CN110490176B - 一种基于多时窗心音信号的多元特征提取方法 - Google Patents
一种基于多时窗心音信号的多元特征提取方法 Download PDFInfo
- Publication number
- CN110490176B CN110490176B CN201910827240.1A CN201910827240A CN110490176B CN 110490176 B CN110490176 B CN 110490176B CN 201910827240 A CN201910827240 A CN 201910827240A CN 110490176 B CN110490176 B CN 110490176B
- Authority
- CN
- China
- Prior art keywords
- heart sound
- signals
- multivariate
- time sequence
- window
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于多时窗心音信号的多元特征提取方法。首先将采集到的多路心音信号进行相关性分析和信号间的误差分析,生成新的多元心音信号时间序列;利用新的多元心音信号时间序列提取同时窗下的同段同周期多路心音信号,生成同时窗多元心音时间序列信号,以及提取异时窗下的不同段不同周期多路心音信号,生成异时窗多元心音时间序列信号;然后,提取同时窗多元心音时间序列信号和异时窗多元心音时间序列信号的串行特征和并行特征;最后,将上述串行特征和并行特征合并,再提取出优化组合的特征作为多元特征。该多元特征能够有效区分人体身份信息;也可直接作用于支持向量机,实现身份特征识别,用于替代指纹、虹膜和人脸的身份信息识别方式。
Description
技术领域
本发明涉及一种多通道心音特征提取方法,尤其涉及一种基于多时窗心音信号的多元特征提取方法。
背景技术
人体身份识别目前多用指纹、虹膜和人脸的方式实现。指纹和虹膜识别存在会被盗取的可能,人脸识别则可能通过照片或者3D头套的方式进行破解,指纹、虹膜和人脸识别在一定程度上存在安全隐患。通过心音也可以做到身份识别的目的,单通道方面的心音身份识别已经有相关报道,当前心音信号采集一般多以单通道为主,但是单通道心音用于身份识别由于缺乏多通道之间的相互关联特性以及可能被记录,依然存在着安全隐患,如果采用多通道的采集方式,则容易对录播的信号进行甄别。目前以多通道心音为基础的身份识别是新的研究领域,采用多通道的方式采集心音信号来进行身份识别的特点在于安全性高,很难被复制和盗用,适用于安全性要求高的场所。其中多通道心音身份识别中重要点在于特征提取。所以有必要通过对多通道心音信号的串行特征及并行特征进行综合分析,提取其相关特征来进行身份识别。
发明内容
发明目的:本发明的目的是提供一种能够解决现有技术中存在的缺陷的一种基于多时窗心音信号的多元特征提取方法。
技术方案:本发明所述的一种基于多时窗心音信号的多元特征提取方法包括如下步骤:
(1)将采集到的多路心音信号进行相关性分析和信号间的误差分析,生成新的多元心音信号时间序列;
(2)在步骤(1)的基础上提取同时窗下的同段同周期多路心音信号生成同时窗多元心音时间序列;
(3)在步骤(1)的基础上提取异时窗下的不同段不同周期多路心音信号生成异时窗多元心音时间序列;
(4)在步骤(2)、步骤(3)的基础上提取同时窗多元心音时间序列和异时窗多元心音时间序列的串行特征和并行特征;其中,所述串行特征为同时窗多元心音时间序列和异时窗多元心音时间序列中每一路信号的心音独立元特征集合;所述并行特征为同时窗多元心音时间序列和异时窗多元心音时间序列各自的n路信号的心音互信息特征集合;
(5)在步骤(4)的基础上将其串行特征和并行特征合并后提取优化组合特征作为多元特征;
(6)将多元特征作为支持向量机的输入进行分类识别,得到身份特征识别结果。
进一步地,所述步骤(1)包括:
(11)获取n路心音信号,每路信号具有m个心动周期T1,T2,…,Tm,每个周期划分为4个部分:第一心音S1、第二心音S2、收缩期S、舒张期D,第n路信号为:
其中,Z∈{S1,S2,S,D},下标n表示第n路信号,上标S1,Tm、S2,Tm、S,Tm、D,Tm分别对应表示第n路信号中的第m个心动周期Tm中的第一心音信号、第二心音信号、收缩期信号、舒张期信号;
(12)计算多元心音信号间的相关系数ai,j(X,Y):
其中,X、Y为多路信号中任意两个信号,i、j分别为信号X、Y对应的通道的标号,且i可以等于j,即两路信号X可以等于Y;E(XY)为XY的期望,E(X)为X的期望,E(Y)为Y的期望,σX、σY为信号X、Y的标准差;
(13)计算第i路信号与其他路信号的分析误差值ei:
