基于EMD结合改进的MFCC的心音类型识别方法技术

本发明专利技术公开了基于EMD结合改进的MFCC的心音类型识别方法，包含心音信号预处理、心音信号的自相关分段、心音信号的EMD分解，并筛选出主IMF分量、心音信号的MFCC的一阶差分系数提取算法、心音信号的训练和识别。本发明专利技术的基于EMD结合改进的MFCC的心音类型识别方法，通过改进提取MFCC这一倒谱域参数，来提取能表征不同类型心音特点的深层次信息，实现心音信号的有效识别，有效的提高了识别精度，对于心血管疾病的诊断具有重要价值。

A method of heart sound type recognition based on EMD and improved MFCC

The invention discloses a heart sound type recognition method based on EMD and improved MFCC, which includes heart sound signal pre-processing, heart sound signal autocorrelation segmentation, heart sound signal EMD decomposition, and screens out the first-order difference coefficient extraction algorithm of the main IMF component, heart sound signal MFCC, and the training and recognition of heart sound signal. Based on the EMD and the improved MFCC method, the cepstrum domain parameter MFCC is improved to extract the deep information which can characterize the characteristics of different types of heart sounds, realize the effective recognition of heart sounds, effectively improve the recognition accuracy, and is of great value for the diagnosis of cardiovascular diseases.

