，对ｓ（ｎ）进行多次小波变换，可以得到一组小波系数，利用这些小波系数即可对原信号进行重构。实验结果如图３。图３待去噪的心音信号Ｆｉｇ．３Ｈｅａｒｔｓｏｕｎｄｓｉｇｎａｌｓｔｏｂｅｄｅ－ｎｏｉｓｉｎｇ在Ｍａｔｌａｂ中通过程序对该心音信号进行去噪后，得到的信号如图４。图４心音信号的小波去噪Ｆｉｇ．４ＷａｖｅｌｅｔＤｅｎｏｉｓｉｎｇｏｆｈｅａｒｔｓｏｕｎｄｓｉｇｎａｌｓ对比图３和图４，不难发现在Ｓ１和Ｓ２之间的干扰信号已经消除，此时心音在时域上各个成分有清晰的界限，心音信号的主要能量集中在Ｓ１和Ｓ２，少部分存在于第３心音Ｓ３，至此，心音信号预处理过程已经基本完成。３心音信号的特征提取用２种方法对心音信号的特征参数进行了提取，分别是对心音信号经验模态分解法（ｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ，ＥＭＤ）［１２］以及提取心音信号的Ｍｅｌ频率倒谱系数（ＭＦＣＣ参数）［１３］。通过对比得出了ＭＦＣＣ参数能够比ＥＭＤ分解取得更好的识别效果，并大大缩短模型训练的时间。ＭＦＣＣ参数是提取法基于语音信号识别技术而衍生出来的语音类信号特征参数。ＭＦＣＣ参数具体的提取过程，如图５所示。如图５所示，ＭＦＣＣ参数提取过程可以归纳为：①快速傅里叶变换。在经过去噪分帧等步骤之后，得到最接近原始心音的信号之后，利用快
【参考文献】：
期刊论文
[1]EMD近似熵结合支持向量机的心音信号识别研究[J]. 黄林洲,郭兴明,丁晓蓉. 振动与冲击. 2012(19)
[2]小波包与混沌集成的心音特征提取及分类识别[J]. 郭兴明,丁晓蓉,钟丽莎,雷鸣,翁渐. 仪器仪表学报. 2012(09)
[3]生物医学信号处理方法概述[J]. 周杰. 华章. 2012 (08)
[4]基于改进高斯混合模型的前景检测[J]. 冯华文,龚声蓉,刘纯平. 计算机工程. 2011(19)
[5]基于小波变换的心音信号滤波方法研究[J]. 陈天华,韩力群,邢素霞,郭培源. 计算机仿真. 2010(12)
[6]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)
[7]心音时域分析的新方法研究[J]. 胡玉良,王海滨,陈健,江钟伟,乔军选. 生物医学工程学杂志. 2010(02)
[8]基于重训练高斯混合模型的语音转换方法[J]. 张凯,朱立新,赵义正. 声学技术. 2010(01)
[9]基于希尔伯特-黄变换的心音包络提取[J]. 许晓飞,林勇,严彬彬. 航天医学与医学工程. 2008(02)
[10]高斯混合模型聚类中EM算法及初始化的研究[J]. 岳佳,王士同. 微计算机信息. 2006(33)
硕士论文
[1]心音采集与分析方法研究[D]. 李天生.五邑大学 2009
[2]心音信号自动识别算法的研究[D]. 吴玉春.重庆大学 2009
[3]基于神经网络的心音信号识别算法研究[D]. 姚晓帅.重庆大学 2004
本文编号：3444871
本文链接：https://www.wllwen.com/yixuelunwen/xxg/3444871.html
最近更新
教材专著
