CN109431517A - 一种基于心音的身份识别方法 - Google Patents

一种基于心音的身份识别方法 Download PDF

Info

Publication number
CN109431517A
CN109431517A CN201811346201.1A CN201811346201A CN109431517A CN 109431517 A CN109431517 A CN 109431517A CN 201811346201 A CN201811346201 A CN 201811346201A CN 109431517 A CN109431517 A CN 109431517A
Authority
CN
China
Prior art keywords
heart sound
cardiechema signals
method based
personal identification
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
CN201811346201.1A
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 CN201811346201.1A priority Critical patent/CN109431517A/zh
Publication of CN109431517A publication Critical patent/CN109431517A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/117—Identification of persons
    • 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
    • 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
    • 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
    • A61B7/00—Instruments for auscultation
    • A61B7/02—Stethoscopes
    • A61B7/04—Electric stethoscopes

Abstract

本发明公开了一种基于心音的身份识别方法，实现步骤如下：A.心音信号的S变换的特征提取算法；B.S变换特征结合改进的MFCC作为本发明的特征参数；C.通过GMM模型，实现身份识别。本发明的基于心音的身份识别方法，通过自相关分段算法结合改进的MFCC算法以及S变换，实现深层次心音特征信息的挖掘。并将该参数输入GMM模型，实现身份识别。

