《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 其他 > 設(shè)計應(yīng)用 > 單心動周期分割及MFCC特征提取系統(tǒng)
單心動周期分割及MFCC特征提取系統(tǒng)
2020年電子技術(shù)應(yīng)用第12期
李昊宇，張榮芬，劉宇紅
貴州大學 大數(shù)據(jù)與信息工程學院，貴州 貴陽550025
摘要： 目前，在基于醫(yī)療大數(shù)據(jù)與機器學習的心音識別系統(tǒng)研究中，對于單心動周期的提取大多依賴人工截取或基于同步心電信號進行分割，大大降低了整個系統(tǒng)的實用性和易用性。針對以上問題提出了一種基于低頻提取的單心動周期分割及MFCC(Mel Frequency Cepstral Coefficients)特征提取的嵌入式硬件系統(tǒng)，能夠更高效地實現(xiàn)單心動周期分割并計算其MFCC特征參數(shù)，綜合分割準確率達98.3%，解決了單心音周期分割中對心音信號純凈度要求較高和沒有成熟系統(tǒng)的問題，并且降低了數(shù)據(jù)存儲成本，具有較好的實用性和潛在的應(yīng)用前景。
中圖分類號： TP368
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.200587
中文引用格式： 李昊宇，張榮芬，劉宇紅. 單心動周期分割及MFCC特征提取系統(tǒng)[J].電子技術(shù)應(yīng)用，2020，46(12)：121-128，133.
英文引用格式： Li Haoyu，Zhang Rongfen，Liu Yuhong. Single heart period segmentation and MFCC feature extraction system[J]. Application of Electronic Technique，2020，46(12)：121-128，133.
Single heart period segmentation and MFCC feature extraction system
Li Haoyu，Zhang Rongfen，Liu Yuhong
College of Big Data and Information Engineering，Guizhou University，Guiyang 550025，China
Abstract： At present, in the research of heart sound recognition system based on medical big data and machine learning, the extraction of single cardiac cycle mostly relies on manual interception or segmentation based on synchronous ECG signals, which greatly reduces the practicability and ease of use of the whole system. In view of this, a hardware system with the function of single-cardiac periodic segmentation based on low-frequency extraction and MFCC(Mel Frequency Cepstral Coefficients) feature extraction is proposed, which realizes the single-cardiac periodic segmentation of heart sound and gives MFCC features more efficiently, and comprehensive segmentation accuracy reaches 98.3%, solves the problem of high purity of heart sound signal and no mature system in the segmentation of single heart sound cycle, meanwhile reduces the data storage cost，increases the system practicability and has potential application prospect.
Key words : cardiac cycle；low frequency extraction；MFCC feature extraction；embedded systems

0 引言

    心血管疾病包括動脈粥樣硬化、高血壓、高血脂等多種疾病?！吨袊难懿蟾?017》概要[1]中指出中國心血管疾病患病率持續(xù)上升，直到2015年心血管疾病死亡率仍高居中國城鄉(xiāng)居民主要疾病死亡率首位，且發(fā)病人群低齡化嚴重。心血管疾病的潛伏期長，發(fā)病突然，在預(yù)防的同時，盡早確診是降低心血管疾病威脅的重要一步。目前多依賴于心電圖、血常規(guī)、CT成像等傳統(tǒng)醫(yī)學手段進行心血管疾病篩查，需要醫(yī)生具有較高醫(yī)術(shù)，且主觀性強。因此，利用現(xiàn)代化數(shù)字手段對心血管疾病進行分析，輔助醫(yī)生確診疾病具有重要意義。大數(shù)據(jù)技術(shù)和機器學習的發(fā)展使得利用數(shù)字方法處理、識別人體生理信號，從而輔助傳統(tǒng)醫(yī)療方式對病人的心血管疾病做出診斷成為可能[1-3]。近幾年，大量心音身份識別，異常心音識別研究結(jié)果皆表明使用心音進行識別是可行的，這些研究多采用機器學習的方式對心音進行分類，取得了較好的效果。成謝鋒團隊[4-6]做了大量相關(guān)工作，給出了心音識別的可行性與未來工作方向的討論，同時也進行了異常心音識別等研究，提出了一種心音小波神經(jīng)網(wǎng)絡(luò)[7]，針對早搏心音具有較好的識別效果。

    由于心音信號具有單周期平穩(wěn)性[8]，在對心音進行特征提取時需先提取其單心動周期，但目前的心音識別研究中多采用同步ECG(Electro Cardio Gram)進行輔助分割[9]或人工分割，這種分割方式在需要進行大量數(shù)據(jù)訓練時實用性較低，且無法構(gòu)成完整系統(tǒng)。目前已有的心音分割算法[10-11]，前者采用形態(tài)學濾波與峰間距計算進行周期心動分割，規(guī)避了包絡(luò)提取時包絡(luò)毛刺的干擾，后者采用自相關(guān)函數(shù)進行周期估計，均具有較高分割準確度，但對心音質(zhì)量要求較高，魯棒性差，且未能給出成熟系統(tǒng)。此外，在心音識別時，應(yīng)用MFCC(Mel Frequency Cepstral Coefficients)特征參數(shù)進行識別優(yōu)勢明顯。MFCC通過將音頻從標準頻率域映射至MEL標度頻率域，使其更符合人耳聽覺特性[12-13]，能夠更好地表征發(fā)聲器官的頻率響應(yīng)特性。在深度學習的心音識別中也能較好反映心音產(chǎn)生模型的頻響特性，提高識別精確度。例如，Chairisni Lubis[14]與Tien-En Chen[15]在各自的心音識別系統(tǒng)中均采用MFCC作為特征參數(shù)，識別準確度較高，魯棒性強?？梢姡谘芯扛咝У男囊粜膭又芷诜指罘椒ǖ耐瑫r給出MFCC特征參數(shù)，是進一步實現(xiàn)智能心音識別系統(tǒng)的基礎(chǔ)。本文針對目前使用機器學習進行心音識別的研究中存在的心動周期分割以及MFCC特征提取問題，提出了一種基于低頻提取的單心動周期自動分割及MFCC特征提取系統(tǒng)，該系統(tǒng)能夠直接采集心音信號，提取心音信號中的單心動周期并計算其MFCC特征參數(shù)，為后續(xù)的機器學習提供大量原始數(shù)據(jù)，對心音識別系統(tǒng)從理論研究向?qū)嶋H應(yīng)用過渡有積極意義。




本文詳細內(nèi)容請下載：http://ihrv.cn/resource/share/2000003268




作者信息：

李昊宇，張榮芬，劉宇紅

(貴州大學 大數(shù)據(jù)與信息工程學院，貴州 貴陽550025)

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。