CN108670291A - 基于emd结合改进的mfcc的心音类型识别方法 - Google Patents

基于emd结合改进的mfcc的心音类型识别方法 Download PDF

Info

Publication number
CN108670291A
CN108670291A CN201810556602.3A CN201810556602A CN108670291A CN 108670291 A CN108670291 A CN 108670291A CN 201810556602 A CN201810556602 A CN 201810556602A CN 108670291 A CN108670291 A CN 108670291A
Authority
CN
China
Prior art keywords
heart sound
cardiechema signals
mfcc
emd
identification method
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810556602.3A
Other languages
English (en)
Inventor
梁庆真
刘传银
刘贤洪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Changhong Electric Co Ltd
Original Assignee
Sichuan Changhong Electric Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan Changhong Electric Co Ltd filed Critical Sichuan Changhong Electric Co Ltd
Priority to CN201810556602.3A priority Critical patent/CN108670291A/zh
Publication of CN108670291A publication Critical patent/CN108670291A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B7/00—Instruments for auscultation
    • A61B7/02—Stethoscopes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Acoustics & Sound (AREA)
  • Vascular Medicine (AREA)
  • Cardiology (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了基于EMD结合改进的MFCC的心音类型识别方法，包含心音信号预处理、心音信号的自相关分段、心音信号的EMD分解，并筛选出主IMF分量、心音信号的MFCC的一阶差分系数提取算法、心音信号的训练和识别。本发明的基于EMD结合改进的MFCC的心音类型识别方法，通过改进提取MFCC这一倒谱域参数，来提取能表征不同类型心音特点的深层次信息，实现心音信号的有效识别，有效的提高了识别精度，对于心血管疾病的诊断具有重要价值。

