CN109447181A - 一种心音信号Renyi熵超球体模型的建立方法 - Google Patents
一种心音信号Renyi熵超球体模型的建立方法 Download PDFInfo
- Publication number
- CN109447181A CN109447181A CN201811361497.4A CN201811361497A CN109447181A CN 109447181 A CN109447181 A CN 109447181A CN 201811361497 A CN201811361497 A CN 201811361497A CN 109447181 A CN109447181 A CN 109447181A
- Authority
- CN
- China
- Prior art keywords
- heart sound
- cardiechema signals
- renyi entropy
- body model
- transformation
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Heart & Thoracic Surgery (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种心音信号Renyi熵超球体模型的建立方法,包括如下步骤:1)将采集的心音信号进行预处理;2)将预处理后的信号进行自相关分段;3)在得到的分段结果基础上进行S变换:4)计算S变换后的Renyi熵;5)建立Renyi熵超球体模型。本发明基于心音信号自相关算法分段后得到的心音分段结果,求得心音分段结果中的S变换后的Renyi熵,根据这个参数设计了一种基于心音的Renyi熵超球体模型。本领域技术人员可以直接通过该模型获得心音的相关数据资料,为后续对人员心音的评估提供科学依据。
Description
技术领域
本发明涉及一种信号模型的建立方法,具体涉及一种心音信号Renyi熵超球体模型的建立方法,属于心音信号数据处理技术领域。
背景技术
对于包括心音信号在内的生理信号的非平稳,时频分析是能反映信号动态变化的方法;而对于生理信号的非线性,熵是刻画复杂度的量度,是非线性分析的一种方法。所以国内外许多学者在时频分析和熵的基础上对生理信号进行分析,并且验证了此方法的可行性。例如,利用ZAM时频变换和Renyi熵的方法对心脏收缩期杂音进行分析;在时频分析的基础上采用Renyi熵来检测新生儿的心率变异性;采用时频分析和Renyi熵的方法,对脑电信号进行分析;利用Renyi熵,小波熵,lz复杂度对肌电信号进行分析。因此,在时频分析的基础上,运用Renyi熵对生理信号复杂性分析具有很大意义。
现有技术中,心音信号的分析大多数被应用到识别分类中,而且很少有基于Renyi熵对心音信号进行分析的技术方案。同时,更没有建立一个基于心音信号Renyi熵的超球体模型的技术公开。
发明内容
本发明的目的在于克服现有技术的缺陷,提供一种通过对心音信号进行Renyi熵计算,并基于Renyi熵建立一个超球体模型的技术方案。
本发明是这样实现的:
一种心音信号Renyi熵超球体模型的建立方法,包括如下步骤:
1)将采集的心音信号进行预处理
所述预处理包括重采样,滤波和去噪;具体包括:
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;
2)将预处理后的信号进行自相关分段:
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;
3)在得到的分段结果基础上进行S变换:
C1.信号h(t)的S变换定义为
其中,τ为控制高斯窗口在t轴位置的参数。f为频率,h(t)为心音信号,i为虚数单位。
4)计算3)中S变换后的Renyi熵:
D1.S变换下的Renyi熵定义为
其中,α为Renyi熵的阶数,α选取的值为3;
5)建立Renyi熵超球体模型
通过采集心脏活力较好的运动员群体的心音信号的Renyi熵以及普通人的心音信号的Renyi熵,将他们以7:3的比例输入SVDD训练成一个超球体的模型,即Renyi熵超球体。
更进一步的方案是:
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。
更进一步的方案是:
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。
更进一步的方案是:
所述心音信号Renyi熵超球体模型将心音信号经S变换的Renyi熵作为输入信息进行心音的评估。
本发明中,SVDD是对SVM分类算法的一种变形,通过已知的一类数据训练包含尽可能多的数据样本的超球面,球面的半径应该尽可能小。
将测试样本的Renyi熵输入这个Renyi熵超球体,用测试样本到球心的距离,也就是该特征向量与运动员水平在超球体内的距离关系远近来确定一个分数值,作为心音的评估标准,距离球心越近代表与运动员标准越接近,代表心脏活力越好,其次反之。测试样本落在球心代表分值为100,落在边缘或边缘外代表分值为0,其他介于两者之间。
