搜索

处理领域作为音频分类特征。WangPing等25 将MFCC用于提取心杂音

gecimao 发表于 2019-06-27 16:34 | 查看: | 回复:

  处理领域作为音频分类特征。WangPing等25 将MFCC用于提取心杂音的特征值 包括舒张期杂音、收缩期杂音和连续性杂音 并对比时域特征和STFT提取心音的方法 结果表明MFCC的灵敏度和特异性都较高 MFCC用于心音特征提取能达到很好的效果。 模式识别 统计模式识别方法统计模式识别方法是基于测量

  处理领域作为音频分类特征。WangPing等25 将MFCC用于提取心杂音的特征值 包括舒张期杂音、收缩期杂音和连续性杂音 并对比时域特征和STFT提取心音的方法 结果表明MFCC的灵敏度和特异性都较高 MFCC用于心音特征提取能达到很好的效果。 模式识别 统计模式识别方法统计模式识别方法是基于测量和变换模式结构的基础上进行分类的 根据信号的参数模型提取特征 通过逐步多元分析自动筛选特征量 然后利用统计分析的方法建立判别函数 最后以该判决函数来设计的分类器。统计模式识别理论基础较为扎实 应用最广泛的是贝叶斯统计决策理论 并且该方法为设计最优分类器的可能性提供了理论依据。统计模式识别方法应用到心音信号识别 并取得了一些成果。其中Joo 26 使用极 零点模型法对20例心音样本进行分类 识别率为17 20。Durand等 27 将两种模式识别方法 高斯 贝叶斯模型和最邻近原则法 应用心脏瓣膜退化的研究 对象是48例病人用生物瓣膜中的猪瓣膜插入心脏二尖瓣的位置 28例生物瓣膜已经退化 另外28例正常 识别效果很好 最好的达到98 传统的统计模式识别方法以“最佳划分”为目标收敛的条件是使得分类出错的风险最小 存在一些局限性。主要是特征向量规范影响了系统的灵活性 导致不能更有效地利用样本信息 从而只有通过增大样本量才能取得较好的识别效果 增加了运算量 使得识别系统速度、性能和效率降低 随着语音识别技术的发展 隐马尔科夫模型 HiddenMarkovModels HMM 发展成语音识别研究中的主流技术。Hanjouri等 28 2002年将HMM技术用于心音的识别 包含11种心脏疾病的330个心音数据 用3种不同的方法进行特征提取 识别率均高于97 表明将HMM用于心音识别效果很好。 神经网络模式识别由于人工神经网络方法能模拟人的智能行为 可以处理较不确定的、复杂的或者是非线性的问题。该方法具有对数学模型精确度要求不高 没有对变量的假设性要求等优点 逐渐广泛地应用到医学信号的识别中。Barschodorff等 29 将神经网络用于心脏病是先天性还是后天性的进行分类。Durand等 30 设计了一个三层前馈反向传播神经网络 对象是47个将生物瓣膜植入主动脉瓣的病人 利用瓣膜关闭音来研究生物瓣膜退化情况 并对其进行分类。叶学松等 31 利用小波变换分析来提取冠状动脉疾病特征 通过径向基函数网络 RBF网络 进行训练和识别 将正常组和冠心病组分类。 其他识别的方法有的研究人员采用AR模型、心音分形、时频分布、谱估计等进行心音信号的重庆大学硕士学位论文 自动识别取得了不少有益的成果。例如 王海滨等 32 利用AR模型疾病分类 AR模型系数是通过Burg递推算法确定 判别标准是正常心音中第一心音和第二心音 与心脏病患者的第一心音和第二心音对比辨识。卢耘等 33 首次将分形引入到心音 用分形维数指标定量描述心音复杂度 结果表明分维数用于心音疾病的分类。文献 34 提出一种利用时频分布估计心脏瓣膜状况的方法 采用Choi Williams方法作时变谱 提取9个特征参数进行分类 准确率达到44 45。 研究目的在心音信号的特征分析研究的基础上 充分考虑心杂音信号的特殊性 筛选高效快速的心音识别算法 提高心音识别的准确率 为进一步的更全面的心音分析奠定基础 提取心脏储备指标和基于心杂音的心脏能量效率指标 为医生的辅助诊断提供参考 建立心音数据库 开发心音分析和识别的软件系统 实现对病人基本信息和心音数据的现代化操作和管理。 研究内容本课题的主要研究内容如下 心音信号的特征分析 首先了解心音信号的时域特征可为后面心音定位分段提供依据 心音信号的频域特征 考虑从信号频域的角度分离正常心音成分和杂音成分分别用谱估计的方法对正常心音信号和心杂音信号进行分析 用离散短时傅里叶变换进行心音信号的时 频域联合分析。 