基于Mel频率倒谱系数的心音识别技术研究

心音是人体心脏搏动产生的具有个体特征的生理参数。实验利用小波变换实现对心音信号的去噪处理,选择Mel频率倒谱系数(MFCC)作为特征参量,并经过主成分分析(PCA)降维处理后用于个体分类识别中。旨在对心音作为生物识别特征参数可行性和识别方法做一个初步研究。实验结果显示,在选定的实验条件下,系统可以达到90%以上的识别率。可以为心音识别技术的进一步研究提供参考。     

基于脑电功率谱密度和随机森林的自动睡眠分期方法

采用深度学习技术实现睡眠自动分期计算复杂度较高，且需大量数据支撑。本文提出一种基于功率谱密度和随机森林的自动睡眠分期方法，先提取脑电信号6种特征波（K复合波、δ波、θ波、α波、纺锤波、β波）的功率谱密度作为特征，然后利用随机森林分类器实现5种睡眠状态（W、N1、N2、N3、REM）自动分类。采用Sleep-EDF数据库中健康受试者整晚睡眠脑电数据作为实验数据，对比了使用不同输入通道脑电信号（FpzCz单通道、Pz-Oz单通道、Fpz-Cz+Pz-Oz双通道）、不同分类器（随机森林、自适应增强、梯度提升、高斯朴素贝叶斯、决策树、K近邻）、不同训练集与测试集划分方法（2折、5折、10折交叉验证及单个受试者）对分类效果的影响。实验结果表明，当采用Pz-Oz单通道脑电信号和随机森林分类器时效果最好，无论怎样变换训练集与测试集，分类准确率都达到90.79%以上，总体分类准确率、宏观平均F1值、Kappa系数最高分别可达到91.94%、73.2%、0.845，证明该方法是有效的，且不易受数据量影响，具有较好的稳定性。与已有研究相比，该方法分类准确率更高、实现更简单，适用于自动化。     

基于极限梯度提升和深度神经网络共同决策的心音分类方法

心音是诊断心血管疾病常用的医学信号之一。本文对心音正常/异常的二分类问题进行了研究,提出了一种基于极限梯度提升(XGBoost)和深度神经网络共同决策的心音分类算法,实现了对特征的选择和模型准确率的进一步提升。首先,本文对预处理后的心音信号进行心音分割,在此基础上提取了5个大类的特征,前4类特征采用递归特征消除法进行特征选择,作为XGBoost分类器的输入,最后一类为梅尔频率倒谱系数(MFCC),作为长短时记忆网络(LSTM)的输入。考虑到数据集的不平衡性,本文在两种分类器中皆使用了加权改进的方法。最后采用异质集成决策方法得到预测结果。将本文所提心音分类算法应用于PhysioNet网站在2016年发起的PhysioNet心脏病学挑战赛(CINC)所用公开心音数据库,以测试灵敏度、特异性、修正后的准确率以及F得分,结果分别为93%、89.4%、91.2%、91.3%,通过与其他研究者应用机器学习、卷积神经网络(CNN)等方法的结果比较,在准确率和灵敏度上有明显提高,证明了本文方法能有效地提高心音信号分类的准确性,在部分心血管疾病的临床辅助诊断应用中有很大的潜力。     

基于第二心音统计特征的先天性心脏病相关肺动脉高压诊断方法

针对先天性心脏病相关肺动脉高压听诊特征不明显,已有的机器辅助诊断算法相对复杂等问题,提出一种基于第二心音信号高频分量统计特征的分析方法。首先,采用端点检测自适应分割方法提取第二心音。其次,使用离散小波变换分解出高频分量,并提取该分量的赫斯特（Hurst）指数、勒佩尔-齐夫（Lempel-Ziv）信息和样本熵等统计特征。最后,使用这些特征训练极端梯度提升算法（XGBoost）分类器,在三分类中准确率达到了80.45%。该方法无需进行降噪处理,特征提取速度快,且只需三个特征即可实现较好的多分类效果,有望用于先天性心脏病相关肺动脉高压早期筛查。     

