心音信号是分析诊断心脏疾病的重要信号,而心音分割是对其进行分析处理之前必不可少的一步。本文通过将心音分割任务分离为定位与识别两个子任务,提出一种两级卷积神经网络,由定位网络和判别网络两级构成,分别完成心音信号的识别与定位...心音信号是分析诊断心脏疾病的重要信号,而心音分割是对其进行分析处理之前必不可少的一步。本文通过将心音分割任务分离为定位与识别两个子任务,提出一种两级卷积神经网络,由定位网络和判别网络两级构成,分别完成心音信号的识别与定位。首先将原始信号通过滑动窗口进行分帧,然后通过短时傅里叶变换得到其频谱,再通过梅尔滤波器得到其梅尔频谱系数(Mel frequency spectral coefficient,MFSC)特征,输入第1个定位网络对其是否为心音段进行判断,如果是的话,再输入判别神经网络,识别第一心音与第二心音,从而实现心音的分割。最后利用多帧结果投票,减小误判。同时,在卷积神经网络中引入空间注意力机制,实验结果表明,这种加入了注意力机制的两级神经网络模型在心音分割任务上比使用单个卷积神经网络分类模型的准确率更高,也使得模型更加简单,轻量化。展开更多
为了更有效地对心音按成分进行分割,实验采用一种基于Teager-Kaise能量算子(Teager-Kaise Energy Operator,TKEO)以及多包络特征融合的心音分割算法。首先,利用多尺度小波软阈值对PCG信号进行去噪,然后进行TKEO运算,由于TKEO对瞬时能量...为了更有效地对心音按成分进行分割,实验采用一种基于Teager-Kaise能量算子(Teager-Kaise Energy Operator,TKEO)以及多包络特征融合的心音分割算法。首先,利用多尺度小波软阈值对PCG信号进行去噪,然后进行TKEO运算,由于TKEO对瞬时能量变化极其敏感,可以有效提取包络峰值,得到TKEO信号。其次,对TKEO信号提取归一化香农能量包络和维奥拉积分包络,计算出两者包络与TKEO信号之间的皮尔逊相关系数,根据相关关系进行融合。然后,用区间搜索法对包络进行峰值搜索,并且对搜索结果的方差进行比较。最后,根据S1和S2的最大持续时间消除伪峰。用PhysioNet-2016数据集对所提算法进行测试,实验结果显示平均精确度为0.922,证实了该算法能较有效地对心音信号进行分割,为临床环境下采集的心音信号的特征提取与分析提供了新方法。展开更多
文摘心音信号是分析诊断心脏疾病的重要信号,而心音分割是对其进行分析处理之前必不可少的一步。本文通过将心音分割任务分离为定位与识别两个子任务,提出一种两级卷积神经网络,由定位网络和判别网络两级构成,分别完成心音信号的识别与定位。首先将原始信号通过滑动窗口进行分帧,然后通过短时傅里叶变换得到其频谱,再通过梅尔滤波器得到其梅尔频谱系数(Mel frequency spectral coefficient,MFSC)特征,输入第1个定位网络对其是否为心音段进行判断,如果是的话,再输入判别神经网络,识别第一心音与第二心音,从而实现心音的分割。最后利用多帧结果投票,减小误判。同时,在卷积神经网络中引入空间注意力机制,实验结果表明,这种加入了注意力机制的两级神经网络模型在心音分割任务上比使用单个卷积神经网络分类模型的准确率更高,也使得模型更加简单,轻量化。
文摘为了更有效地对心音按成分进行分割,实验采用一种基于Teager-Kaise能量算子(Teager-Kaise Energy Operator,TKEO)以及多包络特征融合的心音分割算法。首先,利用多尺度小波软阈值对PCG信号进行去噪,然后进行TKEO运算,由于TKEO对瞬时能量变化极其敏感,可以有效提取包络峰值,得到TKEO信号。其次,对TKEO信号提取归一化香农能量包络和维奥拉积分包络,计算出两者包络与TKEO信号之间的皮尔逊相关系数,根据相关关系进行融合。然后,用区间搜索法对包络进行峰值搜索,并且对搜索结果的方差进行比较。最后,根据S1和S2的最大持续时间消除伪峰。用PhysioNet-2016数据集对所提算法进行测试,实验结果显示平均精确度为0.922,证实了该算法能较有效地对心音信号进行分割,为临床环境下采集的心音信号的特征提取与分析提供了新方法。