Description

一种基于心音的身份识别方法
技术领域
本发明涉及心音技术领域，特别涉及一种基于心音的身份识别方法。
背景技术
常见的生物特征识别技术有指纹、虹膜、视网膜、人脸、声纹、步态等。心音信号蕴含了丰富的个体特征，心音信号的唯一性、不易伪造、易采集性决定了心音信号可以用于生物特征识别领域。
不同于传统的生物识别技术，心音身份识别技术采用心音信号进行身份识别。不同的人的心音信号有着完全不同的特征且具有极高的稳定性，可以作为生物识别技术的识别特征。近年来，国内外一些研究人员对心音身份识别进行了研究，证明了采用心音信号进行个人身份识别的可能性，并取得了一定的进展。
发明内容
本发明的目的是克服上述背景技术中不足，提供一种基于心音的身份识别方法，通过自相关分段算法结合改进的MFCC算法以及S变换，实现深层次心音特征信息的挖掘。并将该参数输入GMM模型，实现身份识别。
为了达到上述的技术效果，本发明采取以下技术方案：
一种基于心音的身份识别方法，其特征在于，包括以下步骤：
A.将心音信号进行自相关分段，将心音信号分成以周期为单位的小段；
B.利用心音信号的改进的MFCC提取算法，提取出能反应心音更深层次信息的改进的MFCC参数；
C.利用心音信号的S变换提取算法，提取S变换后的特征信息；
D.心音信号的高斯混合模型建模和匹配，对高斯混合模型训练完成之后，再用高斯混合模型对心音信号进行识别。
进一步地，所述步骤A中在进行心音信号自相关分段前还包括对心音信号进行预处理，且所述心音信号的预处理具体包括以下步骤：
A1.1对收到的心音信号进行重采样；
A1.2对重采样后的心音信号进行巴特沃斯低通滤波；
A1.3对滤波后的心音信号进行去噪。
进一步地，所述步骤A1.1中具体是对收到的心音信号进行5点重采样，且采样频率为2205Hz、所述步骤A1.2中对重采样后的信号进行滤波时，具体设置通带最大衰减为3db，阻带最小衰减为18db；或所述步骤A1.3中具体是采用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A中将心音信号进行自相关分段时具体包括以下步骤：
A2.1计算心音信号的幅度均值；
A2.2设定参数：设定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；
A2.3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；
A2.4将这M段心音信号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；
A2.5寻找每个组合段中第一个第一心音的起始点；
A2.6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；
A2.7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。
进一步地，所述步骤A2.5中为了避免起点正好位于第一心音处，以连续100个点小于心音信号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B具体包括以下步骤：
B1.预加重滤波器；
B2.计算分段后得到各个心音信号的MFCC；
B3.计算MFCC的一阶差分系数。
进一步地，所述步骤C具体包括以下步骤：
C1.对步骤A中自相关分段后的心音信号进行快速傅里叶变换，将变换结果扩维为其中，N为该离散信号的长度，m的取值为0至N-1中任一整数，n为频率采样的点数，T为采样间隔时间，具体可根据实际情况进行设置；
C2.求取高斯窗函数的FFT变换，得到
C3.按频率采样点计算的傅里叶逆运算即得到S变换时频复矩阵。
进一步地，所述步骤C3中还包括将得到的S变换时频复矩阵中每若干列的最大值作为特征向量。
进一步地，所述步骤D具体包括以下步骤：
D1.估计高斯混合模型的参数，完成对训练样本中每一例信号的高斯混合模型建模，即为高斯混合模型的训练过程；
D2.对高斯混合模型训练完成之后，即进行心音信号的识别。
进一步地，所述步骤D1中高斯混合模型的训练过程中首先采用K-means算法来初始化参数，再通过EM算法进行参数估计，进而为每一个心音信号建立各自的高斯混合模型；或所述步骤D2中进行心音信号的识别时是将步骤C中提取的待测试心音信号的特征参数与训练模型进行匹配，并分别求出待测试心音信号的特征参数与各模型之间的似然函数值，当似然函数值达到最大时对应的模型即为待测心音的识别结果。
本发明与现有技术相比，具有以下的有益效果：
本发明的基于心音的身份识别方法中主要是针对心音为周期信号的特点，将自相关分段算法结合改进的MFCC算法以及S变换，实现深层次心音特征信息的挖掘，并将该参数输入GMM模型，实现身份识别，从而充分利用不同的人的心音信号有着完全不同的特征且具有极高的稳定性的特征，将心音作为生物识别技术的识别特征，实现心音信号的身份识别。
附图说明
图1是本发明的基于心音的身份识别方法的流程示意图。
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：
如图1所示，一种基于心音的身份识别方法，具体包括以下步骤：
步骤1：将采集的心音信号进行重采样，滤波、去噪等相关预处理。
具体的，步骤1包括以下步骤：
步骤1.1.对收到的心音数据进行重采样；
作为优选，进行重采样时，具体是对收到的心音信号进行5点重采样，且采样频率为2205Hz。
步骤1.2.对重采样后的信号进行巴特沃斯低通滤波；
作为优选，对重采样后的信号进行滤波事，具体设置通带最大衰减为3db，阻带最小衰减为18db。
步骤1.3.对滤波后的心音信号进行去噪。
作为优选，步骤1.3是采用小波变换对滤波后的心音信号进行去噪，且优选采用dmey小波。
步骤2：将预处理后的信号进行自相关分段：
步骤2.1.计算去噪后的心音数据的幅度均值；
步骤2.2.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；
步骤2.3.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；
步骤2.4.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，舍去多余的分段；
步骤2.5.寻找每个组合段中第一个第一心音的起始点；
具体的，为了避免起点正好位于第一心音处，此步骤中以连续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。
步骤2.6.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；
步骤2.7.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3：利用心音信号的改进的MFCC提取算法，提取出能反应心音更深层次信息的改进的MFCC参数。具体包括：
步骤3.1预加重滤波器；
具体为将心音信号s(n)通过一个高通滤波器，该滤波器的系统函数的具体形式为：H(z)＝1-a*(z-1)，其中系数a的值大于0.9小于1.0。
步骤3.2.计算分段后得到各个心音信号的MFCC；
具体是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，L为正整数。
步骤3.3.计算MFCC的一阶差分系数。
在提取MFCC以后即可计算其一阶差分系数，将其记为△MFCC，其计算公式为：
d(n)即为所求的ΔMFCC参数，其中c(n)为一帧心音信号的MFCC特征参数序列，k为常数，通常取2。
步骤4：心音信号的S变换提取算法：
步骤4.1.对步骤2中自相关分段后的心音信号进行快速傅里叶变换,将变换结果扩维为N为该离散信号的长度，m的取值为0至N-1中任一整数，n为频率采样的点数，T为采样间隔时间，具体可根据实际情况进行取值；
步骤4.2.求取高斯窗函数的FFT变换,得到
步骤4.3.按频率采样点计算的傅里叶逆运算即得到S变换时频复矩阵。其中，将得到的变换矩阵中每若干列的最大值作为特征向量。
步骤5：高斯混合模型GMM的建模和识别：
步骤5.1.首先估计出GMM的参数，从而即可完成对训练样本中每一例信号的GMM建模，即为GMM的训练过程。
其中，训练时，首先采用K-means算法来初始化参数，再通过EM算法进行参数估计，进而为每一个心音信号建立各自的高斯混合模型。
步骤5.2.对GMM训练完成之后，就可以开始进行心音信号的识别。
具体的，识别时，将提取的待测试心音的特征参数与训练模型进行匹配，并分别求出它与各模型之间的似然函数值，当该值达到最大时对应的模型即为待测心音的识别结果。
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 (10)

