基于小波变换和样本熵的心音识别研究

讨论了一种非线性动力学与时频分析结合的心音信号分析方法,首先利用小波变换去除信号中的噪声干扰,然后提取心音信号的样本熵(SampEn)特征值。最后通过支持向量机分类器验证表明,该算法能有效提高心音信号分类识别的准确率,对实现疾病辅助诊断具有很大的价值。

基于Android平台的心音识别系统的研究

搭载Android智能手机平台,结合了梅尔倒谱系数和共振峰特征参数,在安卓平台上设计开发出一款集心音采集、心音显示以及心音识别等功能的心音身份识别系统。在该系统中,首先对采集的待测心音信号进行数字化、预加重、分帧、加窗处理,然后提取出心音信号的梅尔倒谱系数特征参数,利用动态时间规整算法将其与数据库模板心音逐一进行模式匹配,并将拥有最小欧氏距离的数据库模板心音作为最终识别结果,最后展示出待测心音和数据库所有模板心音的共振峰特性对比图,定性地反映待测心音和数据库模板心音的差异,给用户直观的判断和感受,进一步认证识别的结果。系统界面简洁,操作方便,识别速度较快,实现了真机运行,并达到了预期效果。

心音识别的机遇与挑战:深圳心音数据库简介

随着可穿戴设备与人工智能技术的发展,开发1种基于机器听觉理论的“非侵入式”心音识别系统显得尤为重要.然而,当前研究的局限在于可用于相关研究的公开的标准化数据库资源稀缺.并且,相关的研究成果存在可复现性不高、未考虑受试者独立性、测量指标不统一等缺陷.本文旨在介绍深圳大学总医院录制的全新标准化心音识别数据库——Heart Sounds Shenzhen(HSS),并讨论官方给出的标准化方法和基准线,指出心音识别领域的机遇与挑战,以期得到国内外同行的关注与后续的深入研究.

基于新进化优化BP学习算法的心音识别方法

为提高人工智能辅助诊断心音识别的准确率,根据心音信号的周期性特点,提出以快速主成分分析算法对心音信号降维和提取特征,同时基于单形进化算法,优化BP神经网络学习算法的输出与期望的误差函数,以改进BP神经网络的学习性能,实现对心音信号高准确度的分类识别.针对正常心音及8类异常心音信号进行性能分析与测试,实验结果表明,各类心音的平均识别率为95.96%,改进算法比其他对比算法识别率分别提高了4.9%,3.9%,1.9%,表明该算法能更有效地分类识别心音信号,提高人工辅助诊断的识别率.

基于深度卷积神经网络的异常心音识别算法

异常心音识别是一种自动检测心音是否正常的技术,被广泛用于智能听诊系统(如智能听诊器)。能够通过5G网络/互联网实现相应诊疗服务,降低疫情防控期间的社区感染与医院感染机会。本研究提出了一种基于深度卷积神经网络(deep convolutional neural network,DCNN)的异常心音识别算法。在该算法中,心音关键信息由倒谱系数表示。DCNN在训练阶段从倒谱系数中学习心音的特性,并在识别阶段利用心音特性自动识别出异常心音。实验结果表明,该算法能够较准确地识别异常心音且识别时间较短。

基于PSO_WT与改进的CAGA_CNN算法的心音识别研究

为探究复杂场景下心音信号的准确识别方案,提出了基于PSO_WT与改进的CAGA_CNN算法融合的方案。首先构造PSO_WT对采集的心音数据集进行去噪;其次将去噪后的心音数据转化为波形图进行特征提取;再者基于改进的CAGA_CNN网络对心音信号进行识别。为了验证本文提出算法的有效性,进行了模型的性能分析以及基于不同的算法模型进行验证。实验结果表明,本文算法具有较好的降噪能力,以及更高的识别精度和收敛速度。