基于特征向量法和支持向量机的抑郁症脑电信号分类

目的:从抑郁症患者EEG信号中提取与疾病相关的信息以实现对抑郁症患者与健康人的自动分类.方法:用特征向量法对抑郁症患者与健康人脑电进行特征提取,得到脑电信号功率谱幅度的最大值、最小值、平均值和标准偏差等特征参数,然后用支持向量机分类器进行训练和分类,并进行测试验证.结果:相对于用小波变换提取的频率相关参数作为分类特征,采用本文特征向量法功率谱估计提取的特征参数为分类特征的分类器具有更好的分类效果,其抑郁症患者和健康人脑电信号的分类准确率可以达到95.6%.结论:该研究成果为抑郁症疾病的物理诊断提供了一种新的途径.     

基于小波能量矩的嗅觉脑电信号识别

研究大脑对不同气味的识别能力在嗅觉功能障碍评估和诊断等方面具有重要意义。本文提出将小波能量矩(WEM)作为嗅觉诱发脑电图(EEG)信号特征并用于气味分类。首先,通过试验采集13种气味的嗅觉诱发EEG数据;其次,从嗅觉诱发EEG数据中提取WEM作为信号特征,并将功率谱密度(PSD)、近似熵、样本熵及小波熵作为对比特征;最后,利用k近邻(k-NN)、支持向量机(SVM)、随机森林(RF)和决策树分类器识别不同的气味。结果表明,使用以上4种分类器,WEM特征分类准确率均高于其它特征,其中k-NN分类器与WEM特征结合的分类准确率最高(91.07%)。本文进一步对不同EEG信号的频带进行了探究,发现大多数基于γ频带的分类准确率优于全频带及其他频带,其中γ频带WEM特征结合k-NN分类器的分类准确率最高(93.89%)。本文的研究结果一方面可为嗅觉功能评价提供新的客观依据,另一方面,也可为嗅觉诱发情绪的研究提供新的思路。     

基于机器学习的心音识别分类研究

心音信号可反映心脏的病理信息,是诊断心脏健康的重要依据之一。本文首先从心音信号提取时频域、梅尔倒谱系数等145个特征作为机器学习的输入数据集,然后在随机森林、LightGBM、XGBoost、GBDT、SVM共5种分类器中选出效果最佳分类器与递归特征消除算法结合进行数据挖掘,找出重要特征集并对其分类效果做比较与分析,最后运用Stacking模型融合方法优化模型。数据挖掘特征子集比同数量特征子集在准确率、召回率、精确率、F1值上分别提高了33.51%、14.54%、20.61%、24.04%;采用LightGBM和SVM模型融合可将F1值提高至92.6%。本文提出了一种有效的心音识别分类方法,挖掘出心音最重要的8个特征,为临床诊断提供参考。     

面向情绪脑电分析的增强型功率谱密度特征提取方法

针对功率谱密度在脑电情绪分析中存在特征单一且无法有效表示频率间差异的问题，提出一种增强型功率谱密度特征提取方法，实现对情绪的分析与差异显著性判断。该方法通过脑电信号的α频率功率谱密度得到功率谱密度图像，利用图像特征提取算法提取其颜色特征、纹理特征与相似性特征，再基于相关性准则剔除冗余特征，以差异显著性P值的最小平均值为目标，获得最终的特征子集，从而有效地融合了不同图像特征，最后对被试的情绪进行分析与差异显著性判断。试验结果表明，所提出的方法能够有效量化SEED数据集中被试的情绪差异；在自行设计情绪脑电试验中，与其他方法相比，利用所提出的方法得到的差异显著性值更小，证明了方法的可行性和有效性。     