其中,n为总的心音信号通道数,j为第j路信号,σXi为第i路信号X的标准差:
(14)将采集到的n路心音信号按照相关性及信号间的分析误差值进行混合生产新的同样具有n路信号的多元心音信号时间序列,则新生成的第k路心音时间序列为:
X_moduk=ak,1X1+ak,2X2+…+ak,nXn+ekXk,k=1,…,n。
进一步地,所述步骤(2)包括:
(21)提取同时窗下的同段同周期多路心音信号,所述同时窗表示信号在同个时间段内,其对应的多路信号的第一心音S1、第二心音S2、收缩期S、舒张期D在同个周期内;根据步骤(11),在n路多元心音信号时间序列中,分别提取每一路信号的第m个心动周期下的第一心音、第二心音、收缩期、舒张期时段内的信号,对应组成待处理的具有n路信号的同段同周期多路心音时间序列如下:
Z∈{S1,S2,S,D}
(22)生成同时窗多元心音时间序列;将(21)中的待处理的同段同周期多路心音时间序列,进行步骤(12)、(13)、(14)的处理后,可以得到具有n路的同时窗多元心音时间序列:
X_syn=[X_syn1,X_syn2,X_syn3,…,X_synn]
同时窗多元心音时间序列中第k路心音时间序列为:
Z∈{S1,S2,S,D}。
进一步地,所述步骤(3)包括:
(31)提取异时窗下的不同段不同周期多元心音信号,所述异时窗表示信号在不同时间段内,其对应的多路信号的第一心音S1、第二心音S2、收缩期S、舒张期D在不同周期内;根据步骤(11),在n路多元心音信号时间序列中,分别提取n-1路信号的第m个心动周期下的第一心音、第二心音、收缩期、舒张期时段内的信号。并将其与剩下一路信号的第m+1个心动周期下的对应时段内的信号组成一个待处理的具有n路信号的第m个心动周期下的不同段不同周期多路心音时间序列:
Z∈{S1,S2,S,D};
例如提取第一个心动周期下的第一心音的不同段不同周期多路信号: 第一个心动周期下的第二心音的不同段不同周期多路信号:第二个心动周期下的第一心音的不同段不同周期多路信号:一般第一路信号选取下一个周期中对应心音段的信号,其余类似可推;
(32)生成异时窗多元心音时间序列;将(31)中的待处理的同段同周期多路心音时间序列,进行步骤(12)、(13)、(14)的处理后,可以得到具有n路的异时窗多元心音时间序列:
X_asyn=[X_asyn1,X_asyn2,X_asyn3,…,X_asynn]
异时窗多元心音时间序列中第k路心音时间序列为:
Z∈{S1,S2,S,D}。
进一步地,步骤(4)包括:
(41)对多元心音时间序列提取心音独立元特征,将心音独立元特征集合作为串行特征;所述独立元特征为D,提取公式如下:
F=GD+E
其中,F∈RN×n为输入数据矩阵,矩阵大小为N×n,N为每路信号采样点数,每路信号的采样点数都相同;n为多路心音的通道数,G∈RN×M,为[0,1]上取值的随机矩阵,M表示独立子空间维数,是心音的元数,所求得的D=[d(1),d(2),d(3),…,d(n)]∈RM×n为心音独立成分矩阵,d(n)是一个列向量,为矩阵D中对应的第n列的值,E为误差矩阵;
(42)根据步骤(41),令输入为同时窗多元心音时间序列:
Fin=[X_syn1,X_syn2,X_syn3,…,X_synn]
求得D_syn=[dsyn(1),dsyn(2),dsyn(3),…,dsyn(n)];
根据步骤(41),令输入为异时窗多元心音时间序列:
Fin′=[X_asyn1,X_asyn2,X_asyn3,…,X_asynn]
求得D_asyn=[dasyn(1),dasyn(2),dasyn(3),…,dasyn(n)];
(43)提取多元心音时间序列的互信息特性,得到多元心音时间序列的互信息矩阵
所述互信息特性公式如下:
其中,X、Y分别为多元心音时间序列中任意两路信号的数据,Pxy为信号X、Y的联合概率密度,Px、Py分别为信号X、Y的边缘概率密度;
其中,MI(i,j)表示第i个通道信号与第j个通道信号间的互信息值,i=1,…,n;j=1,…,n。
进一步地,所述步骤(5)包括:
(51)将串行特征矩阵D_syn、D_asyn和并行特征矩阵MI_matrix_sys、MI_matrix_asys中所有列向量进行顺序排列,形成一个d维列向量MIX作为组合特征;
(52)计算MIX的均值,然后将MIX减去其均值,MIX=MIX-E(MIX);
(53)计算MIX的协方差矩阵E=MIX*MIXT,协方差矩阵E的大小为d*d;
(54)计算协方差矩阵E的特征值e_1,e_2,...,e_d以及相应的特征向量lambda_1,lambda_2,...,lambda_d;
(55)按照特征值的大小对特征向量降序排序,选择前k个最大的特征值对应的特征向量,组成d*k维的矩阵W,其中每一列代表一个特征向量;
(56)将优化后的组合特征MIX_opt作为心音的多元特征:
MIX_opt=WT*MIX。
进一步地,所述步骤(6)为:将优多元特征MIX_opt作为支持向量机的输入进行分类识别,得到身份特征识别结果。
有益效果:本发明所述的一种基于多时窗心音的多元特征提取方法,可以提取具备有效区分人体身份信息的特点的多元特征;可直接作用于支持向量机,实现身份特征识别,用于替代指纹、虹膜和人脸的身份信息识别方式。
附图说明
图1是一组多路心音信号图;
图2是4元心音的整体化并行分析模型结构图;
图3是一种基于多时窗心音的多元特征提取方法流程图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
附图1为一组多路心音信号,它包括两个心音心动周期T1、T2,每个周期可划分从第一心音S1、第二心音S2、收缩期(systolic)、舒张期(diastolic)4个部分。
附图2为一个4元心音的整体化并行分析模型结构图。其中M代表二尖瓣听诊区,X1为该区域获取的心音信号,T代表三尖瓣听诊区,X2为该区域获取的心音信号,A代表主动脉瓣听诊区,X3为该区域获取的心音信号,F代表肺动脉瓣听诊区,X4为该区域获取的心音信号。ai,j(i=j,i=1,2,3,4;j=1,2,3,4)为各通道心音信号的本身先前时刻值的自相关分析系数,ai,j(i≠j,i=1,2,3,4;j=1,2,3,4)为所有其它路心音信号先前时刻值的互相关分析系数,ei(i=1,2,3,4)为分析误差值。
本发明所述的一种基于多时窗心音信号的多元特征提取方法包括如下步骤:
(1)将采集到的多路心音信号进行相关性分析和信号间的误差分析,生成新的多元心音信号时间序列,包括步骤:
(11)获取n路心音信号,每路信号具有m个心动周期T1,T2,…,Tm,每个周期划分为4个部分:第一心音S1、第二心音S2、收缩期S、舒张期D,第n路信号为:
其中,Z∈{S1,S2,S,D},下标n表示第n路信号,上标S1,Tm、S2,Tm、S,Tm、D,Tm分别对应表示第n路信号中的第m个心动周期Tm中的第一心音信号、第二心音信号、收缩期信号、舒张期信号;
(12)计算多元心音信号间的相关系数ai,j(X,Y):
其中,X、Y为多路信号中任意两个信号,i、j分别信号X、Y对应的那一路信号的标号,且X可以等于Y;E(XY)为XY的期望,E(X)为X的期望,E(Y)为Y的期望,σX、σY为信号X、Y的标准差;
(13)计算第i路信号与其他路信号的分析误差值ei:
其中,n为总的心音信号通道数,j为第j路信号,σXi为第i路信号X的标准差:
(14)将采集到的n路心音信号按照相关性及信号间的分析误差值进行混合生产新的同样具有n路信号的多元心音信号时间序列,则新生成的第k路心音时间序列为:
X_moduk=ak,1X1+ak,2X2+…+ak,nXn+ekXk,k=1,…,n。
(2)在(1)的基础上提取同时窗下的同段同周期多路心音信号生成同时窗多元心音时间序列,包括步骤:
(21)提取同时窗下的同段同周期多路心音信号,所述同时窗表示信号在同个时间段内,其对应的多路信号的第一心音S1、第二心音S2、收缩期S、舒张期D在同个周期内;根据步骤(11),在n路多元心音信号时间序列中,分别提取每一路信号的第m个心动周期下的第一心音、第二心音、收缩期、舒张期时段内的信号,对应组成待处理的具有n路信号的同段同周期多路心音时间序列如下:
Z∈{S1,S2,S,D}
(22)生成同时窗多元心音时间序列;将(21)中的待处理的同段同周期多路心音时间序列,进行步骤(12)、(13)、(14)的处理后,可以得到具有n路的同时窗多元心音时间序列:
X_syn=[X_syn1,X_syn2,X_syn3,…,X_synn]
同时窗多元心音时间序列中第k路心音时间序列为:
Z∈{S1,S2,S,D}。
如果提取第一心音S1,则相应的同时窗多元心音时间序列中第k路心音时间序列为:
(3)在(1)的基础上提取异时窗下的不同段不同周期多路心音信号生成异时窗多元心音时间序列,包括步骤:
(31)提取异时窗下的不同段不同周期多元心音信号,所述异时窗表示信号在不同时间段内,其对应的多路信号的第一心音S1、第二心音S2、收缩期S、舒张期D在不同周期内;根据步骤(11),在n路多元心音信号时间序列中,分别提取n-1路信号的第m个心动周期下的第一心音、第二心音、收缩期、舒张期时段内的信号。并将其与剩下一路信号的第m+1个心动周期下的对应时段内的信号组成一个待处理的具有n路信号的第m个心动周期下的不同段不同周期多路心音时间序列:
Z∈{S1,S2,S,D};
例如提取第一个心动周期下的第一心音的不同段不同周期多路信号: 第一个心动周期下的第二心音的不同段不同周期多路信号:第二个心动周期下的第一心音的不同段不同周期多路信号:一般第一路信号选取下一个周期中对应心音段的信号,其余类似可推;