心音信号的识别算法的研究 首先进行心音信号的预处理 利用小波阈值算法分离正常心音成分和杂音成分 利用归一化香农能量提取心音的包络 根据心音信号的特征定位分段 提取心音信号的MFCC特征参数 利用HMM模型进行模式识别 并与目前常用于模式识别的人工神经网络的方法进行对比 提取基于心音信号的医学指标 包括基于心音 心力关系的心脏储备指标和基于心杂音的心脏能量效率指标 并针对运动员、孕产妇、心血管疾病病人以及普通对照组的心脏储备指标进行统计分析。 建立心音数据库 对病人基本信息和心音数据进行管理 并实现心音实时采集、分析和心脏储备指标的提取等功能 实现基于心音信号的心脏疾病辅助诊断。 论文的结构安排根据课题研究的目的和内容 本文的具体结构安排如下 第1章绪论 介绍课题研究的背景意义 对现有的心音信号分析和识别方法进行了回顾和总结。 第2章心音信号的特征分析 介绍了心音信号的生理学基础 分别介绍了心重庆大学硕士学位论文 音及心杂音的时域特征和频域特征并对心音信号进行了谱估计和离散短时傅里叶变换。 第3章心音信号的识别算法研究 第一部分心音信号预处理中利用小波阈值分离杂音和正常心音成分 再利用归一化香农能量提取心音包络 根据心音信号的时域特征进行心音的分段定位 确定各个心音成分的位置。第二部分是提取心音信号的Mel频率倒谱特征参数。最后是利用隐马尔科夫模型实现心音信号的模式识别 提取基于心音信号的医学指标。 第4章心音数据库管理系统的开发 在VC 0的平台选择SQL Server数据库 开发数据库对病人基本信息和心音数据进行管理。并通过Matlab与Vc 的混合编程技术 实现心音信号分析软件开发。 第5章总结和展望 对本课题研究的工作进行总结 并展望下一步的研究方向。 重庆大学硕士学位论文 心音信号的生理学基础心音的产生 35 主要是血流冲击心脏瓣膜、房室壁、大血管等所形成的振动 心音是振动产生的信号 另外一部分产生心音的振动是心脏周期性的搏动使心肌刚性迅速的减小和增加形成的。 心动周期是指心脏每一次的搏动 即心脏的收缩和舒张。心音就是由心脏搏动引起的 出现的在心动周期的位置与心脏活动有一定的规律 正常心音会随着心脏的搏动呈现出周期性的变化 其持续时间和音调都呈现一定的规律。心动周期中心房和心室活动顺序和时间关系如图2 1所示。 1心房和心室活动顺序与时间的关系Figure2 movementsequence ventricle心音主要成分 第一心音、第二心音、第三心音和第四心音。安静状态下 多数人群一般只能听到S1和S2 心血管疾病患者中比较容易听到S3和S4。在某些特殊的人群中S3也可能会出现 如健康儿童、孕产妇和青年人等。心音也会随着年龄的增长而出现变化 比如年龄在40岁以上仍然健康心音中也可能出现S4。应激状态下 人群中S3的出现较为普遍 也有少数出现S4的情况。因此 S3和S4的出现对于心脏疾病的评估和应激状态的反映有一定的参考价值。 重庆大学硕士学位论文 除上述四种心音成分外心音中还可能会出现杂音成分。一般杂音的产生都与心脏结构或者是瓣膜出现了异常或者病变有很密切的关系。杂音的产生的机制 36 是血液动力学性质的改变会使血流速度加快或者紊乱 血流状态由层流变成湍流 这时心脏壁或血管壁振动形成杂音。 正常心音的时域特征第一心音位置相当于是心电图上QRS波后的0 02 04秒持续约0 08 08秒左右约为第一心音的一半。S3的特点是频率、振幅低 相当于心电图上T波之后 20秒持续时间约为0 05秒。S4振幅低 相当于心电图P波后约0 08 14秒。心音心电对应的时间关系如图2 1所示。 2心音心电对应的时间关系图 Figure timerelationship between PCG ECG为了能够清楚地描述心音成分在心音图的位置及进行时域特征的定量分析 定义几个与时间相关的指标 如图2 3所示。收缩期时限指从第一心音起始点开始到第二心音起征点为止的这段时间 舒张期时限指从第二心音起始点到下一个心动周期开始的这段时间 S1时限是指S1的持续时间 S2时限是指S2 的持续时间 S1 S2间期和S2 S1间期是从收缩期时限和舒张期时限的定义中衍生的 S1 S2间期相当于不包含S1时限的收缩期时限 S2 S1间期当于不包含S2时限的重庆大学硕士学位论文 心音信号时域指标Figure2 Timedomain indexes heartsound signal S1 S2间期和S2 S1间期、S1时限和S2时限对于心音分析识别中S1、S2的定位分段非常重要 同时S1时限和S2时限对心音类型的确定也是非常重要。