HHT和提升小波包相结合的心音信号识别研究

心音信号的特征提取和自动识别具有重要的临床意义。为提高正常和异常心音信号识别率,本文首先用DB6小波对心音信号进行降噪处理,然后用希尔伯特-黄变换(HHT)分析提取心音信号的时域、频域特征值,再通过自适应提升小波包提取信号的频带能量特征值,最后通过支持向量机对心音进行分类识别。对临床采集的240例异常心音和正常心音进行实验,正确识别率达到97.2%。可见,希尔伯特-黄变换和自适应提升小波包相结合的方法可有效识别正常和各种异常心音信号。

心音信号特征分析与识别方法研究

心音信号是心脏及心血管系统机械状况的反映,是包含了人类心脏各部分的生理和病理信息的重要信号。目前通过心音信号诊断疾病的方法主要是人工听诊,如果能够研究出一套行之有效的算法对采集到的心音进行自动识别分类,当发现病变的心音时能自动做出判断提示甚至发出报警信号,这对心脏疾病的临床研究具有极其重要的研究价值。针对以上所述通过以下几个方面对心音信号进行研究:采用HKY-06B心音传感器采集心音信号,通过Cool Edit Pro2.1录音软件实现对心音信号的格式转换和储存、通过小波分析法对心音信号进行预处理、运用Mel频率倒谱系数对心音信号进行特征提取以及利用高斯混合模型对心音信号进行识别。通过预处理、特征参数提取等步骤后,建立GMM,将采样信号输入GMM心音模型库进行识别,能够准确判断心音是正常心音还是病理性心音。

基于PCA和HMM的心音自动识别系统

针对信号识别率高低由识别模型及特征参数决定的特点,提出融合K均值聚类的多观察序列的Baum-Welch参数重估算法,用于训练隐马尔科夫模型(HMM),通过主分量分析(PCA)对梅尔频率倒谱系数进行变换,并设计与实现一套基于PCA和HMM的心音自动识别系统。实验结果表明,该系统对6类常见心音的平均识别率达到83.3%,性能优于其他心音识别系统。

心音信号识别的意义及其方法的研究

本文概述了心音信号识别的意义,并对心音自动识别技术的发展进行了介绍,最后总结了今后工作可能的研究方向。

基于希尔伯特-黄变换和提升小波包相结合的心音信号识别研究

目的:研究基于希尔伯特-黄变换和提升小波包相结合的方法对正常和异常心音信号识别的效果。方法:首先用DB6小波对心音信号进行降噪处理,然后用希尔伯特-黄变换分析提取心音信号的时域、频域特征值,再通过自适应提升小波包提取信号的频带能量特征值,最后通过支持向量机对心音信号进行分类识别。结果:对临床采集的240例异常心音和正常心音进行实验,正确识别率达到97.2%,且运算速度很快。结论:希尔伯特-黄变换和自适应提升小波包相结合的方法可有效识别正常和各种异常的心音信号,值得推广应用。

基于S变换和局部奇异熵的心音信号识别

心音信号识别对心血管疾病的诊断有着重要作用,为实现计算机辅助心音识别,给临床医生提供帮助,文中讨论了一种基于S变换和局部奇异值分解的心音信号识别方法。首先通过S变换得到心音信号的时频模矩阵,然后对该模矩阵进行分块并进行奇异值分解,得到各分块矩阵的最大奇异值,由这些局部奇异值得到局部奇异熵作为心音时频特征,最后用K最近邻算法实现心音识别。实验结果表明,该算法可以实现对不同类别心音的有效识别。

基于特征选择和降维的心音信号识别的研究

为提高心音信号识别的高效性,论文将特征选择后的参数进行降维处理,得到计算成本降低且识别率满足需求的心音识别模型。首先使用小波包分解和功率谱估计计算心音参数,接下来使用4种方法进行特征选择,通过比较识别率,找出能较好反映心音本质特征且具有差异性的参数,最后再将特征选择得到的参数分别用主成分分析法和线性判别分析法进行降维处理,并分别计算降维处理后的识别率。210例样本的识别测试结果表明,降维后的信号识别率达到92.9%,证明该方法能在降维的基础上保证足够的识别率。