【技术实现步骤摘要】
基于EMD结合改进的MFCC的心音类型识别方法
本专利技术涉及心音类型识别方法
，特别涉及一种基于EMD结合改进的MFCC的心音类型识别方法。
技术介绍
心音是人体重要的生理信号之一，由心肌收缩、心脏瓣膜关闭和血液撞击房室壁、大动脉壁等引起的振动所产生的声音。心音包含重要的生理病理信息，对于心血管疾病的诊断具有重要价值。因此对舒张期心音信号进行识别分析对于心脏疾病的诊断具有重要的意义。心音的分类识别一直是心音分析领域中的研究热点，旨在利用分类器根据不同心音中杂音的内在特征判定出不同的心音信号所属的心脏疾病类型。目前许多学者提出了多种心音的特征提取和分类方法，但这些方法大多数建立在心音信号线性时变或时不变模型的基础上。而心音为具有非线性和非平稳特性的振动信号，线性的分析方法势必会忽略信号内部一些重要的信息，因此，现有技术中的心音类型识别方法存在识别精度较低的问题。
技术实现思路
本专利技术的目的是解决上述
技术介绍
中的不足，针对心音为周期信号的特点，提供一种基于EMD结合改进的MFCC的心音类型识别方法，主要是一种基于主IMF分量MFCC的Delta值的心音类型识别方法，通过提取主IMF分量MFCC的Delta值，来表征不同类型心音特点的深层次信息，实现心音信号的有效识别并有效提高识别率。为了达到上述的技术效果，本专利技术采取以下技术方案：基于EMD结合改进的MFCC的心音类型识别方法，包含以下步骤：步骤一：心音信号预处理；A1.对收到的心音数据进行重采样；A2.对重采样后的心音信号进行巴特沃斯低通滤波；A3.对滤波后的心音信号进行去噪；步骤二：心音信号的自相关分段；B1.计算去噪后的心音数据的幅度均值；B2.设定参数:重采样后，一个心音周期的最小点数s_min＝750，心音周期的最大点数s_max＝2500；B3.由心音信号长度以及一个心音周期的最大长度相除得到该心音信号的分段数M；B4.将这M段心音数据从开始到结束依次两两组合，若M为奇数则有多余的分段，多余的分段舍去；B5.寻找每个组合段中第一个第一心音的起始点；B6.计算组合段内所找到的第一心音起始点所在的心音周期与该段内的下个心音周期的自相关系数，并保存；B7.选择所有组合段中最大的自相关系数所在的心音周期，作为分段结果；步骤三：心音信号的EMD分解，并筛选出主IMF分量；C1.确定心音信号x(t)所有的局部极大值和局部极小值；C2.利用三次样条插值法对极值点进行处理得到极大值和极小值包络，并求出包络均值曲线m(t)，并用x(t)减去m(t)得：h1(t)＝x(t)-m(t)；C3.将h1(t)作为新的信号继续重复k次步骤C2得到h1k(t)，此时标准差SD为:C4.若SD≤0.3，令h1k(t)＝cc1(t)即为所求的第一个固有模态分量IMF1，则剩余分量r1(t)＝x(t)-cc1(t)；C5.对r1(t)重复步骤C4直至rn(t)为一单调函数，则分解过程结束，则此时心音信号x(t)可表示为：步骤四：心音信号的MFCC的一阶差分系数提取算法；D1.预加重滤波器；将心音信号x(t)通过一个高通滤波器，形式为：H(z)＝1-a*(z-1)，其中系数a的值介于0.9和1.0之间；D2.计算每个固有模态分量IMF的MFCC；D3.计算MFCC的Delta值；对MFCC特征向量序列在时序方向上做一次傅里叶变换，得到对应于MFCC特征的Delta特征，Delta特征反映的是语音帧间的动态特性，也称作是二维系数或速度系数，其计算过程为：D(t)表示第t帧MFCC特征的Detla特征，Θ表示第t帧时序变化的语音帧的数量；步骤五：心音信号的训练和识别；E1.将采集的N种类型的心音信号分为两组，一组作为训练样本，另一组作为测试样本；E2.对训练组和测试组的心音信号进行EMD分解后每个IMF分量MFCC的Delta值提取并保存；E3.将提取到的训练样本以及测试样本的特征参数输入分类器进行分类处理，完成对不同心音类型的识别。进一步地，所述步骤A1具体为对收到的心音信号进行5点重采样，采样频率为2205Hz。进一步地，所述步骤A2具体为：对重采样后的心音信号进行滤波，设置通带最大衰减为3db，阻带最小衰减为18db。进一步地，所述步骤A3采用dmey小波变换对滤波后的心音信号进行去噪。进一步地，所述步骤B5中避免起点正好位于第一心音处，以连续100个点小于心音数据的幅值均值作为判定第一心音起始点的条件。进一步地，所述步骤D2具体为：D21.将自相关分段后的心音信号进行快速傅里叶变换；D22.取平方计算心音信号的离散功率谱，将频谱能量乘以一组L个三角带通滤波器，求得每一个滤波器输出的对数能量，共L个；D23.将上述的L个对数能量带入离散余弦变换，求出倒谱域参数：其中{C}即为MFCC参数，P为MFCC的阶数，pj为第j个功率值参数，j为当前滤波器。进一步地，所述步骤E3中的分类器为libsvm分类器。本专利技术与现有技术相比，具有以下的有益效果：本专利技术的基于EMD结合改进的MFCC的心音类型识别方法，通过改进提取MFCC这一倒谱域参数，来提取能表征不同类型心音特点的深层次信息，实现心音信号的有效识别，有效的提高了识别精度，对于心血管疾病的诊断具有重要价值。具体实施方式下面结合本专利技术的实施例对本专利技术作进一步的阐述和说明。实施例：一种基于EMD结合改进的MFCC的心音类型识别方法，包括以下步骤：第一步.心音信号预处理；A1.对收到的心音数据进行重采样；A2.对重采样后的信号进行巴特沃斯低通滤波；A3.对滤波后的心音信号进行去噪。其中，步骤A1对收到的心音信号进行5点重采样，采样频率为2205Hz；步骤A2对重采样后的信号进行滤波，设置通带最大衰减为3db，阻带最小衰减为18db；步骤A3采用小波变换对滤波后的心音信号进行去噪，采用dmey小波。第二步.心音信号的自相关分段；B1.计算去噪后的心音数据的幅度均值；B2.设定参数:重采样后，一个心音周期的最小点数s_min＝750，心音周期的最大点数s_max＝2500；B3.由心音信号长度以及一个心音周期的最大长度相除得到该心音信号的分段数M；B4.将这M段心音数据从开始到结束依次两两组合，若M为奇数则有多余的分段，多余的分段舍去；B5.寻找每个组合段中第一个第一心音的起始点；B6.计算组合段内所找到的第一心音起始点所在的心音周期与该段内的下个心音周期的自相关系数，并保存；B7.选择所有组合段中最大的自相关系数所在的心音周期，作为分段结果。其中，步骤B5避免起点正好位于第一心音处，以连续100个点小于心音数据的幅值均值作为判定第一心音起始点的条件。第三步.心音信号的EMD(EmpiricalModeDecomposition，经验模式分解)分解，并筛选出主IMF(IntrinsicModeFunction，固有模态函数)分量；对于一心音信号x(t)，首先确定出信号所有的局部极大值和局部极小值，然后利用三次样条插值法对极值点进行处理得到极大值和极小值包络，并求出包络均值曲线m(t)，用x(t)减去m(t)可得：h1(t)＝x(t)-m(t)将h1(t)作为新的信号继续重复k次上述步骤得到h1k(t)，此时标准差SD为:若SD≤0本文档来自技高网...

