论文部分内容阅读
心音信号是心脏通过房室和半月瓣的开闭所产生的自然生理信号,应用于生物识别领域具有巨大的优势。因此本文根据心音信号的特点,基于信号周期分段技术提出了两种心音生物识别方法。(1)提出一种基于周期分段和多模态多尺度色散熵的心音生物识别方法,首先对心音进行周期分割,然后通过改进的自适应噪声总体集合经验模态分解将每个单周期心音均分解为多个有限带宽的模态分量,接着对每个模态分量进行分段处理,计算每个心音段的精细复合多尺度色散熵,作为心音的特征表征。仿真实验在公开病理心音数据库Michigan、Washington和Littman上进行,将该特征表征方法与基于逻辑回归和隐半马尔可夫模型的心音分割方法相结合,通过Fisher比进行特征选择,运用欧氏距离和择近原则进行匹配识别,识别准确率为96.08%。实验结果表明该方法对于包含病理心音的心音生物识别是有效的。然而,一方面多模态多尺度色散熵方法仅是对单周期心音时域内复杂度的度量,可能不能真正体现单周期心音内的全部特征信息,另一方面以上研究均在公开病理心音库上进行,即仅考虑到了病理心音对心音生物识别算法的影响,而未考虑其他影响因素,故这里针对以上问题,提出了另一种心音生物识别方法。(2)提出一种基于周期分段和心音频率倒谱系数的心音生物识别方法,该方法首先使用心音分段技术将输入心音分割成一系列单周期心音;接着将单周期心音划分为一系列重叠段,这里每一小段代表一心音帧;然后计算每一心音帧的心音频率倒谱系数,将同一周期内每一帧的心音频率倒谱系数合并为一个特征,最后将单周期的心音频率倒谱系数作为心音的特征表征。仿真实验在包含不同性别的健康受测者的公开心音数据库HSCT11上进行,将该特征表征方法与基于逻辑回归和隐半马尔可夫模型的心音分割方法相结合,运用欧氏距离和择近原则进行匹配识别,识别率达到最高,为94.56%。实验结果表明该方法对于包含来自不同性别的受测者的心音的生物识别是有效的。为提高上述两个方法的实际应用价值,本文又进行了两个应用实验,在实验一中将方法(1)应用于课题组自建心音库,该心音库由来自不同年龄段的40个健康志愿者的80例心音构建,探讨采用不同起始位置的单周期心音对算法性能的影响,研究表明采用从第一心音开始至下一个第一心音开始的单周期心音的识别率最高,为97.50%。实验二则将方法(1)提出的多模态多尺度熵、方法(2)提出的心音频率倒谱系数及两者的融合特征,分别应用于包含来自不同年龄段、不同性别、健康和患有心脏病的受测者的心音的组合心音库上,其中该心音库由公开心音数据库Michigan、HSCT11及自建心音库组合而成,研究表明本文所提方法受这三个因素影响较小,且融合特征的识别率最高,为97.84%。