排序方式: 共有5条查询结果,搜索用时 801 毫秒
1
1.
小波包与混沌集成的心音特征提取及分类识别 总被引:3,自引:1,他引:2
针对心脏疾病诊断过程中心音识别的难点,提出了一种结合小波包分析及混沌的特征提取的心音识别方法。首先分析统计了心音信号的小波包能量特征,然后选取小波包分解中能表征心音信号特征的分量进行混沌分析,计算了最大Lyapunov指数和关联维数;最后以这些参数构成特征矢量作为支持向量机的输入,对临床采集到的65例正常及有心脏疾病的心音信号进行识别分类。结果表明,结合小波包分析和混沌的特征参量,较传统的分类识别方法具有更高的识别精度,说明非线性混沌特征能够较有效地表征心音信号的特征,为下一步临床心脏疾病的更准确诊断奠定了基础。 相似文献
2.
针对心音信号非线性、非平稳的特性,提出一种基于经验模式分解(EMD)和关联维数的心音特征提取方法.首先通过EMD方法将心音信号分解成若干个固有模态函数(IMF),并利用互相关系数准则对IMF进行筛选,结合G-P算法对主IMF(IMF1~IMF4)分量分别求其关联维数,以此作为神经网络的输入向量,实现了对正常心音信号和病理心音信号的分类识别.对于重构相空间中的两个重要参数时间延迟τ和关联维数m,分别采用互信息函数法和用Cao算法确定.对临床采集的心音数据按该方法进行测试,结果表明,该方法能有效地识别心音. 相似文献
3.
4.
5.
针对心音信号的非线性、非平稳特征和心音识别准确率不高且分类速度较慢的实际情况,提出一种经验模式分解(Empirical Mode Decomposition,EMD)近似熵(Approximate Entropy,ApEn)结合支持向量机(Support Vector Machine,SVM)的心音分类识别方法。首先通过EMD方法将非平稳的心音振动信号分解成若干个平稳的固有模态函数(Intrinsic Mode Function,IMF);然后利用互相关系数准则对IMF进行筛选,计算所筛选IMF的近似熵构成特征向量;最后将特征向量输入SVM分类器进行分类识别。对临床采集的心音样本按本文提出的方法进行测试,结果表明,该方法能有效地用于心音识别。 相似文献
1