年龄和人群的不同 心音的时限和间期有所不同。一般来说 S1时限为70 150ms左右 S2时限为60 120ms左右。心脏的收缩和舒张是通过窦房结产生的兴奋传向心肌细胞控制的。正常情况下 心脏的收缩期比舒张期时间短 在心音图上也可以表现为S1 S2间期比S2 S1间期小。成年人的平均心率约为75次 因此心动周期约为0 舒张期占05秒。通常情况下S2 S1间期与S1 S2间期的比例大概是2 杂音的时域特征杂音在心动周期中出现的时刻 对于通过杂音判定心脏疾病的类型具有十分重要临床意义。因此 不论心音图或听诊都应该对杂音出现的时间进行详细的描述。为了明确杂音产生、开始和终止的时间 还应该说明与S1、S2的相对位置的关系。 根据在心动周期中出现的时期不同 将杂音分为 收缩期杂音 出现在S1 S2间期 舒张期杂音 出现在S2 S1间期 双期杂音 也称“来回性杂音” 同时在收缩期和舒张期出现 但不是连续的两者可以分开 连续性杂音 满足出现在收缩期与舒张期是连续的 且不被S2打断 全期杂音 在整个心动周期的任何时期都有出现。另外针对收缩期杂音和舒张期杂音这两类杂音 根据杂音出现在这两个时期的早晚 进一步分为早期、中期和晚期。 正常心音的频率心音的频率范围较广 几乎包含在10Hz 1000Hz之间。心音信号各成分的主要能量分布在不同的频段范围。S1主要在低频段10 140Hz S1波峰主要在10Hz 50Hz低频段和50Hz 140Hz中频段。S2相对于S1频率较高 分布也更广泛重庆大学硕士学位论文 心音信号的特征分析10 10 400H S2波峰包含了低中高三个频段 低频段10Hz 80Hz 中频段80Hz 200Hz 高频段220Hz 400Hz。S3与S4则主要分布在50Hz以下的频段范围 且幅度比S1与S2低很多。对于同一个受试者 在同一部位进行测试 S1音调较低 S2的音调较高 较清脆 即表明S1频率小于S2频率。但是对于不同受试者的心音 在不同频带的能量分布是不固定的。因此 认识心音的频率特性对应心音分析和识别具有很重要的意义 尤其是针对心音的不同成分进行的分析。 心杂音的频率杂音的音调是由其频率决定的 频率高 则音调高 反之频率低 则音调低。一般情况下较快的血流速度冲击所形成的杂音音调较高 较慢的血流速度冲击所形成的杂音音调较低。根据心杂音频率可以将心音分为 高频音 120Hz 中频音 80 120Hz 低频音 80Hz 37 。吹风样杂音属于高频率杂音 频率范围一般在100 200Hz间 也可能在200 400Hz 甚至高达1000Hz。中频音是介于高频音和低频音之间 多是较粗糙的吹风样杂音。隆隆样或雷鸣样等杂音多属于低频率 频率范围在40 100Hz。心音频谱分布情况 37 如下表所示 心音频谱分布Table Spectrumdistribution 心音类型 主要频率分布Hz 第一心音 50 150 第二心音 50 200 第三心音和第四心音 10 50 心包摩擦音 100 600 舒张期回流性杂音和收缩期喷射性杂音 100 600 舒张期充盈性隆隆样杂音 40 50 通常心音信号杂音成分的频率高于S1和S2的频率 这为通过滤波方法消除杂音成分在心音信号分析处理中的影响提供了条件。下面将具体对采集的心音信号及杂音进行谱估计分析 探索其频域特性 为分离心杂音奠定基础。 心音信号谱估计经典谱估计的本质是传统傅氏分析法 目前估计主要采用的有两种方法。一种是自相关法 该方法是1958年由Blackman和Tukey提出的 它首先通过自相关函数进行估计 然后通过傅氏变换得功率谱估计值 另一种是周期图法 它是将所观察到的有限个数据样本 Nxxx利用傅氏变换后直接进行功率谱估计。周期图法计算效率高 在谱分辨率要求不高时通常选用该方法进行谱估重庆大学硕士学位论文 心音信号的特征分析11 其主要的缺点是方差性能不好。Welch提出对周期图的修正算法称为welch算法 该算法原理简单、容易实现 是较为有效实用的一种经典谱估计方法 可以改善估计谱曲线的光滑度 改善了方差性能。 