一种心音信号Renyi熵超球体模型的建立方法技术

本发明专利技术公开了一种心音信号Renyi熵超球体模型的建立方法，包括如下步骤：1)将采集的心音信号进行预处理；2)将预处理后的信号进行自相关分段；3)在得到的分段结果基础上进行S变换：4)计算S变换后的Renyi熵；5)建立Renyi熵超球体模型。本发明专利技术基于心音信号自相关算法分段后得到的心音分段结果，求得心音分段结果中的S变换后的Renyi熵，根据这个参数设计了一种基于心音的Renyi熵超球体模型。本领域技术人员可以直接通过该模型获得心音的相关数据资料，为后续对人员心音的评估提供科学依据。

A Method for Establishing Renyi Entropy Hypersphere Model of Heart Sound Signal

The invention discloses a method for establishing Renyi entropy hypersphere model of heart sound signal, which includes the following steps: 1) preprocessing the collected heart sound signal; 2) autocorrelation segmentation of the preprocessed signal; 3) S transformation based on the obtained segmentation results; 4) calculating Renyi entropy after S transformation; 5) establishing Renyi entropy hypersphere model. Based on the results of heart sound segmentation obtained by the autocorrelation algorithm of heart sound signal, the Renyi entropy of S-transform in the results of heart sound segmentation is obtained. According to this parameter, a Renyi entropy hypersphere model based on heart sound is designed. Technicians in the field can obtain data directly from the model and provide scientific basis for the subsequent evaluation of human heart sounds.

【技术实现步骤摘要】
一种心音信号Renyi熵超球体模型的建立方法
本专利技术涉及一种信号模型的建立方法，具体涉及一种心音信号Renyi熵超球体模型的建立方法，属于心音信号数据处理

