一种基于子带能量包络自相关特征的异常心音识别方法技术

基于子带能量包络自相关特征的异常心音识别方法，涉及一种异常心音识别方法，解决心音识别中存在依赖心音分段、不能处理变长信号、无法适应现实噪声环境的特征提取和分类识别的问题。将输入的心音信号进行能量标准化处理后降采样并进行带通滤波；对近似子带能量包络信号和细节子带能量包络信号分别计算其自相关序列，并分别截取两个序列的前M个值作为输入心音信号的近似子带能量包络自相关特征和细节子带能量包络自相关特征；依据能量包络自相关特征分别构造作用其上的两个由RM空间到Re空间的散射映射，降维后进行融合得到心音信号的能量包络自相关特征；测试数据进行特征提取并输入到分类模型中进行分类。避免了心音分段过程，而且提高了噪声环境下的鲁棒性。

【技术实现步骤摘要】
一种基于子带能量包络自相关特征的异常心音识别方法
本专利技术涉及一种异常心音识别方法，涉及生物信号识别技术及智能信息处理领域。
技术介绍
据世界卫生组织统计的结果，心血管疾病已经成为当今威胁人类生命健康的头号杀手。2004年大约有1700万人死于心血管疾病，占全部疾病的29％，其中720万人死于心脏病，而且由心脏导致的患病和死亡的人数和比例还在逐年增加。在我国，依据“中国心血管病报告2012”公布的结果：我国心血管病患病率处于持续上升态势，估计心血管病的患者人数为2.9亿，即每10个成年人中就有2人患心血管病，每年约有350万人死于心血管病，占总死亡原因的41％，居各种疾病之首。因此，及时发现心血管疾病的患病症状、掌握病情状态对保证人类的生命健康具有极其重要的意义。人体是一个异常复杂的有机整体，当人体患病时会产生各种生理信号，通过解读这些生理信号能够及早地发现所患疾病，并能够对病情实行有效地监控。对心血管疾病而言，心音(HeartSound)就是人体最为重要的生理信号之一。心音是心脏及心血管系统机械运动状况的反映，是在心动周期中由于心肌收缩舒张、瓣膜启闭以及血流冲击心室壁和大动脉等引起的一种机械振动。在医学研究中，心音图(Phonocardiogram，PCG)是评估心脏功能状态的一种基本的方法。与心电图(Electrocardiogram，ECG)方法相比，心脏或心血管疾病所表现出的病理现象会较早地体现在心音信号上，在患者尚未感觉到痛感和ECG异常等症状之前，心音就可以为早期诊断提供可靠的信息。基于心音信号的传统医疗手段是心音听诊和心音图，然而它们在临床应用中皆有不足之处。听诊需要医生使用听诊器依靠耳听的方式进行诊断，然而心音的主要频率成分是在40～150Hz之间，而人耳听觉系统自身频率敏感的范围是1000～3000Hz，这意味着这种通过人耳听诊方式会损失大量的信息，从而影响对疾病的诊断。心音图通过将心音信号进行图像化弥补了听诊的不足，但需要更为专业的设备，也增加了诊疗的费用。除设备和听诊方式自身的不足外，更为重要的是，以上两种方法均需要依赖医生自身的专业知识和经验才能做出诊断，其诊断过程是主观的，缺少定量的分析方法，因而难以保证诊断结果的可靠性，往往还需要借助更为复杂、费用更高的其他诊疗方法进行确诊。此外，对普通人或需要经常进行病情监控的患者来说，由于其既没有专业方面的知识，也无法购置昂贵的医疗设备，上述两种方法显然都难以实现家庭听诊。心音是声音信号的一种，其蕴含着有关人体健康状况的重要信息，通过提取这种信息并进行有效的识别能够实现客观的数字化心音听诊，从而能为患者提供可靠的诊断结果。就心音识别而言，心音分段与心音分类是其主要研究内容。心音分段主要是对心音信号中出现的第一心音信号S1和第二心音信号S2的检测，并进而确定心动周期等重要生理参数，同时也是接下来心音分类任务的预处理。心音分类需进一步从异常心音信号中识别出是何种心脏杂音(如心缩期杂音、心舒期杂音)以及其他干扰声音等，并进而分辨出相应的疾病类型。在现实的应用环境下，采集到的心音信号通常会伴有多种干扰噪声，如听诊器与衣服或皮肤的摩擦声、背景音乐声、人的说话声等，因此这需要心音识别方法具有较强的鲁棒性。