Welch法 Welch法对周期图法的改进体现在以下两个方面 每段数据允许有交叠减小了不相关性 方差降低。 自由选择适当的窗函数可以克服使用矩形窗导致分辨率降低的问题 还可以减少频谱的泄露。Welch谱估计法 38 实现的具体步骤是 数据分段 选择适当的窗函数处理 再求每段的功率谱 最后是总平均 流程图如2 3所示 数据分段窗函数各段功率谱平均功率谱心音信号 Welch法流程图 Figure flowchart welchmethod Welch 法谱估计的计算公式如 所示12101P 其中wn为窗函数 U为归一化因子 M是每段长度。 将数据平均分成L段 假设各段数据互为独立 方差降低为原来的1 从概率统计原理上使得方差降低达到一致估计的目的。Welch法在实际应用时需要根据所分析的信号特点综合考虑 兼顾方差、偏差和分辨率等性能 选择恰当的窗函数和分段长度。 正常心音信号谱估计 Matlab实现Welch法的功率谱估计主要利用自身提供的psd与pwelch函数 两个函数只是参数设置有差别 最终的分析效果是一样的。本文对心音信号的功率谱分析采用pwelch函数来实现 窗函数分别选择hamming窗、blackman窗和矩形窗。 正常心音信号功率谱分析的实验结果如图2 4所示。正常心音主要在低频段 最大的波峰在100Hz左右 第二峰值在250Hz左右。 重庆大学硕士学位论文 心音信号的特征分析12 00 5005时间 心音信号050 40 30 20 10频率Hz矩形窗0200400600 60 50 40 30 20 10频率Hzhamming窗0 60 50 40 30 20 10频率Hzblackman窗 正常心音信号功率谱Figure2 Powerspectrum normalheart sound signal 心杂音的谱估计 5是一例收缩期杂音的Welch法谱估计结果。其功率谱分布在第一心音和第二心音之间存在着高频谱的部分。与正常心音信号相比出现多个峰值。该信号的谱峰值频率约为200Hz 频率主要成分在150Hz 300Hz。 00 50051时间 心音信号040 30 20 10频率Hz矩形窗0200400600 60 50 40 30 20 10频率Hzhamming窗0 60 50 40 30 20 10频率Hzblackman窗 心杂音的功率谱Figure2 Powerspectrum heartmurmur 心音信号的时频域分析傅里叶变换可以将信号在时频域之间变换 是平稳信号分析常用的方法 能重庆大学硕士学位论文 心音信号的特征分析13 有效地反映信号的实际频率特性。但是 傅里叶变换作为一种整体变换 只能得到信号能量在频域上的分布 不能表示频率分量及其变化与时间的关系。心音信号是非平稳时变信号 时间的不断推移 频率特征是变化的 心音分析对时频分辨率要求较高。1946 Gabor 39 提出了短时傅里叶变换 short time Fourier transform STFT 其定义如下 jmxSTFTnxmwnme 是窗函数。STFT可以看成是jnxne 的线所示 离散短时傅里叶变换流程图Figure shorttime Fourier transform 从定义中可知STFT的窗函数是固定的 所以STFT的一个重要缺陷是时间和频率分辨率是固定的。STFT受限于不确定性原理 另一个缺陷是不可能同时在时域和频域获得高的分辨率。STFT对心音信号进行时频分析结果如图2 心音时频曲线Figure TimeFrequency curve heartsound

  心音信号特征分析与识别算法的研究,人脸识别算法,验证码识别算法,图像识别算法,语音识别算法,指纹识别算法,车牌识别算法,特征选择算法,算法的特征,目标识别算法

本文链接:http://ticatfans.com/duibilingmindu/488.html
随机为您推荐歌词

联系我们 | 关于我们 | 网友投稿 | 版权声明 | 广告服务 | 站点统计 | 网站地图

版权声明:本站资源均来自互联网,如果侵犯了您的权益请与我们联系,我们将在24小时内删除。

Copyright @ 2012-2013 织梦猫 版权所有  Powered by Dedecms 5.7
渝ICP备10013703号  

回顶部