(32)生成异时窗多元心音时间序列;将(31)中的待处理的同段同周期多路心音时间序列,进行步骤(12)、(13)、(14)的处理后,可以得到具有n路的异时窗多元心音时间序列:
X_asyn=[X_asyn1,X_asyn2,X_asyn3,…,X_asynn]
异时窗多元心音时间序列中第k路心音时间序列为:
Z∈{S1,S2,S,D};
如果提取第一心音S1,则相应的异时窗多元心音时间序列中第k路心音时间序列为:
(4)在步骤(2)、步骤(3)的基础上提取同时窗多元心音时间序列和异时窗多元心音时间序列的串行特征和并行特征;其中,所述串行特征为同时窗多元心音时间序列和异时窗多元心音时间序列中每一路信号的心音独立元特征集合;所述并行特征为同时窗多元心音时间序列和异时窗多元心音时间序列各自的n路信号的心音互信息特征集合,包括步骤:
(41)对多元心音时间序列提取心音独立元特征,将心音独立元特征集合作为串行特征;所述独立元特征为D,提取公式如下:
F=GD+E
其中,F∈RN×n为输入数据矩阵,矩阵大小为N×n,N为每路信号采样点数,每路信号的采样点数都相同;n为多路心音的通道数,G∈RN×M,为[0,1]上取值的随机矩阵,M表示独立子空间维数,是心音的元数,所求得的D=[d(1),d(2),d(3),…,d(n)]∈RM×n为心音独立成分矩阵,d(n)是一个列向量,为矩阵D中对应的第n列的值,E为误差矩阵;
(42)根据步骤(41),令输入为同时窗多元心音时间序列:
Fin=[X_syn1,X_syn2,X_syn3,…,X_synn]
求得D_syn=[dsyn(1),dsyn(2),dsyn(3),…,dsyn(n)];
根据步骤(41),令输入为异时窗多元心音时间序列:
Fin′=[X_asyn1,X_asyn2,X_asyn3,…,X_asynn]
求得D_asyn=[dasyn(1),dasyn(2),dasyn(3),…,dasyn(n)];
(43)提取多元心音时间序列的互信息特性,得到多元心音时间序列的互信息矩阵
所述互信息特性公式如下:
其中,X、Y分别为多元心音时间序列中任意两路信号的数据,Pxy为当X、Y的联合概率密度,Px、Py分别为X、Y的边缘概率密度;
其中,MI(i,j)表示第i个通道信号与第j个通道信号间的互信息值,i=1,…,n;j=1,…,n。
(5)在步骤(4)的基础上将其串行特征和并行特征合并后提取优化组合特征作为多元特征,包括步骤:
(51)将串行特征矩阵D_syn、D_asyn和并行特征矩阵MI_matrix_sys、MI_matrix_asys中所有列向量进行顺序排列,形成一个d维列向量MIX作为组合特征;
(52)计算MIX的均值,然后将MIX减去其均值,MIX=MIX-E(MIX);
(53)计算MIX的协方差矩阵E=MIX*MIXT,协方差矩阵E的大小为d*d;
(54)计算协方差矩阵E的特征值e_1,e_2,...,e_d以及相应的特征向量lambda_1,lambda_2,...,lambda_d;
(55)按照特征值的大小对特征向量降序排序,选择前k个最大的特征值对应的特征向量,组成d*k维的矩阵W,其中每一列代表一个特征向量;
(56)将优化后的组合特征MIX_opt作为心音的多元特征:
MIX_opt=WT*MIX。
(6)将上述多元特征MIX_opt作为支持向量机的输入进行分类识别,得到身份特征识别结果。
Claims (7)
1.一种基于多时窗心音信号的多元特征提取方法,其特征在于,该方法包括步骤:
(1)将采集到的多路心音信号进行相关性分析和信号间的误差分析,生成新的多元心音信号时间序列;
(2)在步骤(1)的基础上提取同时窗下的同段同周期多路心音信号,生成同时窗多元心音时间序列;
(3)在步骤(1)的基础上提取异时窗下的不同段不同周期多路心音信号,生成异时窗多元心音时间序列;
(4)在步骤(2)、步骤(3)的基础上提取同时窗多元心音时间序列和异时窗多元心音时间序列的串行特征和并行特征;其中,所述串行特征为同时窗多元心音时间序列和异时窗多元心音时间序列中每一路信号的心音独立元特征集合;所述并行特征为同时窗多元心音时间序列和异时窗多元心音时间序列各自的n路信号的心音互信息特征集合;
(5)在步骤(4)的基础上将其串行特征和并行特征合并后提取优化组合特征作为多元特征;
(6)将多元特征作为支持向量机的输入进行分类识别,得到身份特征识别结果。
2.根据权利要求1所述的基于多时窗心音信号的多元特征提取方法,其特征在于,所述步骤(1)包括:
(11)获取n路心音信号,每路信号具有m个心动周期T1,T2,…,Tm,每个周期划分为4个部分:第一心音S1、第二心音S2、收缩期S、舒张期D,则第n路信号表示为:
其中,Z∈{S1,S2,S,D},下标n表示第n路信号,上标S1,Tm、S2,Tm、S,Tm、D,Tm分别对应表示第n路信号中的第m个心动周期Tm中的第一心音信号、第二心音信号、收缩期信号、舒张期信号;