本发明基于心音信号自相关算法分段后得到的心音分段结果,求得心音分段结果中的S变换后的Renyi熵,根据这个参数设计了一种基于心音的Renyi熵超球体模型。本领域技术人员可以直接通过该模型获得心音的相关数据资料,为后续对人员心音的评估提供科学依据。
附图说明
图1为本发明方法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的说明。
本发明是这样实现的:
一种心音信号Renyi熵超球体模型的建立方法,包括如下步骤:
1)将采集的心音信号进行预处理
所述预处理包括重采样,滤波和去噪;具体包括:
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。
2)将预处理后的信号进行自相关分段:
B1.计算去噪后的心音数据的幅度均值;假设在一定的心音信号长度内,将这个长度内N个点的幅值相加,除以N,就是心音数据的幅度均值。
B2.设定参数:重采样后,确定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.由心音信号长度与s_max的值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。
3)在得到的分段结果基础上进行S变换:
C1.信号h(t)的S变换定义为
其中,τ为控制高斯窗口在t轴位置的参数。f为频率,h(t)为心音信号,i为虚数单位。
4)计算3)中S变换后的Renyi熵:
D1.S变换下的Renyi熵定义为
其中,α为Renyi熵的阶数,α选取的值为3。
5)建立Renyi熵超球体模型
通过采集心脏活力较好的运动员群体的心音信号的Renyi熵以及普通人的心音信号的Renyi熵,将他们以7:3的比例输入SVDD训练成一个超球体的模型,即Renyi熵超球体。
SVDD是对SVM分类算法的一种变形,通过已知的一类数据训练包含尽可能多的数据样本的超球面,球面的半径应该尽可能小。
将测试样本的Renyi熵输入这个Renyi熵超球体,用测试样本到球心的距离,也就是该特征向量与运动员水平在超球体内的距离关系远近来确定一个分数值,作为心音的评估标准,距离球心越近代表与运动员标准越接近,代表心脏活力越好,其次反之。测试样本落在球心代表分值为100,落在边缘或边缘外代表分值为0,其他介于两者之间。
具体而言,直接将心音信号输入支持向量机SVDD中,就可以建立超球体模型。心音信号数据输入的数量越多越好,越多越能纠正数据偏差,获得更加准确的模型。
尽管这里参照本发明的解释性实施例对本发明进行了描述,上述实施例仅为本发明较佳的实施方式,本发明的实施方式并不受上述实施例的限制,应该理解,本领域技术人员可以设计出很多其他的修改和实施方式,这些修改和实施方式将落在本申请公开的原则范围和精神之内。
Claims (4)
1.一种心音信号Renyi熵超球体模型的建立方法,其特征在于包括如下步骤:
1)将采集的心音信号进行预处理
所述预处理包括重采样,滤波和去噪;具体包括:
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;
2)将预处理后的信号进行自相关分段:
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;
3)在得到的分段结果基础上进行S变换:
C1.信号h(t)的S变换定义为
其中,τ为控制高斯窗口在t轴位置的参数。f为频率,h(t)为心音信号,i为虚数单位;
4)计算3)中S变换后的Renyi熵:
D1.S变换下的Renyi熵定义为
其中,α为Renyi熵的阶数,α选取的值为3;
5)建立Renyi熵超球体模型
通过采集心脏活力较好的运动员群体的心音信号的Renyi熵以及普通人的心音信号的Renyi熵,将他们以7:3的比例输入SVDD训练成一个超球体的模型,即Renyi熵超球体。
2.根据权利要求1所述心音信号Renyi熵超球体模型的建立方法,其特征在于:
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。
3.根据权利要求1所述心音信号Renyi熵超球体模型的建立方法,其特征在于:
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。
4.根据权利要求1所述心音信号Renyi熵超球体模型的建立方法,其特征在于:
所述心音信号Renyi熵超球体模型将心音信号经S变换的Renyi熵作为输入信息进行心音的评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811361497.4A CN109447181A (zh) | 2018-11-15 | 2018-11-15 | 一种心音信号Renyi熵超球体模型的建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811361497.4A CN109447181A (zh) | 2018-11-15 | 2018-11-15 | 一种心音信号Renyi熵超球体模型的建立方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109447181A true CN109447181A (zh) | 2019-03-08 |