1.一种基于心音的身份识别方法，其特征在于，包括以下步骤：
A.将心音信号进行自相关分段，将心音信号分成以周期为单位的小段；
B.利用心音信号的改进的MFCC提取算法，提取出能反应心音更深层次信息的改进的MFCC参数；
C.利用心音信号的S变换提取算法，提取S变换后的特征信息；
D.心音信号的高斯混合模型建模和匹配，对高斯混合模型训练完成之后，再用高斯混合模型对心音信号进行识别。
2.根据权利要求1所述的一种基于心音的身份识别方法，其特征在于，所述步骤A中在进行心音信号自相关分段前还包括对心音信号进行预处理，且所述心音信号的预处理具体包括以下步骤：
A1.1对收到的心音信号进行重采样；
A1.2对重采样后的心音信号进行巴特沃斯低通滤波；
A1.3对滤波后的心音信号进行去噪。
3.根据权利要求2所述的一种基于心音的身份识别方法，其特征在于，所述步骤A1.1中具体是对收到的心音信号进行5点重采样，且采样频率为2205Hz、所述步骤A1.2中对重采样后的信号进行滤波时，具体设置通带最大衰减为3db，阻带最小衰减为18db；或所述步骤A1.3中具体是采用小波变换对滤波后的心音信号进行去噪。
4.根据权利要求1或2所述的一种基于心音的身份识别方法，其特征在于，所述步骤A中将心音信号进行自相关分段时具体包括以下步骤：
A2.1计算心音信号的幅度均值；
A2.2设定参数：设定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；
A2.3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；
A2.4将这M段心音信号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；
A2.5寻找每个组合段中第一个第一心音的起始点；
A2.6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；
A2.7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。
5.根据权利要求4所述的一种基于心音的身份识别方法，其特征在于，所述步骤A2.5中为了避免起点正好位于第一心音处，以连续100个点小于心音信号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4所述的一种基于心音的身份识别方法，其特征在于，所述步骤B具体包括以下步骤：
B1.预加重滤波器；
B2.计算分段后得到各个心音信号的MFCC；
B3.计算MFCC的一阶差分系数。
7.根据权利要求4所述的一种基于心音的身份识别方法，其特征在于，所述步骤C具体包括以下步骤：
C1.对步骤A中自相关分段后的心音信号进行快速傅里叶变换，将变换结果扩维为其中，N为该离散信号的长度，m的取值为0至N-1中任一整数，n为频率采样的点数，T为采样间隔时间；
C2.求取高斯窗函数的FFT变换，得到
C3.按频率采样点计算的傅里叶逆运算即得到S变换时频复矩阵。
8.根据权利要求7所述的一种基于心音的身份识别方法，其特征在于，所述步骤C3中还包括将得到的S变换时频复矩阵中每若干列的最大值作为特征向量。
9.根据权利要求7所述的一种基于心音的身份识别方法，其特征在于，所述步骤D具体包括以下步骤：
D1.估计高斯混合模型的参数，完成对训练样本中每一例信号的高斯混合模型建模，即为高斯混合模型的训练过程；
D2.对高斯混合模型训练完成之后，即进行心音信号的识别。
10.根据权利要求9所述的一种基于心音的身份识别方法，其特征在于，所述步骤D1中高斯混合模型的训练过程中首先采用K-means算法来初始化参数，再通过EM算法进行参数估计，进而为每一个心音信号建立各自的高斯混合模型；或所述步骤D2中进行心音信号的识别时是将步骤C中提取的待测试心音信号的特征参数与训练模型进行匹配，并分别求出待测试心音信号的特征参数与各模型之间的似然函数值，当似然函数值达到最大时对应的模型即为待测心音的识别结果。
CN201811346201.1A 2018-11-13 2018-11-13 一种基于心音的身份识别方法 Pending CN109431517A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811346201.1A CN109431517A (zh) 2018-11-13 2018-11-13 一种基于心音的身份识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811346201.1A CN109431517A (zh) 2018-11-13 2018-11-13 一种基于心音的身份识别方法

Publications (1)

Publication Number Publication Date
CN109431517A true CN109431517A (zh) 2019-03-08