为此，欧盟支持的PASCAL(PatternAnalysis,StatisticalModellingandComputationalLearning)计划将噪声环境下的心音分段和分类作为2012年度的挑战任务。然而，噪声环境下、结构复杂、非平稳的心音信号识别是一个新兴的、较难解决的问题，目前尚处于研究的起步阶段，缺少系统性的研究方法。1)现有的心音识别/分类方法大多需要先对输入心音信号进行分段处理，依据分段的结果进行特征提取和分类识别，因而其识别性能在很大程度上依赖于心音分段的精度。然而，严重心脏病患者的心音中通常伴有显著的心杂音(murmur)，而且在现实中的心音采集(听诊)过程中通常伴有噪声(如听诊器与皮肤或衣服的摩擦音、语音、音乐及其他环境噪声等)，这些情况都会大大降低心音分段的精度，从而明显降低心音识别系统的性能。2)现有的心音识别/分类方法通常以固定时长来处理心音信号，以便进行特征提取和分类识别。然而在现实应用中所采集的心音信号通常具有较大的变动范围，这限定了固定长度识别方法的使用。
技术实现思路
要解决的技术问题：为解决上述心音识别中存在依赖心音分段、不能够处理变长输入信号、无法适应于现实噪声环境的特征提取和分类识别的问题，进而提供一种基于子带能量包络自相关特征的异常心音识别方法。本专利技术为解决上述技术问题采取的技术方案是：一种基于子带能量包络自相关特征的异常心音识别方法，由以下步骤实现：步骤一、将输入的心音信号进行能量标准化处理，然后降采样为2kHz，并对其采用6阶巴特沃斯滤带通(20～900Hz)波器对降采样后的心音信号进行带通滤波以滤除截止频率以外的声音和噪声，得到预处理后的信号；步骤二、依据心音和心杂音信号的频率分布特点，采用4阶Daubechies小波对步骤一中预处理后的信号进行4层分解，对分解所得到的小波近似子带系数a4和细节子带系数d2分别进行分帧处理并提取均值香农能量包络，从而得到近似子带能量包络信号Ea和细节子带能量包络信号Ed；步骤三、对步骤二中所得到的近似子带能量包络信号Ea和细节子带能量包络信号Ed分别计算其自相关序列，并分别截取两个序列的前M个值作为输入心音信号的近似子带能量包络自相关特征ra∈RM和细节子带能量包络自相关特征rd∈RM,其中M的取值范围为:200≤M≤300；步骤四、依据步骤三中所得到的能量包络自相关特征ra和rd分别构造作用其上的两个由RM空间到Re空间的散射映射(diffusionmaps)ψa:RM→Re和ψd:RM→Re，两种能量包络自相关特征ra和rd经各自的散射映射变换后的结果为：ψa(ra)∈Re和ψd(rd)∈Re，其中e<M，从而实现降维；然后，再将ψa(ra)和ψd(rd)以向量拼接的方式融合在一起，最终得到心音信号的能量包络自相关特征z；步骤五、依据步骤一至四所述的特征提取过程，对训练集数据中L个心音信号进行特征提取得到L个心音能量包络自相关特征并结合每个心音信号的类别标识信息yi得到训练集然后，以支撑向量机(SVM)为分类器训练分类模型，从而完成模型训练过程；步骤六、依据步骤一至四所述的特征提取过程，对测试数据中J个心音信号进行特征提取得到J个心音能量包络自相关特征将输入到由步骤五中训练得到分类模型中进行分类。步骤三中，依据下式计算近似子带能量包络自相关特征ra和细节子带能量包络自相关特征rd式中：当x取“a”时，Ex(n)表示近似子带能量包络信号，当x取“d”时，Ex(n)表示细节子带能量包络信号，n为能量包络信号的时间索引，m为时间索引的偏移量。步骤四中散射影射ψa:RM→Re和ψd:RM→Re的构造过程为：在构造散射影射ψa和ψd时，除所采用的特征集合不同外，其构造过程完全相同，因此统一表示为散射影射ψ，并以表示由L个心音信号中提取出的能量包络自相关特征，ri为近似子带能量包络自相关特征ra或细节子带能量包络自相关特征rd；散射影射ψ的构造过程包含以本文档来自技高网...

