引言

心音信號(hào)分類(lèi)技術(shù)作為人工智能及計(jì)算機(jī)信號(hào)處理領(lǐng)域一個(gè)重要研究方向[1]，成為國(guó)內(nèi)外研究人員相繼探討的熱點(diǎn)話題。人類(lèi)心臟的兩側(cè)各有由心臟瓣膜連接的兩個(gè)腔室，分為左心室和右心房。心臟跳動(dòng)形成心臟周期，該周期指從一次搏動(dòng)開(kāi)始到下一次搏動(dòng)開(kāi)始的心臟活動(dòng)時(shí)間。正常心音分為第一心音S1、第二心音S2，而第三心音S3與第四心音S4一般甚少聽(tīng)到，會(huì)因心臟異常而產(chǎn)生[2]。近年來(lái)，深度學(xué)習(xí)因其出色的解決問(wèn)題能力而備受關(guān)注。Zhang等[3]采用奇異值分解技術(shù)提取心音信號(hào)主要奇異值，輸入支持向量機(jī)心音進(jìn)行識(shí)別，對(duì)正常、先天性心臟病和風(fēng)濕性心臟病的準(zhǔn)確率有很大提升；Tschannen等[1]將心音信號(hào)周期分段，提取功率譜密度、狀態(tài)統(tǒng)計(jì)特征與CNN提取特征融合，通過(guò)SVM分類(lèi)，該方法評(píng)分81.2%；Deng等[4]采用改進(jìn)MFCC算法對(duì)原始心音信號(hào)處理，傳入卷積循環(huán)神經(jīng)網(wǎng)絡(luò)模型，并與其他模型對(duì)比；Xu等[5]采用小波去噪對(duì)心音去噪，提取香農(nóng)熵能量包絡(luò)等特征，輸入基于Logistic回歸模型對(duì)隱半馬爾可夫模型相關(guān)參數(shù)進(jìn)行訓(xùn)練，借助維特比算法識(shí)別S1與S2；Jamal等[6]采用突變參考信息包絡(luò)和峰值檢測(cè)算法分割心音信號(hào)，識(shí)別其參數(shù)，達(dá)到信號(hào)分類(lèi)的目的。Mei等[7]根據(jù)小波尺度對(duì)小波散射系數(shù)擴(kuò)展，得到特征輸入SVM分類(lèi)，利用小波尺度維數(shù)表決方法獲得樣本分類(lèi)結(jié)果；Lahmiri等[8]將原始信號(hào)通過(guò)離散小波變換分解，分析赫斯特指數(shù)、壓縮信息和香農(nóng)熵總體特征，輸入SVM分類(lèi)。

本文算法關(guān)鍵是對(duì)數(shù)據(jù)下采樣、濾波預(yù)處理之后，在傳統(tǒng)計(jì)算MFCC方法基礎(chǔ)上，采用梅爾頻率刻度替代線性頻率刻度，基于信號(hào)動(dòng)態(tài)特征及能量分布考慮，提取MFCC系數(shù)一階差分與二階差分的動(dòng)態(tài)特征，計(jì)算出功率加權(quán)MFCC特征；將上述特征進(jìn)行融合，輸入深度學(xué)習(xí)CNN模型，更深一步提取特征隱藏信息，輸入SVM。通過(guò)帶通濾波器，不僅大大減少訓(xùn)練時(shí)間，而且還減少由于現(xiàn)有小訓(xùn)練集而導(dǎo)致的過(guò)擬合風(fēng)險(xiǎn)。需注意的是，基于改進(jìn)MFCC特征與CNN-支持向量機(jī)的結(jié)合雖被考慮用于心音分類(lèi)，但這些方法僅采用MFCC，也就是說(shuō)，它們可被認(rèn)為是沒(méi)有非線性單層CNN，是“淺”的，而本文的“深”方法使用多層CNN再次作為過(guò)濾器(即多層的非線性和池化操作)計(jì)算與增強(qiáng)特征表示。

本文詳細(xì)內(nèi)容請(qǐng)下載：

http://m.viuna.cn/resource/share/2000005942

作者信息：

王佳佳

（江西理工大學(xué) 能源與機(jī)械工程學(xué)院，江西 南昌 330000）