(12)计算多元心音信号间的相关系数ai,j(X,Y):
其中,X、Y为多路信号中任意两个信号,i、j分别为信号X、Y对应的通道的标号,且i可以等于j;E(XY)为XY的期望,E(X)为X的期望,E(Y)为Y的期望,σX、σY为信号X、Y的标准差;
(13)计算第i路信号与其他路信号的分析误差值ei:
其中,n为总的心音信号通道数,j为第j路信号,σXi为第i路信号X的标准差:
(14)将采集到的n路心音信号按照相关性及信号间的分析误差值进行混合生产新的同样具有n路信号的多元心音信号时间序列,则新生成的第k路心音时间序列为:
X_moduk=ak,1X1+ak,2X2+…+ak,nXn+ekXk,k=1,…,n。
3.根据权利要求1所述的基于多时窗心音信号的多元特征提取方法,其特征在于,所述步骤(2)包括:
(21)提取同时窗下的同段同周期多路心音信号,所述同时窗表示信号在同个时间段内,其对应的多路信号的第一心音S1、第二心音S2、收缩期S、舒张期D在同个周期内;根据步骤(11),在n路多元心音信号时间序列中,分别提取每一路信号的第m个心动周期Tm下的第一心音、第二心音、收缩期、舒张期时段内的信号,对应组成待处理的具有n路信号的同段同周期多路心音时间序列如下:
Z∈{S1,S2,S,D}
(22)生成同时窗多元心音时间序列;将(21)中的待处理的同段同周期多路心音时间序列,进行步骤(12)、(13)、(14)的处理后,得到具有n路的同时窗多元心音时间序列:
X_syn=[X_syn1,X_syn2,X_syn3,…,X_synn]
同时窗多元心音时间序列中第k路心音时间序列为:
Z∈{S1,S2,S,D}。
4.根据权利要求1所述的基于多时窗心音信号的多元特征提取方法,其特征在于,所述步骤(3)包括:
(31)提取异时窗下的不同段不同周期多元心音信号,异时窗表示信号在不同时间段内,其对应的多路信号的第一心音S1、第二心音S2、收缩期S、舒张期D在不同周期内;根据步骤(11),在n路多元心音信号时间序列中,分别提取n-1路信号的第m个心动周期下的第一心音、第二心音、收缩期、舒张期时段内的信号;并将其与剩下一路信号的第m+1个心动周期下的对应时段内的信号组成一个待处理的具有n路信号的第m个心动周期下的不同段不同周期多路心音时间序列:
Z∈{S1,S2,S,D};
(32)生成异时窗多元心音时间序列:将(31)中的待处理的同段同周期多路心音时间序列,进行步骤(12)、(13)、(14)的处理后,可以得到具有n路的异时窗多元心音时间序列:
X_asyn=[X_asyn1,X_asyn2,X_asyn3,…,X_asynn]
异时窗多元心音时间序列中第k路心音时间序列为:
Z∈{S1,S2,S,D}。
5.根据权利要求1所述的基于多时窗心音信号的多元特征提取方法,其特征在于:步骤(4)包括:
(41)对多元心音时间序列提取心音独立元特征,将心音独立元特征集合作为串行特征;所述独立元特征为D,提取公式如下:
F=GD+E
其中,F∈RN×n为输入数据矩阵,矩阵大小为N×n,N为每路信号采样点数,每路信号的采样点数都相同;n为多路心音的通道数,G∈RN×M,为[0,1]上取值的随机矩阵,M表示独立子空间维数,是心音的元数,所求得的D=[d(1),d(2),d(3),…,d(n)]∈RM×n为心音独立成分矩阵,d(n)是一个列向量,为矩阵D中对应的第n列的值,E为误差矩阵;
(42)根据步骤(41),令输入为同时窗多元心音时间序列:
Fin=[X_syn1,X_syn2,X_syn3,…,X_synn]
求得D_syn=[dsyn(1),dsyn(2),dsyn(3),…,dsyn(n)];
根据步骤(41),令输入为异时窗多元心音时间序列:
Fin′=[X_asyn1,X_asyn2,X_asyn3,…,X_asynn]
求得D_asyn=[dasyn(1),dasyn(2),dasyn(3),…,dasyn(n)];
(43)提取多元心音时间序列的互信息特性,得到多元心音时间序列的互信息矩阵
所述互信息特性公式如下:
其中,X、Y分别为多元心音时间序列中任意两路信号的数据,pXY为信号X、Y的联合概率密度,pX、pY分别为X、Y的边缘概率密度;
其中,MI(i,j)表示第i个通道信号与第j个通道信号间的互信息值,i=1,…,n;j=1,…,n。
6.根据权利要求1所述的基于多时窗心音信号的多元特征提取方法,其特征在于,所述步骤(5)包括:
(51)将串行特征矩阵D_syn、D_asyn和并行特征矩阵MI_matrix_sys、MI_matrix_asys中所有列向量进行顺序排列,形成一个d维列向量MIX作为组合特征;
(52)计算MIX的均值,然后将MIX减去其均值,MIX=MIX-E(MIX);