【技术保护点】
一种基于子带能量包络自相关特征的异常心音识别方法，其特征在于它由以下步骤实现：步骤一、将输入的心音信号进行能量标准化处理，然后降采样为2kHz，并对其采用6阶巴特沃斯滤带通波器对降采样后的心音信号进行带通滤波以滤除截止频率以外的声音和噪声，得到预处理后的信号；步骤二、依据心音和心杂音信号的频率分布特点，采用4阶Daubechies小波对步骤一中预处理后的信号进行4层分解，对分解所得到的小波近似子带系数a4和细节子带系数d2分别进行分帧处理并提取均值香农能量包络，从而得到近似子带能量包络信号Ea和细节子带能量包络信号Ed；步骤三、对步骤二中所得到的近似子带能量包络信号Ea和细节子带能量包络信号Ed分别计算其自相关序列，并分别截取两个序列的前M个值作为输入心音信号的近似子带能量包络自相关特征ra∈RM和细节子带能量包络自相关特征rd∈RM,其中M的取值范围为:200≤M≤300；步骤四、依据步骤三中所得到的能量包络自相关特征ra和rd分别构造作用其上的两个由RM空间到Re空间的散射映射ψa:RM→Re和ψd:RM→Re，两种能量包络自相关特征ra和rd经各自的散射映射变换后的结果为：ψa(ra)∈Re和ψd(rd)∈Re，其中e<M，从而实现降维；然后，再将ψa(ra)和ψd(rd)以向量拼接的方式融合在一起，最终得到心音信号的能量包络自相关特征z；步骤五、依据步骤一至四所述的特征提取过程，对训练集数据中L个心音信号进行特征提取得到L个心音能量包络自相关特征并结合每个心音信号的类别标识信息yi得到训练集然后，以支撑向量机为分类器训练分类模型，从而完成模型训练过程；步骤六、依据步骤一至四所述的特征提取过程，对测试数据中J个心音信号进行特征提取得到J个心音能量包络自相关特征将输入到由步骤五中训练得到分类模型中进行分类。...

【技术特征摘要】
1.一种基于子带能量包络自相关特征的异常心音识别方法，其特征在于它由以下步骤实现：步骤一、将输入的心音信号进行能量标准化处理，然后降采样为2kHz，并对其采用6阶巴特沃斯滤带通波器对降采样后的心音信号进行带通滤波以滤除截止频率以外的声音和噪声，得到预处理后的信号；步骤二、依据心音和心杂音信号的频率分布特点，采用4阶Daubechies小波对步骤一中预处理后的信号进行4层分解，对分解所得到的小波近似子带系数a4和细节子带系数d2分别进行分帧处理并提取均值香农能量包络，从而得到近似子带能量包络信号Ea和细节子带能量包络信号Ed；步骤三、对步骤二中所得到的近似子带能量包络信号Ea和细节子带能量包络信号Ed分别计算其自相关序列，并分别截取两个序列的前M个值作为输入心音信号的近似子带能量包络自相关特征ra∈RM和细节子带能量包络自相关特征rd∈RM,其中M的取值范围为:200≤M≤300；步骤四、依据步骤三中所得到的能量包络自相关特征ra和rd分别构造作用其上的两个由RM空间到Re空间的散射映射ψa:RM→Re和ψd:RM→Re，两种能量包络自相关特征ra和rd经各自的散射映射变换后的结果为：ψa(ra)∈Re和ψd(rd)∈Re，其中e<M，从而实现降维；然后，再将ψa(ra)和ψd(rd)以向量拼接的方式融合在一起，最终得到心音信号的能量包络自相关特征z；步骤五、依据步骤一至四所述的特征提取过程，对训练集数据中L个心音信号进行特征提取得到L个心音能量包络自相关特征并结合每个心音信号的类别标识信息yi得到训练集然后，以支撑向量机为分类器训练分类模型，从而完成模型训练过程；步骤六、依据步骤一至四所述的特征提取过程，对测试数据中J个心音信号进行特征提取得到J个心音能量包络自相关特征将输入到由步骤五中训练得到分类模型中进行分类；步骤四中散射影射ψa:RM→Re和ψd:RM→Re的构造过程为：在构造散射影射ψa和ψd时，除所采用的特征集合不同外，其构造过程完全相同，因此统一表示为散射影射ψ，并以表示由L个心音信号中提取出的能量包络自相关特征，ri为近似子带能量包络自相关特征ra或细节子带能量包络自相关特征rd；散射影射ψ的构造过程包含以下四个步骤：步骤四(一)、构造特征集上的转移矩阵P；步骤四(二)、对转移矩阵P进行特征值分解以得到散射影射ψ；步骤四(...

【专利技术属性】
技术研发人员：邓世文，韩纪庆，唐黎明，郑铁然，郑贵滨，张文杰，
申请(专利权)人：哈尔滨师范大学，
类型：发明
国别省市：黑龙江;23