Family
ID=65553020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811361497.4A Pending CN109447181A (zh) | 2018-11-15 | 2018-11-15 | 一种心音信号Renyi熵超球体模型的建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447181A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103120592A (zh) * | 2012-11-29 | 2013-05-29 | 中国人民解放军第四军医大学 | 一种心音电子听诊与智能健康分析系统 |
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 |
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 |
-
2018
- 2018-11-15 CN CN201811361497.4A patent/CN109447181A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103120592A (zh) * | 2012-11-29 | 2013-05-29 | 中国人民解放军第四军医大学 | 一种心音电子听诊与智能健康分析系统 |
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 |
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 |
Non-Patent Citations (2)
Title |
---|
张莉 等: "《基于S变换和Renyi熵的舒张期心音信号分析》", 《杭州电子科技大学学报》 * |
梁庆真 等: "《局部投影和离散小波变换在心音信号去噪中的应用》", 《振动与冲击》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109065027B (zh) | 语音区分模型训练方法、装置、计算机设备及存储介质 | |
CN109961017A (zh) | 一种基于卷积循环神经网络的心音信号分类方法 | |
CN106226407B (zh) | 一种基于奇异谱分析的超声回波信号在线预处理方法 | |
CN105976809A (zh) | 基于语音和面部表情的双模态情感融合的识别方法及系统 | |
CN108922513B (zh) | 语音区分方法、装置、计算机设备及存储介质 | |
CN104706321A (zh) | 一种基于改进的mfcc的心音类型识别方法 | |
CN104078039A (zh) | 基于隐马尔科夫模型的家用服务机器人语音识别系统 | |
CN105448291A (zh) | 基于语音的帕金森症检测方法及检测系统 | |
WO2019023879A1 (zh) | 咳嗽声音识别方法、设备和存储介质 | |
CN105147252A (zh) | 心脏疾病识别及评估方法 | |
CN114469124B (zh) | 一种运动过程中异常心电信号的识别方法 | |
CN110189756A (zh) | 一种用于监测生猪异常声音的方法及系统 | |
CN109512390A (zh) | 基于eeg时域多维度特征及m-wsvm的睡眠分期方法及可穿戴装置 | |
CN113689093A (zh) | 基于人工智能的课堂质量评估方法及系统 | |
CN106548786A (zh) | 一种音频数据的检测方法及系统 | |
CN109065073A (zh) | 基于深度svm网络模型的语音情感识别方法 | |
CN112382302A (zh) | 婴儿哭声识别方法及终端设备 | |
CN114093501A (zh) | 基于同步视频与脑电的儿童运动性癫痫智能辅助分析方法 | |
CN105916090A (zh) | 一种基于智能化语音识别技术的助听器系统 | |
CN108682433A (zh) | 基于mfcc的一阶差分系数的心音类型识别方法 | |
CN111489763A (zh) | 一种基于gmm模型的复杂环境下说话人识别自适应方法 | |
CN108937857A (zh) | 一种心音信号的识别与评估方法 | |
CN104036785A (zh) | 语音信号的处理方法和装置、以及语音信号的分析系统 | |
CN109447181A (zh) | 一种心音信号Renyi熵超球体模型的建立方法 | |
CN111862991A (zh) | 一种婴儿哭声的识别方法及系统 |
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: 20190308 |
|
RJ01 | Rejection of invention patent application after publication |