(53)计算MIX的协方差矩阵E=MIX*MIXT,协方差矩阵E的大小为d*d,T表示转置;
(54)计算协方差矩阵E的特征值e_1,e_2,...,e_d以及相应的特征向量lambda_1,lambda_2,...,lambda_d;
(55)按照特征值的大小对特征向量降序排序,选择前k个最大的特征值对应的特征向量,组成d*k维的矩阵W,其中每一列代表一个特征向量;
(56)将优化后的组合特征MIX_opt作为心音的多元特征:
MIX_opt=WT*MIX
其中,WT为矩阵W的转置。
7.根据权利要求1所述的基于多时窗心音信号的多元特征提取方法,其特征在于,所述步骤(6)具体包括:将多元特征MIX_opt作为支持向量机的输入进行分类识别,得到身份特征识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910827240.1A CN110490176B (zh) | 2019-09-03 | 2019-09-03 | 一种基于多时窗心音信号的多元特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910827240.1A CN110490176B (zh) | 2019-09-03 | 2019-09-03 | 一种基于多时窗心音信号的多元特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110490176A CN110490176A (zh) | 2019-11-22 |
CN110490176B true CN110490176B (zh) | 2022-08-26 |
Family
ID=68555476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910827240.1A Active CN110490176B (zh) | 2019-09-03 | 2019-09-03 | 一种基于多时窗心音信号的多元特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490176B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112336369B (zh) * | 2020-11-30 | 2021-09-10 | 山东大学 | 一种多通道心音信号的冠心病风险指数评估系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101176660A (zh) * | 2007-12-06 | 2008-05-14 | 山东大学 | 一种心血管系统联合变异性指标的检测方法和装置 |
CN108113646A (zh) * | 2016-11-28 | 2018-06-05 | 中国科学院声学研究所 | 一种心音信号周期的检测与心音的状态分割方法 |
CN108324265A (zh) * | 2018-02-26 | 2018-07-27 | 河南善仁医疗科技有限公司 | 基于心音特征定位分析心电图心音图的方法 |
CN108324267A (zh) * | 2018-02-26 | 2018-07-27 | 河南善仁医疗科技有限公司 | 基于心电特征和心音特征定位的心电图心音图分析方法 |
-
2019
- 2019-09-03 CN CN201910827240.1A patent/CN110490176B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101176660A (zh) * | 2007-12-06 | 2008-05-14 | 山东大学 | 一种心血管系统联合变异性指标的检测方法和装置 |
CN108113646A (zh) * | 2016-11-28 | 2018-06-05 | 中国科学院声学研究所 | 一种心音信号周期的检测与心音的状态分割方法 |
CN108324265A (zh) * | 2018-02-26 | 2018-07-27 | 河南善仁医疗科技有限公司 | 基于心音特征定位分析心电图心音图的方法 |
CN108324267A (zh) * | 2018-02-26 | 2018-07-27 | 河南善仁医疗科技有限公司 | 基于心电特征和心音特征定位的心电图心音图分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110490176A (zh) | 2019-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lynn et al. | A deep bidirectional GRU network model for biometric electrocardiogram classification based on recurrent neural networks | |