基于数据融合的三段式心音身份识别技术

提出了一种新的基于多特征提取的心音身份识别技术。在分析心音信号特性的基础上,采用独立子波函数表征个体心音特征信息,通过建立"第一心音s1、第二心音s2和周期-功率-频率(T-P-F)图"的三段式识别模型和应用相似距离的模式匹配方法,以及采用单路心音信号多周期段的数据层融合和改进的D-S数据决策层融合算法,有效地实现了单路心音信号多特征提取的身份识别。另外还介绍了一种双听诊头的心声检测装置。实际实验结果表明,该方法具有很好的识别率和可行性。

应用状态描述方法(SRM)的心音信号识别

介绍了一种新的心音信号识别方法——状态描述方法(SRM),它不仅能有效区分正异常心音,还能对同一个人不同时期的心音状态进行评估。利用SRM分析心音信号,通过传统的方法提取出心音信号的特征值后,构建出SRM模型。实验结果表明:通过该模型可以有效区分不同状态的心音信号。区别于传统心音识别方法,SRM通过尺度的变化能不同程度地显示心音的状态变化,为研究生物信号模式识别提供了一种新的思路。

心音身份识别综述

针对国内外研究心音身份识别系统的现状及技术成熟度的分析,阐述了心音与身份识别之间的相互关系,总结了构建心音身份识别系统所需要的心音采集设备、心音预处理技术、特征提取和模式匹配等关键技术,提出了心音身份识别系统发展的新思路及所面临的挑战.

心音检测识别技术在汽车主动安全中的应用

提出了一种基于心音特征分析的汽车主动安全技术,探讨利用心音信号对驾驶员现场健康状况进行监测的可行性和具体实施方法。首先分析了心音信号与汽车背景噪声的特点,提出了汽车环境中的心音信号模型,据此设计出一种汽车主动安全的汽车心音采集装置,然后给出了一种基于独立子波函数的心音信号分类识别方法。讨论了心音独立子波函数的构成准则,获取心音独立子波函数的算法,以及如何将心音独立子波函数作为一种新的统计特征参数,并且给出了一种心音确定度的新概念。最后通过一个实际的心音采集与分类识别实验,验证了本文方法的有效性和可行性。

基于迁移学习的心音心脏疾病检测算法

心脏疾病一直是全球范围内重要的健康挑战,早期的诊断和检测至关重要。研究旨在开发一种基于迁移学习的心音心脏疾病检测算法,以提高心脏疾病的早期诊断准确性。训练时使用迁移学习增强了模型的稳定性和泛化能力。另外,提出一种基于HTS-AT模型的改进的心音识别模型HTS-AT V2,对心音信号进行特征提取和分类。结果表明,改进的算法在心音检测方面取得了显著成功,在检测效果有提升的同时,加快了推理速度、减少了模型大小。

HILBERT包络法在心音身份识别中的应用

在分析心音信号特征的基础上,对心音信号进行预处理,再利用希尔伯特变换对心音信号进行心音信号包络提取,突出了心音信号的第一心音和第二心音。然后对心音包络进行分段,通过单周期心音包络的归一化能量实现了心音信号的身份识别。

基于支持向量机的心音信号自动识别

心音信号识别对心血管疾病的诊断具有重要意义,为了提高心音信号的识别性能,提出一种基于支持向量机的心音信号自动识别方法。首先采用小波分析对心音信号进行降噪预处理,然后提取心音信号的Mel频率倒谱系数作为心音信号特征,最后采用支持向量机建立心音信号分类器,对采集心音信号数据的识别性能进行验证。实验结果表明,本文方法的心音信号平均识别率高达93%以上,可以准确识别正常和各种异常的心音信号。