中文引用格式: 王佳佳. 混合CNN-SVM的心音信號分類算法的研究[J]. 電子技術(shù)應(yīng)用,2024,50(4):16-21.
英文引用格式: Wang Jiajia. Research on heart sound signals classification using hybrid CNN-SVM[J]. Application of Electronic Technique,2024,50(4):16-21.
引言
心音信號分類技術(shù)作為人工智能及計(jì)算機(jī)信號處理領(lǐng)域一個重要研究方向[1],成為國內(nèi)外研究人員相繼探討的熱點(diǎn)話題。人類心臟的兩側(cè)各有由心臟瓣膜連接的兩個腔室,分為左心室和右心房。心臟跳動形成心臟周期,該周期指從一次搏動開始到下一次搏動開始的心臟活動時間。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S4一般甚少聽到,會因心臟異常而產(chǎn)生[2]。近年來,深度學(xué)習(xí)因其出色的解決問題能力而備受關(guān)注。Zhang等[3]采用奇異值分解技術(shù)提取心音信號主要奇異值,輸入支持向量機(jī)心音進(jìn)行識別,對正常、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SVM分類,該方法評分81.2%;Deng等[4]采用改進(jìn)MFCC算法對原始心音信號處理,傳入卷積循環(huán)神經(jīng)網(wǎng)絡(luò)模型,并與其他模型對比;Xu等[5]采用小波去噪對心音去噪,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,借助維特比算法識別S1與S2;Jamal等[6]采用突變參考信息包絡(luò)和峰值檢測算法分割心音信號,識別其參數(shù),達(dá)到信號分類的目的。Mei等[7]根據(jù)小波尺度對小波散射系數(shù)擴(kuò)展,得到特征輸入SVM分類,利用小波尺度維數(shù)表決方法獲得樣本分類結(jié)果;Lahmiri等[8]將原始信號通過離散小波變換分解,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。
本文算法關(guān)鍵是對數(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,基于信號動態(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。通過帶通濾波器,不僅大大減少訓(xùn)練時間,而且還減少由于現(xiàn)有小訓(xùn)練集而導(dǎo)致的過擬合風(fēng)險。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,但這些方法僅采用MFCC,也就是說,它們可被認(rèn)為是沒有非線性單層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)容請下載:
http://ihrv.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)