Family

ID=65552793

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811346201.1A Pending CN109431517A (zh) 2018-11-13 2018-11-13 一种基于心音的身份识别方法

Country Status (1)

Country Link
CN (1) CN109431517A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111582138A (zh) * 2020-04-30 2020-08-25 山东大学 基于频域倒谱系数特征的心电身份识别方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102968986A (zh) * 2012-11-07 2013-03-13 华南理工大学 基于长时特征和短时特征的重叠语音与单人语音区分方法
CN104361197A (zh) * 2014-09-24 2015-02-18 杭州电子科技大学 基于舰船辐射噪声mfcc特征的水声目标识别方法
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
CN105147252A (zh) * 2015-08-24 2015-12-16 四川长虹电器股份有限公司 心脏疾病识别及评估方法
CN106251880A (zh) * 2015-06-03 2016-12-21 创心医电股份有限公司 识别生理声音的方法以及系统
CN106941005A (zh) * 2017-02-24 2017-07-11 华南理工大学 一种基于语音声学特征的声带异常检测方法
CN106952643A (zh) * 2017-02-24 2017-07-14 华南理工大学 一种基于高斯均值超矢量与谱聚类的录音设备聚类方法
CN107391994A (zh) * 2017-07-31 2017-11-24 东南大学 一种基于心音认证的Windows登入认证系统方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102968986A (zh) * 2012-11-07 2013-03-13 华南理工大学 基于长时特征和短时特征的重叠语音与单人语音区分方法
CN104361197A (zh) * 2014-09-24 2015-02-18 杭州电子科技大学 基于舰船辐射噪声mfcc特征的水声目标识别方法
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
CN106251880A (zh) * 2015-06-03 2016-12-21 创心医电股份有限公司 识别生理声音的方法以及系统
CN105147252A (zh) * 2015-08-24 2015-12-16 四川长虹电器股份有限公司 心脏疾病识别及评估方法
CN106941005A (zh) * 2017-02-24 2017-07-11 华南理工大学 一种基于语音声学特征的声带异常检测方法
CN106952643A (zh) * 2017-02-24 2017-07-14 华南理工大学 一种基于高斯均值超矢量与谱聚类的录音设备聚类方法
CN107391994A (zh) * 2017-07-31 2017-11-24 东南大学 一种基于心音认证的Windows登入认证系统方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111582138A (zh) * 2020-04-30 2020-08-25 山东大学 基于频域倒谱系数特征的心电身份识别方法及系统

Similar Documents

Publication Publication Date Title
CN104706321A (zh) 一种基于改进的mfcc的心音类型识别方法
CN108701469B (zh) 咳嗽声音识别方法、设备和存储介质
CN109074822B (zh) 特定声音识别方法、设备和存储介质
CN106951753B (zh) 一种心电信号的认证方法和认证装置
CN102968990B (zh) 说话人识别方法和系统
CN108281146B (zh) 一种短语音说话人识别方法和装置
CN108670291A (zh) 基于emd结合改进的mfcc的心音类型识别方法
CN104771178B (zh) 身份识别的方法及装置
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
CN103750844B (zh) 一种基于脑电相位同步的身份识别方法
CN113080969B (zh) 基于多模态特征的测谎数据处理方法及系统
CN105147252A (zh) 心脏疾病识别及评估方法
CN110600053A (zh) 一种基于ResNet与LSTM网络的脑卒中构音障碍风险预测方法
CN107766781B (zh) 一种快速心电身份识别的方法及其系统
CN113488060B (zh) 一种基于变分信息瓶颈的声纹识别方法及系统
CN108682433A (zh) 基于mfcc的一阶差分系数的心音类型识别方法
CN109961794A (zh) 一种基于模型聚类的分层说话人识别方法
CN109846476A (zh) 一种基于机器学习技术的室颤识别方法
CN110192864B (zh) 一种跨域心电图生物特征身份识别方法
CN108903914A (zh) 一种基于emd分解的mfcc的心音类型识别方法
CN108922514A (zh) 一种基于低频对数谱的鲁棒特征提取方法
CN108937857A (zh) 一种心音信号的识别与评估方法
KR20150138559A (ko) 심전도 생체정보를 이용한 실시간 개인 인증방법
CN109431517A (zh) 一种基于心音的身份识别方法
CN109919050B (zh) 身份识别方法和装置

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: 20190308