《電子技術應用》
您所在的位置：首頁 > 模擬設計 > 設計應用 > 混合CNN-SVM的心音信號分類算法的研究
混合CNN-SVM的心音信號分類算法的研究
電子技術應用
王佳佳
江西理工大學 能源與機械工程學院
摘要： 針對當前心音信號識別算法檢測精度不佳問題，提出了一種混合卷積神經網絡-支持向量機模型 （CNN-SVM） 的心音信號分類方法。通過PASCAL挑戰(zhàn)實驗數據，整理出正常與不正常兩類心音信號數據庫，通過預處理濾波及MFCC、一二階差分特征提取、PCA降維，輸入CNN-SVM模型進行訓練。并從準確率、召回率、特異性、精確率和F分數5個方面進行性能評估。為了驗證此算法的有效性，將混合CNN-SVM模型與單一SVM、CNN模型分別進行了對比。實驗結果表明，該方法能夠以較高識別率將兩種心音信號區(qū)分開，其平均識別準確率接近于99%，相較于單一CNN方法提高了2.48%，同樣高于單一SVM算法。
中圖分類號：TP.391.4 文獻標志碼：A DOI: 10.16157/j.issn.0258-7998.234560
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]. 電子技術應用，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.
Research on heart sound signals classification using hybrid CNN-SVM
Wang Jiajia
School of Energy and Mechanical Engineering，Jiangxi University of Science and Technology
Abstract： Aiming at the problems of poor detection accuracy of current heart sound recognition algorithms, a new heart sound recognition method based on hybrid convolutional neural network-support vector machine model (CNN-SVM) is proposed. In order to verify the effectiveness of the method，two kinds of normal and abnormal heart sound signal databases based on PASCAL challenge experiment data are sorted out. Through preprocessing, MFCC feature extraction and PCA dimension reduction, CNN-SVM model has been input for training. The performance of the proposed method is evaluated in terms of accuracy, recall, specificity and F score.In order to verify the effectiveness of this algorithm, the hybrid CNN-SVM model is compared with the single SVM model and the CNN model respectively.Five groups of the experimental results show that the proposed method can distinguish the two different heart sound with a high average recognition rate of 99%, which is 2.48% higher than the single CNN method. It is also higher than the single SVM algorithm.
Key words : convolutional neural networks；support vector machine；heart sound recognition

引言

心音信號分類技術作為人工智能及計算機信號處理領域一個重要研究方向[1]，成為國內外研究人員相繼探討的熱點話題。人類心臟的兩側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，會因心臟異常而產生[2]。近年來，深度學習因其出色的解決問題能力而備受關注。Zhang等[3]采用奇異值分解技術提取心音信號主要奇異值，輸入支持向量機心音進行識別，對正常、先天性心臟病和風濕性心臟病的準確率有很大提升；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MFCC算法對原始心音信號處理，傳入卷積循環(huán)神經網絡模型，并與其他模型對比；Xu等[5]采用小波去噪對心音去噪，提取香農熵能量包絡等特征，輸入基于Logistic回歸模型對隱半馬爾可夫模型相關參數進行訓練，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和峰值檢測算法分割心音信號，識別其參數，達到信號分類的目的。Mei等[7]根據小波尺度對小波散射系數擴展，得到特征輸入SVM分類，利用小波尺度維數表決方法獲得樣本分類結果；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、壓縮信息和香農熵總體特征，輸入SVM分類。

本文算法關鍵是對數據下采樣、濾波預處理之后，在傳統(tǒng)計算MFCC方法基礎上，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系數一階差分與二階差分的動態(tài)特征，計算出功率加權MFCC特征；將上述特征進行融合，輸入深度學習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，不僅大大減少訓練時間，而且還減少由于現有小訓練集而導致的過擬合風險。需注意的是，基于改進MFCC特征與CNN-支持向量機的結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)計算與增強特征表示。


本文詳細內容請下載：

http://ihrv.cn/resource/share/2000005942


作者信息：

王佳佳

（江西理工大學 能源與機械工程學院，江西 南昌 330000）


Magazine.Subscription.jpg

此內容為AET網站原創(chuàng)，未經授權禁止轉載。