Description

基于EMD结合改进的MFCC的心音类型识别方法
技术领域
本发明涉及心音类型识别方法技术领域，特别涉及一种基于EMD结合改进的MFCC的心音类型识别方法。
背景技术
心音是人体重要的生理信号之一，由心肌收缩、心脏瓣膜关闭和血液撞击房室壁、大动脉壁等引起的振动所产生的声音。心音包含重要的生理病理信息，对于心血管疾病的诊断具有重要价值。因此对舒张期心音信号进行识别分析对于心脏疾病的诊断具有重要的意义。
心音的分类识别一直是心音分析领域中的研究热点，旨在利用分类器根据不同心音中杂音的内在特征判定出不同的心音信号所属的心脏疾病类型。目前许多学者提出了多种心音的特征提取和分类方法，但这些方法大多数建立在心音信号线性时变或时不变模型的基础上。而心音为具有非线性和非平稳特性的振动信号，线性的分析方法势必会忽略信号内部一些重要的信息，因此，现有技术中的心音类型识别方法存在识别精度较低的问题。
发明内容
本发明的目的是解决上述背景技术中的不足，针对心音为周期信号的特点，提供一种基于EMD结合改进的MFCC的心音类型识别方法，主要是一种基于主IMF分量MFCC的Delta值的心音类型识别方法，通过提取主IMF分量MFCC的Delta值，来表征不同类型心音特点的深层次信息，实现心音信号的有效识别并有效提高识别率。
为了达到上述的技术效果，本发明采取以下技术方案：
基于EMD结合改进的MFCC的心音类型识别方法，包含以下步骤：
步骤一：心音信号预处理；
A1.对收到的心音数据进行重采样；
A2.对重采样后的心音信号进行巴特沃斯低通滤波；
A3.对滤波后的心音信号进行去噪；
步骤二：心音信号的自相关分段；
B1.计算去噪后的心音数据的幅度均值；
B2.设定参数:重采样后，一个心音周期的最小点数s_min＝750，心音周期的最大点数s_max＝2500；
B3.由心音信号长度以及一个心音周期的最大长度相除得到该心音信号的分段数M；
B4.将这M段心音数据从开始到结束依次两两组合，若M为奇数则有多余的分段，多余的分段舍去；
B5.寻找每个组合段中第一个第一心音的起始点；
B6.计算组合段内所找到的第一心音起始点所在的心音周期与该段内的下个心音周期的自相关系数，并保存；
B7.选择所有组合段中最大的自相关系数所在的心音周期，作为分段结果；
步骤三：心音信号的EMD分解，并筛选出主IMF分量；
C1.确定心音信号x(t)所有的局部极大值和局部极小值；
C2.利用三次样条插值法对极值点进行处理得到极大值和极小值包络，并求出包络均值曲线m(t)，并用x(t)减去m(t)得：
h1(t)＝x(t)-m(t)；
C3.将h1(t)作为新的信号继续重复k次步骤C2得到h1k(t)，此时标准差SD为:
C4.若SD≤0.3，令h1k(t)＝cc1(t)即为所求的第一个固有模态分量IMF1，则剩余分量r1(t)＝x(t)-cc1(t)；
C5.对r1(t)重复步骤C4直至rn(t)为一单调函数，则分解过程结束，则此时心音信号x(t)可表示为：
步骤四：心音信号的MFCC的一阶差分系数提取算法；
D1.预加重滤波器；将心音信号x(t)通过一个高通滤波器，形式为：H(z)＝1-a*(z-1)，其中系数a的值介于0.9和1.0之间；
D2.计算每个固有模态分量IMF的MFCC；
D3.计算MFCC的Delta值；对MFCC特征向量序列在时序方向上做一次傅里叶变换，得到对应于MFCC特征的Delta特征，Delta特征反映的是语音帧间的动态特性，也称作是二维系数或速度系数，其计算过程为：
D(t)表示第t帧MFCC特征的Detla特征，Θ表示第t帧时序变化的语音帧的数量；
步骤五：心音信号的训练和识别；
E1.将采集的N种类型的心音信号分为两组，一组作为训练样本，另一组作为测试样本；
E2.对训练组和测试组的心音信号进行EMD分解后每个IMF分量MFCC的Delta值提取并保存；
E3.将提取到的训练样本以及测试样本的特征参数输入分类器进行分类处理，完成对不同心音类型的识别。
进一步地，所述步骤A1具体为对收到的心音信号进行5点重采样，采样频率为2205Hz。
进一步地，所述步骤A2具体为：对重采样后的心音信号进行滤波，设置通带最大衰减为3db，阻带最小衰减为18db。
进一步地，所述步骤A3采用dmey小波变换对滤波后的心音信号进行去噪。
进一步地，所述步骤B5中避免起点正好位于第一心音处，以连续100个点小于心音数据的幅值均值作为判定第一心音起始点的条件。
进一步地，所述步骤D2具体为：
D21.将自相关分段后的心音信号进行快速傅里叶变换；
D22.取平方计算心音信号的离散功率谱，将频谱能量乘以一组L个三角带通滤波器，求得每一个滤波器输出的对数能量，共L个；
D23.将上述的L个对数能量带入离散余弦变换，求出倒谱域参数：
其中{C}即为MFCC参数，P为MFCC的阶数，pj为第j个功率值参数，j为当前滤波器。
进一步地，所述步骤E3中的分类器为libsvm分类器。
本发明与现有技术相比，具有以下的有益效果：
本发明的基于EMD结合改进的MFCC的心音类型识别方法，通过改进提取MFCC这一倒谱域参数，来提取能表征不同类型心音特点的深层次信息，实现心音信号的有效识别，有效的提高了识别精度，对于心血管疾病的诊断具有重要价值。
具体实施方式
下面结合本发明的实施例对本发明作进一步的阐述和说明。
实施例：
一种基于EMD结合改进的MFCC的心音类型识别方法，包括以下步骤：
第一步.心音信号预处理；
A1.对收到的心音数据进行重采样；
A2.对重采样后的信号进行巴特沃斯低通滤波；
A3.对滤波后的心音信号进行去噪。
其中，步骤A1对收到的心音信号进行5点重采样，采样频率为2205Hz；步骤A2对重采样后的信号进行滤波，设置通带最大衰减为3db，阻带最小衰减为18db；步骤A3采用小波变换对滤波后的心音信号进行去噪，采用dmey小波。
第二步.心音信号的自相关分段；
B1.计算去噪后的心音数据的幅度均值；
B2.设定参数:重采样后，一个心音周期的最小点数s_min＝750，心音周期的最大点数s_max＝2500；
B3.由心音信号长度以及一个心音周期的最大长度相除得到该心音信号的分段数M；
B4.将这M段心音数据从开始到结束依次两两组合，若M为奇数则有多余的分段，多余的分段舍去；
B5.寻找每个组合段中第一个第一心音的起始点；
B6.计算组合段内所找到的第一心音起始点所在的心音周期与该段内的下个心音周期的自相关系数，并保存；
B7.选择所有组合段中最大的自相关系数所在的心音周期，作为分段结果。
其中，步骤B5避免起点正好位于第一心音处，以连续100个点小于心音数据的幅值均值作为判定第一心音起始点的条件。
第三步.心音信号的EMD(Empirical Mode Decomposition，经验模式分解)分解，并筛选出主IMF(Intrinsic Mode Function，固有模态函数)分量；
对于一心音信号x(t)，首先确定出信号所有的局部极大值和局部极小值，然后利用三次样条插值法对极值点进行处理得到极大值和极小值包络，并求出包络均值曲线m(t)，用x(t)减去m(t)可得：
h1(t)＝x(t)-m(t)
将h1(t)作为新的信号继续重复k次上述步骤得到h1k(t)，此时标准差SD为:
若SD≤0.3，令h1k(t)＝cc1(t)即为所求的第一个固有模态分量IMF1，则剩余分量r1(t)＝x(t)-cc1(t)，对r1(t)重复上述步骤直至rn(t)为一单调函数，则分解过程结束。则此时信号x(t)可表示为：
EMD通过迭代的方法将IMF分量按照频率由高到低的顺序依从原始信号中分离出来，它们充分体现了原始信号所包含的细节成分。
由于不同的心音信号的频率范围有所差异，则不同的心音信号所分解出来的IMF个数也不同，而原始信号最主要的本质信息往往集中体现在某几个IMF分量上，加上虚假分量的存在，因此必须对IMF分量进行筛选。
互相关函数是判断在频域内两个信号是否相关的一个指标，它可以用来确定目标信号有多大可能性来自于输入信号。故可采用互相关系数准则对IMF分量筛选，即计算每阶IMF分量与原消噪后的心音信号之间的互相关系数，选择系数较大的IMF分量作为主IMF分量。
本实施例中，通过大量实验数据表明，前四阶IMF分量与原去噪后的心音信号具有较强的相关性，因此选择IMF1～IMF4作为主IMF分量。
第四步.心音信号的MFCC的Delta值提取算法；在确定了主IMF分量即IMF1～IMF4后，分别对每个IMF分量单独提取特征参数MFCC的Delta值。
D1.预加重滤波器；
D2.计算每个IMF分量的MFCC；
其中，步骤D1将心音信号是s(n)通过一个高通滤波器，形式为：
H(z)＝1-a*(z-1)，其中系数a的值介于0.9和1.0之间。
步骤C2将自相关分段后的心音信号进行快速傅里叶变换，然后取平方计算心音信号的离散功率谱；将频谱能量乘以一组L个三角带通滤波器，求得每一个滤波器输出的对数能量，共L个；
将上述的L个对数能量带入离散余弦变换，求出倒谱域参数：
其中{C}即为MFCC参数，P为MFCC的阶数，pj为第j个功率值参数，j为当前滤波器。
D3.计算MFCC的Delta值。
对MFCC特征向量序列在时序方向上做一次傅里叶变换，便可得到对应于MFCC特征的Delta特征，Delta特征反映的是语音帧间的动态特性，也称作是二维系数或速度系数，其计算过程可简化为：
D(t)表示第t帧MFCC特征的Detla特征，Θ表示第t帧时序变化的语音帧的数量。
第五步.心音信号的训练和识别。
E1.对采集的N种类型的心音信号，分为两组，一组作为训练样本，另一组作为测试样本；
E2.对训练组和测试组的心音信号进行EMD分解后每个IMF分量MFCC的Delta值提取，并保存；
E3.将提取到的训练样本以及测试样本的特征参数输入libsvm分类器进行分类处理，完成对不同心音类型的识别。
因此，本发明的方法主要是先根据心音的特点，提出心音的自相关分段算法；再将心音信号经EMD分解得到有限个固有模态函数(Intrinsic Mode Function，IMF)，利用互相关系数准则筛选出主IMF分量，再提取主IMF分量MFCC的Delta值，使之更加适合非稳定周期信号，以提高识别精度，最后对正常以及各个异常的病例信号进行有效的识别。
本文通过改进提取主IMF分量MFCC的Delta值，来提取能表征不同类型心音特点的深层次信息，实现心音信号的有效识别及正常与几大类异常心音信号的有效识别，且识别精度较高，非常适合临床辅助诊断心血管疾病。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (7)

1.基于EMD结合改进的MFCC的心音类型识别方法，其特征在于，包含以下步骤：
步骤一：心音信号预处理；
A1.对收到的心音数据进行重采样；
A2.对重采样后的心音信号进行巴特沃斯低通滤波；
A3.对滤波后的心音信号进行去噪；
步骤二：心音信号的自相关分段；
B1.计算去噪后的心音数据的幅度均值；
B2.设定参数:重采样后，一个心音周期的最小点数s_min＝750，心音周期的最大点数s_max＝2500；
B3.由心音信号长度以及一个心音周期的最大长度相除得到该心音信号的分段数M；
B4.将这M段心音数据从开始到结束依次两两组合，若M为奇数则有多余的分段，多余的分段舍去；
B5.寻找每个组合段中第一个第一心音的起始点；
B6.计算组合段内所找到的第一心音起始点所在的心音周期与该段内的下个心音周期的自相关系数，并保存；
B7.选择所有组合段中最大的自相关系数所在的心音周期，作为分段结果；
步骤三：心音信号的EMD分解，并筛选出主IMF分量；
C1.确定心音信号x(t)所有的局部极大值和局部极小值；
C2.利用三次样条插值法对极值点进行处理得到极大值和极小值包络，并求出包络均值曲线m(t)，并用x(t)减去m(t)得：
h1(t)＝x(t)-m(t)；
C3.将h1(t)作为新的信号继续重复k次步骤C2得到h1k(t)，此时标准差SD为:
C4.若SD≤0.3，令h1k(t)＝cc1(t)即为所求的第一个固有模态分量IMF1，则剩余分量r1(t)＝x(t)-cc1(t)；
C5.对r1(t)重复步骤C4直至rn(t)为一单调函数，则分解过程结束，则此时心音信号x(t)可表示为：
步骤四：心音信号的MFCC的Delta值提取算法；
D1.预加重滤波器；将心音信号x(t)通过一个高通滤波器，形式为：H(z)＝1-a*(z-1)，其中系数a的值介于0.9和1.0之间；
D2.计算每个固有模态分量IMF的MFCC；
D3.计算MFCC的Delta值；对MFCC特征向量序列在时序方向上做一次傅里叶变换，得到对应于MFCC特征的Delta特征，Delta特征反映的是语音帧间的动态特性，也称作是二维系数或速度系数，其计算过程为：
D(t)表示第t帧MFCC特征的Detla特征，Θ表示第t帧时序变化的语音帧的数量；
步骤五：心音信号的训练和识别；
E1.将采集的N种类型的心音信号分为两组，一组作为训练样本，另一组作为测试样本；
E2.对训练组和测试组的心音信号进行EMD分解后每个IMF分量MFCC的Delta值提取并保存；
E3.将提取到的训练样本以及测试样本的特征参数输入分类器进行分类处理，完成对不同心音类型的识别。
2.根据权利要求1所述的基于EMD结合改进的MFCC的心音类型识别方法，其特征在于，所述步骤A1具体为对收到的心音信号进行5点重采样，采样频率为2205Hz。
3.根据权利要求1所述的基于EMD结合改进的MFCC的心音类型识别方法，其特征在于，所述步骤A2具体为：对重采样后的心音信号进行滤波，设置通带最大衰减为3db，阻带最小衰减为18db。
4.根据权利要求1所述的基于EMD结合改进的MFCC的心音类型识别方法，其特征在于，所述步骤A3采用dmey小波变换对滤波后的心音信号进行去噪。
5.根据权利要求1所述的基于EMD结合改进的MFCC的心音类型识别方法，其特征在于，所述步骤B5中避免起点正好位于第一心音处，以连续100个点小于心音数据的幅值均值作为判定第一心音起始点的条件。
6.根据权利要求1所述的基于EMD结合改进的MFCC的心音类型识别方法，其特征在于，所述步骤D2具体为：
D21.将自相关分段后的心音信号进行快速傅里叶变换；
D22.取平方计算心音信号的离散功率谱，将频谱能量乘以一组L个三角带通滤波器，求得每一个滤波器输出的对数能量，共L个；
D23.将上述的L个对数能量带入离散余弦变换，求出倒谱域参数：
其中{C}即为MFCC参数，P为MFCC的阶数，pj为第j个功率值参数，j为当前滤波器。
7.根据权利要求1所述的基于EMD结合改进的MFCC的心音类型识别方法，其特征在于，所述步骤E3中的分类器为libsvm分类器。
CN201810556602.3A 2018-06-01 2018-06-01 基于emd结合改进的mfcc的心音类型识别方法 Pending CN108670291A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810556602.3A CN108670291A (zh) 2018-06-01 2018-06-01 基于emd结合改进的mfcc的心音类型识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810556602.3A CN108670291A (zh) 2018-06-01 2018-06-01 基于emd结合改进的mfcc的心音类型识别方法