【技术保护点】
1.基于EMD结合改进的MFCC的心音类型识别方法，其特征在于，包含以下步骤：步骤一：心音信号预处理；A1.对收到的心音数据进行重采样；A2.对重采样后的心音信号进行巴特沃斯低通滤波；A3.对滤波后的心音信号进行去噪；步骤二：心音信号的自相关分段；B1.计算去噪后的心音数据的幅度均值；B2.设定参数:重采样后，一个心音周期的最小点数s_min＝750，心音周期的最大点数s_max＝2500；B3.由心音信号长度以及一个心音周期的最大长度相除得到该心音信号的分段数M；B4.将这M段心音数据从开始到结束依次两两组合，若M为奇数则有多余的分段，多余的分段舍去；B5.寻找每个组合段中第一个第一心音的起始点；B6.计算组合段内所找到的第一心音起始点所在的心音周期与该段内的下个心音周期的自相关系数，并保存；B7.选择所有组合段中最大的自相关系数所在的心音周期，作为分段结果；步骤三：心音信号的EMD分解，并筛选出主IMF分量；C1.确定心音信号x(t)所有的局部极大值和局部极小值；C2.利用三次样条插值法对极值点进行处理得到极大值和极小值包络，并求出包络均值曲线m(t)，并用x(t)减去m(t)得：h1(t)＝x(t)‑m(t)；C3.将h1(t)作为新的信号继续重复k次步骤C2得到h1k(t)，此时标准差SD为:...

【技术特征摘要】
1.基于EMD结合改进的MFCC的心音类型识别方法，其特征在于，包含以下步骤：步骤一：心音信号预处理；A1.对收到的心音数据进行重采样；A2.对重采样后的心音信号进行巴特沃斯低通滤波；A3.对滤波后的心音信号进行去噪；步骤二：心音信号的自相关分段；B1.计算去噪后的心音数据的幅度均值；B2.设定参数:重采样后，一个心音周期的最小点数s_min＝750，心音周期的最大点数s_max＝2500；B3.由心音信号长度以及一个心音周期的最大长度相除得到该心音信号的分段数M；B4.将这M段心音数据从开始到结束依次两两组合，若M为奇数则有多余的分段，多余的分段舍去；B5.寻找每个组合段中第一个第一心音的起始点；B6.计算组合段内所找到的第一心音起始点所在的心音周期与该段内的下个心音周期的自相关系数，并保存；B7.选择所有组合段中最大的自相关系数所在的心音周期，作为分段结果；步骤三：心音信号的EMD分解，并筛选出主IMF分量；C1.确定心音信号x(t)所有的局部极大值和局部极小值；C2.利用三次样条插值法对极值点进行处理得到极大值和极小值包络，并求出包络均值曲线m(t)，并用x(t)减去m(t)得：h1(t)＝x(t)-m(t)；C3.将h1(t)作为新的信号继续重复k次步骤C2得到h1k(t)，此时标准差SD为:C4.若SD≤0.3，令h1k(t)＝cc1(t)即为所求的第一个固有模态分量IMF1，则剩余分量r1(t)＝x(t)-cc1(t)；C5.对r1(t)重复步骤C4直至rn(t)为一单调函数，则分解过程结束，则此时心音信号x(t)可表示为：步骤四：心音信号的MFCC的Delta值提取算法；D1.预加重滤波器；将心音信号x(t)通过一个高通滤波器，形式为：H(z)＝1-a*(z-1)，其中系数a的值介于0.9和1.0之间；D2.计算每个固有模态分量IMF的MFCC；D3.计算MFCC的Delta值；对MFCC特征向量序列在时序方向上做一次傅里叶变换，得到对应于MFCC特征的Delta...

【专利技术属性】
技术研发人员：梁庆真，刘传银，刘贤洪，
申请(专利权)人：四川长虹电器股份有限公司，
类型：发明
国别省市：四川,51