CN108903914A - 一种基于emd分解的mfcc的心音类型识别方法 - Google Patents
一种基于emd分解的mfcc的心音类型识别方法 Download PDFInfo
- Publication number
- CN108903914A CN108903914A CN201810556611.2A CN201810556611A CN108903914A CN 108903914 A CN108903914 A CN 108903914A CN 201810556611 A CN201810556611 A CN 201810556611A CN 108903914 A CN108903914 A CN 108903914A
- 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
Links
Classifications
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于EMD分解的MFCC的心音类型识别方法,包含心音信号预处理步骤、心音信号的自相关分段步骤、心音信号的EMD分解并筛选出主IMF分量步骤、心音信号的MFCC提取算法步骤、心音信号的训练和识别步骤。本发明的基于EMD分解的MFCC的心音类型识别方法,通过改进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,非常适合临床辅助诊断心血管疾病。
Description
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分解的MFCC的心音类型识别方法。
背景技术
作为心脏及大血管机械运动所产生的振动信号,心音是人体最重要的生理信号之一。当心血管疾病尚未发展到足以产生临床及病理改变以前,心音中就会出现一些重要的病理信息,这些病理信息在许多疾病中都有特征性体现,这对心血管疾病的诊断和病情的估计都是十分有意义的。因此,心音分析是无创检测心血管疾病的重要手段,已经成为临床辅助诊断该类疾病的有效方法之一。
现有技术中,大多数的心音分类识别功能仅限于区分正常和异常心音信号,很少对异常心音信号进行更细致的分类识别,因此分类尚不精细,且识别正确率有待进一步提高。
发明内容
本发明的目的是克服上述背景技术中不足,针对心音为周期信号的特点,提供一种基于EMD分解的MFCC的心音类型识别方法,通过改进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,非常适合临床辅助诊断心血管疾病。
为了达到上述的技术效果,本发明采取以下技术方案:
一种基于EMD分解的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;
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特征参数的提取并保存;
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分解的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。
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分解后提取主IMF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,且本实施例中具体采用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12维的特征参数MFCC。
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。
步骤D2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。
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特征参数的提取,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,本发明的技术方案主要是先根据心音的特点,提出心音的自相关分段算法,然后心音信号经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分量的MFCC,使之更加适合非稳定周期信号,以提高识别精度,并最终对正常以及各个异常的病例信号进行有效的识别。
本发明通过改进提取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)
1.一种基于EMD分解的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;
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特征参数的提取并保存;
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所述的一种基于EMD分解的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所述的一种基于EMD分解的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所述的一种基于EMD分解的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所述的一种基于EMD分解的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所述的一种基于EMD分解的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所述的一种基于EMD分解的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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810556611.2A CN108903914A (zh) | 2018-06-01 | 2018-06-01 | 一种基于emd分解的mfcc的心音类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810556611.2A CN108903914A (zh) | 2018-06-01 | 2018-06-01 | 一种基于emd分解的mfcc的心音类型识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108903914A true CN108903914A (zh) | 2018-11-30 |
Family
ID=64418879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810556611.2A Pending CN108903914A (zh) | 2018-06-01 | 2018-06-01 | 一种基于emd分解的mfcc的心音类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108903914A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109887510A (zh) * | 2019-03-25 | 2019-06-14 | 南京工业大学 | 一种基于经验模态分解与mfcc的声纹识别方法及装置 |
CN111210845A (zh) * | 2019-12-20 | 2020-05-29 | 太原理工大学 | 一种基于改进自相关特征的病理语音检测装置 |
WO2021042590A1 (zh) * | 2019-09-06 | 2021-03-11 | 江苏华康信息技术有限公司 | 一种基于极值能量分解法的心电图信号量化分析方法 |
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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2018
- 2018-06-01 CN CN201810556611.2A patent/CN108903914A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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)
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 (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109887510A (zh) * | 2019-03-25 | 2019-06-14 | 南京工业大学 | 一种基于经验模态分解与mfcc的声纹识别方法及装置 |
WO2021042590A1 (zh) * | 2019-09-06 | 2021-03-11 | 江苏华康信息技术有限公司 | 一种基于极值能量分解法的心电图信号量化分析方法 |
CN111210845A (zh) * | 2019-12-20 | 2020-05-29 | 太原理工大学 | 一种基于改进自相关特征的病理语音检测装置 |
CN111210845B (zh) * | 2019-12-20 | 2022-06-21 | 太原理工大学 | 一种基于改进自相关特征的病理语音检测装置 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104706321B (zh) | 一种基于改进的mfcc的心音类型识别方法 | |
CN108670291A (zh) | 基于emd结合改进的mfcc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 | |
CN111238814B (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
CN108701469B (zh) | 咳嗽声音识别方法、设备和存储介质 | |
CN108682433A (zh) | 基于mfcc的一阶差分系数的心音类型识别方法 | |
CN109932624B (zh) | 一种基于高斯尺度空间的电缆局放周期窄带干扰去噪方法 | |
CN110970042B (zh) | 一种电子听诊器的肺部啰音人工智能实时分类方法、系统、装置及可读存储介质 | |
CN108847253B (zh) | 车辆型号识别方法、装置、计算机设备及存储介质 | |
CN105147252A (zh) | 心脏疾病识别及评估方法 | |
Zakaria et al. | Three resnet deep learning architectures applied in pulmonary pathologies classification | |
CN110942784A (zh) | 基于支持向量机的鼾声分类系统 | |
Abdollahpur et al. | Cycle selection and neuro-voting system for classifying heart sound recordings | |
CN110543831A (zh) | 一种基于卷积神经网络的脑纹识别方法 | |
Singh et al. | Preliminary analysis of cough sounds | |
CN108937857A (zh) | 一种心音信号的识别与评估方法 | |
CN111108554A (zh) | 一种基于语音降噪的声纹识别方法和相关装置 | |
CN113555038A (zh) | 基于无监督领域对抗学习的说话人无关语音情感识别方法及系统 | |
CN111862978A (zh) | 一种基于改进mfcc系数的语音唤醒方法及系统 | |
CN111341327A (zh) | 一种基于粒子群算法的说话人语音识别方法、装置和设备 | |
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 | |
US11992322B2 (en) | Heart rhythm detection method and system using radar sensor | |
CN113948088A (zh) | 基于波形模拟的语音识别方法及装置 | |
CN113375065A (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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181130 |