Hong et al. | ENCASE: An ENsemble ClASsifiEr for ECG classification using expert features and deep neural networks | |
Fang et al. | Human identification by quantifying similarity and dissimilarity in electrocardiogram phase space | |
Chouhan et al. | Detection of QRS complexes in 12-lead ECG using adaptive quantized threshold | |
US9468386B2 (en) | Method for detecting abnormalities in an electrocardiogram | |
CN102631198A (zh) | 一种基于差值提取的动态光谱数据处理方法 | |
CN112036467A (zh) | 基于多尺度注意力神经网络的异常心音识别方法及装置 | |
CN110490176B (zh) | 一种基于多时窗心音信号的多元特征提取方法 | |
Diery et al. | Automated ECG diagnostic P-wave analysis using wavelets | |
David et al. | Improvement of framework for the grouping of CA diseases by investigating bigdata | |
Gupta et al. | Segmentation and classification of heart sounds | |
Kumar et al. | Formulating divergence framework for multiclass motor imagery EEG brain computer interface | |
CN109316188A (zh) | 一种偏头痛脑功能连接模式的提取方法 | |
Kuila et al. | Feature extraction of electrocardiogram signal using machine learning classification | |
CN112336369B (zh) | 一种多通道心音信号的冠心病风险指数评估系统 | |
Barachant et al. | A brain-switch using riemannian geometry | |
Jannah et al. | A comparison between ECG beat classifiers using multiclass SVM and SIMCA with time domain PCA feature reduction | |
CN109994116A (zh) | 一种基于会议场景小样本条件下的声纹准确识别方法 | |
Biran et al. | Automatic qrs detection and segmentation using short time fourier transform and feature fusion | |
Yeh et al. | Principal component analysis method for detection and classification of ECG beat | |
CN115607164A (zh) | 心电特征波分割方法、系统、装置及可读存储介质 | |
CN113780162A (zh) | 一种结合多时段多频段csp算法的运动想象脑电解码方法 | |
Chen et al. | Multi-subject unsupervised transfer with weighted subspace alignment for common spatial patterns | |
CN104323772A (zh) | 一种基于稀疏成分分析的房颤信号提取方法 | |
Rana et al. | An efficient dual-band cnn for motor imagery eeg signal classification |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |