论文部分内容阅读
心音是由于心脏及其周围各器官在进行机械运动时产生的一种生物信号,它包含着人体中大量的生理以及病理信息,在一定程度上能反映心脏系统的健康程度。因此如何从心音信号中提取有效的信息来区分不同心脏疾病类型,俨然已经成为一个重要的问题。基于此,本文首先把经过预处理后的瓣膜病心音信号转化成不同种类的心音语谱图,然后通过提取心音语谱图的特征量来对几种瓣膜病心音信号进行分析,最后采用支持向量机作为心音信号分类器来对不同类型的心脏进行分类识别。其中论文的工作主要包括以下几部分内容。(1)心音信号的预处理:在对患有心脏瓣膜病的患者心音信号采集过程中,不可避免的会收录到一些外在的杂音,进而导致有用的心音信息特征不明显等状况。为了更好的提取到不同瓣膜病心音信号的原始特征,本文采用小波去噪的方法来对不同瓣膜病心音信号进行去噪。实验中首先比对正常心音信号与不同瓣膜病心音信号的原始特性,为了尽可能的保留原始心音信号的有效信息,达到相对较好的去噪效果,本文利用在各层级的能量方差和最大的Coif5小波来对瓣膜病心音信号进行处理,并通过对比Coif5小波分解层数的效果来选择分解层。在消噪过程中本文的创新之处在于结合软硬阈值的特点来构造一种新的阈值来与小波系数进行比较处理,新的阈值在去噪过程中既克服了硬阈值去噪产生跳跃点的问题,又克服了软阈值去噪产生偏差的问题。实验证明,此种方法在一定程度上能对瓣膜病心音信号起到去噪的作用。(2)心音语谱图的获取:经过采集得到的心音信号属于一维信号,从一维的角度对心音信号进行分析虽然可以明显的观察出几种心音信号在幅值、频率等方面的不同,然而对于一些心音信号所独有的细节特征却不易观察到。而如果将一维心音信号转化成二维心音语谱图进行分析,这些在一维中不容易观察到的信息就可以在图像上表现出来,因此从二维图像的角度出发对心音信号进行分析将对心音信号的特征提取与分类识别提供一定的思路与想法。作为一种非平稳的信号,一维心音信号在转化成二维心音语谱图的过程中需要经过加窗处理。本文在选取窗函数时,通过比较几种窗函数的优缺点,选择具有主瓣宽,旁瓣高度低等特点的汉明窗来对心音信号进行加窗处理,在处理之后,对心音信号进行短时傅里叶变换,转换成二维图像,得到了心音信号灰度语谱图。(3)心音语谱图特征向量的获取:基于瓣膜病心音信号类型与心音语谱图纹理分布的密切相关性。提出了一种基于改进型局部二值模式(LBP)的图像特征提取算法对几种不同瓣膜病心音信号进行特征提取。实验发现采用传统的局部二值模式算法来对瓣膜病心音信号进行特征提取,其识别效果相对其他特征提取算法并没有优势。因此本文引入了同样能提取图像特征的完全局部二值模式,并将完全局部二值模式进行改进后,将其与局部二值模式进行结合来对心音语谱图进行特征向量的提取。实验证明,文中提出的语谱图特征向量提取方式更能用来表征心音语谱图所具有的特点。(4)瓣膜病心音信号的分类:本文在对提出的算法进行效果验证时,选择了正常心音信号和几种瓣膜病心音信号作为训练样本,并选用支持向量机作为分类器来对几种心音信号进行分类识别。为了选取合适的心音信号分类器参数,选择线性核函数、径向基核函数、多项式核函数、以及S型核函数等四类核函数进行训练,最终通过比对效果选取识别率最高的多项式核函数作为SVM核函数。实验证明,此种算法对瓣膜病心音信号的分类效果较好,相对于其他几种特征提取算法识别率明显提高,为临床上心血管疾病的前期治疗诊断提供了一种新的思路。