Publications (1)

Publication Number Publication Date
CN108670291A true CN108670291A (zh) 2018-10-19

Family

ID=63809456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810556602.3A Pending CN108670291A (zh) 2018-06-01 2018-06-01 基于emd结合改进的mfcc的心音类型识别方法

Country Status (1)

Country Link
CN (1) CN108670291A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109410977A (zh) * 2018-12-19 2019-03-01 东南大学 一种基于EMD-Wavelet的MFCC相似度的语音段检测方法
CN109431535A (zh) * 2018-11-13 2019-03-08 四川长虹电器股份有限公司 一种心力储备指数计算方法
CN109893161A (zh) * 2019-03-12 2019-06-18 南京大学 一种基于改进梅尔非线性频段划分的心音信号特征提取方法
CN110141205A (zh) * 2019-05-27 2019-08-20 深圳市是源医学科技有限公司 基于hrv技术的抗压数据、疲劳数据的测试方法和装置
CN110179492A (zh) * 2019-05-08 2019-08-30 四川新源生物电子科技有限公司 基于自适应双阈值的肠鸣音智能识别算法
CN110192892A (zh) * 2019-05-08 2019-09-03 四川新源生物电子科技有限公司 一种无线肠鸣音分析仪
CN112971802A (zh) * 2021-02-08 2021-06-18 中北大学 基于深度学习模型的心音信号检测方法及系统
WO2023077592A1 (zh) * 2021-11-04 2023-05-11 湖南万脉医疗科技有限公司 一种智能心电信号处理方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102968990A (zh) * 2012-11-15 2013-03-13 江苏嘉利德电子科技有限公司 说话人识别方法和系统
CN104706321A (zh) * 2015-02-06 2015-06-17 四川长虹电器股份有限公司 一种基于改进的mfcc的心音类型识别方法
CN105185384A (zh) * 2015-06-11 2015-12-23 王政 具有环境模拟功能的音控播放系统及控制方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102968990A (zh) * 2012-11-15 2013-03-13 江苏嘉利德电子科技有限公司 说话人识别方法和系统
CN104706321A (zh) * 2015-02-06 2015-06-17 四川长虹电器股份有限公司 一种基于改进的mfcc的心音类型识别方法
CN105185384A (zh) * 2015-06-11 2015-12-23 王政 具有环境模拟功能的音控播放系统及控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
NORDEN E.HUA: "《希尔伯特黄变换及其应用 第2版[M]. 2017》", 30 October 2017, 北京：国防工业出版社 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109431535A (zh) * 2018-11-13 2019-03-08 四川长虹电器股份有限公司 一种心力储备指数计算方法
CN109410977A (zh) * 2018-12-19 2019-03-01 东南大学 一种基于EMD-Wavelet的MFCC相似度的语音段检测方法
CN109893161A (zh) * 2019-03-12 2019-06-18 南京大学 一种基于改进梅尔非线性频段划分的心音信号特征提取方法
CN110179492A (zh) * 2019-05-08 2019-08-30 四川新源生物电子科技有限公司 基于自适应双阈值的肠鸣音智能识别算法
CN110192892A (zh) * 2019-05-08 2019-09-03 四川新源生物电子科技有限公司 一种无线肠鸣音分析仪
CN110179492B (zh) * 2019-05-08 2021-12-14 四川新源生物电子科技有限公司 基于自适应双阈值的肠鸣音智能识别算法
CN110192892B (zh) * 2019-05-08 2021-12-14 四川新源生物电子科技有限公司 一种无线肠鸣音分析仪
CN110141205A (zh) * 2019-05-27 2019-08-20 深圳市是源医学科技有限公司 基于hrv技术的抗压数据、疲劳数据的测试方法和装置
CN110141205B (zh) * 2019-05-27 2022-03-11 深圳市是源医学科技有限公司 基于hrv技术的抗压数据、疲劳数据的测试方法和装置
CN112971802A (zh) * 2021-02-08 2021-06-18 中北大学 基于深度学习模型的心音信号检测方法及系统
WO2023077592A1 (zh) * 2021-11-04 2023-05-11 湖南万脉医疗科技有限公司 一种智能心电信号处理方法