技术介绍
对于包括心音信号在内的生理信号的非平稳，时频分析是能反映信号动态变化的方法；而对于生理信号的非线性，熵是刻画复杂度的量度，是非线性分析的一种方法。所以国内外许多学者在时频分析和熵的基础上对生理信号进行分析，并且验证了此方法的可行性。例如，利用ZAM时频变换和Renyi熵的方法对心脏收缩期杂音进行分析；在时频分析的基础上采用Renyi熵来检测新生儿的心率变异性；采用时频分析和Renyi熵的方法，对脑电信号进行分析；利用Renyi熵，小波熵，lz复杂度对肌电信号进行分析。因此，在时频分析的基础上，运用Renyi熵对生理信号复杂性分析具有很大意义。现有技术中，心音信号的分析大多数被应用到识别分类中，而且很少有基于Renyi熵对心音信号进行分析的技术方案。同时，更没有建立一个基于心音信号Renyi熵的超球体模型的技术公开。
技术实现思路
本专利技术的目的在于克服现有技术的缺陷，提供一种通过对心音信号进行Renyi熵计算，并基于Renyi熵建立一个超球体模型的技术方案。本专利技术是这样实现的：一种心音信号Renyi熵超球体模型的建立方法，包括如下步骤：1)将采集的心音信号进行预处理所述预处理包括重采样，滤波和去噪；具体包括：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；2)将预处理后的信号进行自相关分段：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；3)在得到的分段结果基础上进行S变换：C1.信号h(t)的S变换定义为其中，τ为控制高斯窗口在t轴位置的参数。f为频率，h(t)为心音信号，i为虚数单位。4)计算3)中S变换后的Renyi熵:D1.S变换下的Renyi熵定义为其中，α为Renyi熵的阶数，α选取的值为3；5)建立Renyi熵超球体模型通过采集心脏活力较好的运动员群体的心音信号的Renyi熵以及普通人的心音信号的Renyi熵，将他们以7：3的比例输入SVDD训练成一个超球体的模型，即Renyi熵超球体。更进一步的方案是：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。更进一步的方案是：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。更进一步的方案是：所述心音信号Renyi熵超球体模型将心音信号经S变换的Renyi熵作为输入信息进行心音的评估。本专利技术中，SVDD是对SVM分类算法的一种变形，通过已知的一类数据训练包含尽可能多的数据样本的超球面，球面的半径应该尽可能小。将测试样本的Renyi熵输入这个Renyi熵超球体，用测试样本到球心的距离，也就是该特征向量与运动员水平在超球体内的距离关系远近来确定一个分数值，作为心音的评估标准，距离球心越近代表与运动员标准越接近，代表心脏活力越好，其次反之。测试样本落在球心代表分值为100，落在边缘或边缘外代表分值为0，其他介于两者之间。本专利技术基于心音信号自相关算法分段后得到的心音分段结果，求得心音分段结果中的S变换后的Renyi熵，根据这个参数设计了一种基于心音的Renyi熵超球体模型。本领域技术人员可以直接通过该模型获得心音的相关数据资料，为后续对人员心音的评估提供科学依据。附图说明图1为本专利技术方法的流程图。具体实施方式下面结合附图和具体实施例对本专利技术作进一步的说明。本专利技术是这样实现的：一种心音信号Renyi熵超球体模型的建立方法，包括如下步骤：1)将采集的心音信号进行预处理所述预处理包括重采样，滤波和去噪；具体包括：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。2)将预处理后的信号进行自相关分段：B1.计算去噪后的心音数据的幅度均值；假设在一定的心音信号长度内，将这个长度内N个点的幅值相加，除以N，就是心音数据的幅度均值。B2.设定参数:重采样后，确定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.由心音信号长度与s_max的值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。3)在得到的分段结果基础上进行S变换：C1.信号h(t)的S变换定义为其中，τ为控制高斯窗口在t轴位置的参数。f为频率，h(t)为心音信号，i为虚数单位。4)计算3)中S变换后的Renyi熵:D1.S变换下的Renyi熵定义为其中，α为Renyi熵的阶数，α选取的值为3。5)建立Renyi熵超球体模型通过采集心脏活力较好的运动员群体的心音信号的Renyi熵以及普通人的心音信号的Renyi熵，将他们以7：3的比例输入SVDD训练成一个超球体的模型，即Renyi熵超球体。SVDD是对SVM分类算法的一种变形，通过已知的一类数据训练包含尽可能多的数据样本的超球面，球面的半径应该尽可能小。将测试样本的Renyi熵输入这个Renyi熵超球体，用测试样本到球心的距离，也就是该特征向量与运动员水平在超球体内的距离关系远近来确定一个分数值，作为心音的评估标准，距离球心越近代表与运动员标准越接近，代表心脏活力越好，其次反之。测试样本落在球心代表分值为100，落在边缘或边缘外代表分值为0，其他介于两者之间。具体而言，直接将心音信号输入支持向量机SVDD中，就可以建立超球体模型。心音信号数据输入的数量越多越好，越多越能纠正数据偏差，获得更加准确的模型。尽管这里参照本专利技术的解释性实施例对本专利技术进行了描述，上述实施例仅为本专利技术较佳的实施方式，本专利技术的实施方式并不受上述实施例的限制，应该本文档来自技高网...

【技术保护点】
1.一种心音信号Renyi熵超球体模型的建立方法，其特征在于包括如下步骤：1)将采集的心音信号进行预处理所述预处理包括重采样，滤波和去噪；具体包括：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；2)将预处理后的信号进行自相关分段：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；3)在得到的分段结果基础上进行S变换：C1.信号h(t)的S变换定义为

【技术特征摘要】
1.一种心音信号Renyi熵超球体模型的建立方法，其特征在于包括如下步骤：1)将采集的心音信号进行预处理所述预处理包括重采样，滤波和去噪；具体包括：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；2)将预处理后的信号进行自相关分段：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；3)在得到的分段结果基础上进行S变换：C1.信号h(t)的S变换定义为其中，τ为控制高斯窗口在t轴位置的参数。f为频率，h(t)为心音信号，i为虚...

【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