《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 模擬設(shè)計(jì) > 設(shè)計(jì)應(yīng)用 > 混合CNN-SVM的心音信號(hào)分類算法的研究
混合CNN-SVM的心音信號(hào)分類算法的研究
電子技術(shù)應(yīng)用
王佳佳
江西理工大學(xué) 能源與機(jī)械工程學(xué)院
摘要： 針對(duì)當(dāng)前心音信號(hào)識(shí)別算法檢測(cè)精度不佳問(wèn)題，提出了一種混合卷積神經(jīng)網(wǎng)絡(luò)-支持向量機(jī)模型 （CNN-SVM） 的心音信號(hào)分類方法。通過(guò)PASCAL挑戰(zhàn)實(shí)驗(yàn)數(shù)據(jù)，整理出正常與不正常兩類心音信號(hào)數(shù)據(jù)庫(kù)，通過(guò)預(yù)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(jìn)行訓(xùn)練。并從準(zhǔn)確率、召回率、特異性、精確率和F分?jǐn)?shù)5個(gè)方面進(jìn)行性能評(píng)估。為了驗(yàn)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(jìn)行了對(duì)比。實(shí)驗(yàn)結(jié)果表明，該方法能夠以較高識(shí)別率將兩種心音信號(hào)區(qū)分開(kāi)，其平均識(shí)別準(zhǔn)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(hào)：TP.391.4 文獻(xiàn)標(biāo)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(hào)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.
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(hào)分類技術(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，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，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(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。

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，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://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）


Magazine.Subscription.jpg

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