Similar Documents

Publication Publication Date Title
CN108670291A (zh) 基于emd结合改进的mfcc的心音类型识别方法
CN104706321B (zh) 一种基于改进的mfcc的心音类型识别方法
CN107610715B (zh) 一种基于多种声音特征的相似度计算方法
CN108701469B (zh) 咳嗽声音识别方法、设备和存储介质
KR101266894B1 (ko) 특성 추출을 사용하여 음성 향상을 위한 오디오 신호를 프로세싱하기 위한 장치 및 방법
CN110148420A (zh) 一种适用于噪声环境下的语音识别方法
CN108682433A (zh) 基于mfcc的一阶差分系数的心音类型识别方法
CN108903914A (zh) 一种基于emd分解的mfcc的心音类型识别方法
CN112401902B (zh) 基于神经网络时频分析相结合的心电身份识别方法及系统
CN110570880A (zh) 一种鼾声信号识别方法
CN105147252A (zh) 心脏疾病识别及评估方法
CN109473091A (zh) 一种语音样本生成方法及装置
CN109991520A (zh) 一种电缆振荡波局放检测系统用波速计算新方法
Singh et al. Preliminary analysis of cough sounds
CN110211596A (zh) 一种基于Mel子带谱熵鲸目动物哨声信号检测方法
Sharan et al. Evaluation of deep learning methods (DnCNN and U-Net) for denoising of heart auscultation signals
CN112466276A (zh) 一种语音合成系统训练方法、装置以及可读存储介质
Li Speech denoising based on improved discrete wavelet packet decomposition
CN108937857A (zh) 一种心音信号的识别与评估方法
CN113389541B (zh) 一种油井动液面信号高精度提取方法
CN110192864A (zh) 一种跨域心电图生物特征身份识别方法
CN110263760B (zh) 一种基于病理自适应的心音全变分滤波方法
CN107993666B (zh) 语音识别方法、装置、计算机设备及可读存储介质
CN115064182A (zh) 自适应梅尔滤波器在强噪声环境下风机故障特征识别方法
CN113375065B (zh) 管道泄漏监测中趋势信号的消除方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20181019

RJ01 Rejection of invention patent application after publication