一种心音信号的识别与评估方法技术

本发明专利技术公开了一种心音信号的识别与评估方法，包含心音信号预处理、心音信号的自相关分段、心音信号的MFCC提取算法、心音信号的S变换提取算法、心音信号的训练和识别、心音信号活力程度的评估。本发明专利技术的心音信号的识别与评估方法，针对心音为周期信号的特点，提供一个自相关分段算法结合改进的MFCC算法以及S变换，实现各类心音的识别，并以MFCC算法以及S变换所提取到的特征参数作为量化依据实现心音信号活力程度的量化评估。

【技术实现步骤摘要】
一种心音信号的识别与评估方法
本专利技术涉及信号处理
，特别涉及一种心音信号的识别与评估方法。
技术介绍
作为心脏及大血管机械运动所产生的振动信号，心音是人体最重要的生理信号之一。当心血管疾病尚未发展到足以产生临床及病理改变以前，心音中就会出现一些重要的病理信息，这些病理信息在许多疾病中都有特征性体现，因此对心音信号的进一步研究十分有意义。现有技术中，心音的分类识别功能大多数只是区分正常和异常心音信号，很少对异常心音信号进行更细致的疾病种类判别，也未对疾病或健康程度进行估算量化，因此分类尚不精细，且识别正确率有待进一步提高。
技术实现思路
本专利技术的目的是克服上述
技术介绍
中不足，提供一种心音信号的识别与评估方法，针对心音为周期信号的特点，提供一个自相关分段算法结合改进的MFCC算法以及S变换，实现各类心音的识别，并以MFCC算法以及S变换所提取到的特征参数作为量化依据实现心音信号活力程度的量化评估。为了达到上述的技术效果，本专利技术采取以下技术方案：一种心音信号的识别与评估方法，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MFCC提取算法；C1.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；C2.计算步骤二中分段后得到各个心音信号的MFCC；步骤四：心音信号的S变换提取算法；D1.对步骤二中自相关分段后的心音信号进行快速傅里叶变换,将变换结果扩维为n为频率采样的点数；D2.求取高斯窗函数的FFT变换,得到G(m，n)；D3.按频率采样点计算的傅里叶逆运算即得到S变换时频复矩阵；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MFCC以及S变换特征参数的提取，其中S变换中采用的做法是将得到的变换矩阵中每若干列的最大值作为特征向量，最后将MFCC与S变换特征结合到一起，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；步骤六：心音信号活力程度的评估；F1.通过心脏活力较好的运动员群体的心音信号的MFCC以及S变换两个不同的特征输入SVDD分别建立一个超球体的模型，即MFCC超球体和S变换超球体；F2.根据MFCC和S变换对结果影响的显著程度分别设置一个权重系数a和b；F3.将测试样本的两个特征参数输入SVDD，根据这两个特征向量与运动员水平在超球体内的距离关系确定两个分数值；F4.将确定的两个分数值与各自的权重系数相乘，得到最终的一个分数，作为心音的评估标准。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C2具体为：C21.将自相关分段后的心音信号进行快速傅里叶变换；C22.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；C23.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：本专利技术的心音信号的识别与评估方法，通过改进MFCC这一倒谱域参数结合S变换，来提取能表征不同类型心音特点的较深层次信息，实现正常与几大类异常心音信号的有效识别，并对心音信号的活力程度进行一个量化，实现了基于这两大特征的心音评估，这种定量评估非常适合移植到移动终端等各种平台，实现在健康医疗电子设备领域的实际应用，有利于移植到移动终端等各种平台，且成本低廉，有助于广大用户更直观的了解心音信息。附图说明图1是的心音信号的识别与评估方法的流程示意图。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：如图1所示，一种心脏疾病识别及评估方法，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MFCC提取算法；C1.预加重滤波器；C2.计算第二步分段后得到各个心音信号的MFCC。其中，步骤C1将心音信号是s(n)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。步骤C2将自相关分段后的心音信号进行快速傅里叶变换，然后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；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。第四步.心音信号的S变换提取算法；D1.对步骤二中自相关分段后的心音信号进行快速傅里叶变换,将变换结果扩维为n为频率采样的点数；D2.求本文档来自技高网...

【技术保护点】
1.一种心音信号的识别与评估方法，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MFCC提取算法；C1.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；C2.计算步骤二中分段后得到各个心音信号的MFCC；步骤四：心音信号的S变换提取算法；D1.对步骤二中自相关分段后的单个周期的心音信号进行快速傅里叶变换,将变换结果...

【技术特征摘要】
1.一种心音信号的识别与评估方法，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MFCC提取算法；C1.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；C2.计算步骤二中分段后得到各个心音信号的MFCC；步骤四：心音信号的S变换提取算法；D1.对步骤二中自相关分段后的单个周期的心音信号进行快速傅里叶变换,将变换结果扩维为n为频率采样的点数；D2.求取高斯窗函数的FFT变换,得到G(m，n)；D3.按频率采样点计算的傅里叶逆运算即得到S变换时频复矩阵；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MFCC以及S变换特征参数的提取，其中S变换中采用的做法是将得到的变换矩阵中每若干列的最大值作为特征向量，最后将MFCC与S变换特征结合到一起，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...

【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