自适应噪声完备经验模态分解排列熵结合支持向量机的心音分类方法研究

针对心音信号非平稳性、非线性的特征,为了更直观地把心音信号的特征显示出来,提高分类识别的高效性,提出了一种自适应噪声完备经验模态分解（CEEMDAN）排列熵作为心音信号的特征向量,通过支持向量机（SVM）进行心音分类识别的方法。首先,将原始心音信号进行CEEMDAN,得到若干从高频到低频的模态分量（IMF）。其次,利用IMF分量与原始信号的相关系数、能量因子和信噪比来优选IMF做Hilbert变换,得到分量信号的瞬时频率,再计算各IMF排列熵值组成特征向量。最后,将特征向量输入SVM二分类器进行正常与异常心音信号的分类识别。对源自2016年PhysioNet/CinC挑战赛的100例心音样本进行正常与异常的分类,准确度达到87%。研究表明本文方法相比于常用的EMD和EEMD排列熵的方法准确度提高了18%～24%,可见,CEEMDAN排列熵结合SVM的方法能够有效识别正常和异常心音。     

基于改进反向Mel频率倒谱系数的咳嗽干湿性自动分类

咳嗽的自动分类在临床上具有重要的辅助诊断作用。传统的Mel频率倒谱系数(MFCC)采用Mel均匀滤波器组,高频段的滤波器分布较稀疏,未能最大程度反映两类咳嗽的特征差别。针对这个问题,本文在分析干性咳嗽和湿性咳嗽频谱能量分布特点的基础上,提出了一种改进的反向MFCC提取方法,采用反向Mel刻度上的均匀滤波器组,并放置在两类咳嗽都具有高频谱能量的频段,使得特征提取集中在两类咳嗽特征信息丰富且差别显著的频段进行。基于隐马尔可夫模型的咳嗽干湿性自动分类实验结果表明,该方法获得了优于传统MFCC的分类性能,总体分类准确率从89.76%提高到了93.66%。     

人造机械瓣心音的分析研究

在一些致命性心脏病的诊断中,心音听诊是最有效也是应用得最成功的手段之一.鉴于目前机械瓣的使用非常普遍,研究简单有效的机械瓣病变判别方法对于临床诊断来讲具有重要意义.运用希尔波特-黄变换(HHT),针对不同的机械瓣心音进行分析,并设计一种基于Hilbert边界谱特征的提取方法,结合线性判别分析(LDA),对不同的机械瓣心音进行分类.同时,与基于局部最优基特征的分类器分类结果进行比较.分析结果表明,机械瓣心音的各阶Hilbert边界谱具有非常明显不同的分布,基于HHT的分类器识别率达到了97.3％,较基于局部最优基特征分类器的识别率(91.3％)更高.对于人造机械瓣心音而言,HHT是一种有效的分析处理手段.     

心音信号的自回归谱分析

本文应用自回归模型计算了93个人的316个心动周期第一心音和第二心音的功率谱,统计了谱峰频率的分布,指出正常心音和不正常心音(指先天性心脏病和风湿性心脏病二种)在谱峰频率的分布上存在区别。统计的结果表明,第二心音的谱的峰值频率要高于第一心音的谱的峰值频率,不论是对第一心音还是对第二心音,有心脏疾病的人的谱峰平均频率均高于正常人的平均频率。本文还对谱估计的方法、AR模型系数的求解方法 阶次的选择以及在心音谱分析中的一些问题给予了讨论。     

心音信号的聚类分析

通过对ＡＲＴ２神经网络进行改进，构造了适合于对信号的时变谱进行分类的二维ＡＲＴ神经网络，而后根据心音信号的特点，我们选择了心音的小波变换谱作为网络的输入特征。调整网络的参数，使之能够将输入的心音信号特征聚类成为两类，实验结果表明我们所设计的分类系统能够从连续３２个正常人的心音信号中区分出两个正常分裂的心音。这个结果在基础生理研究和临床诊断上都有一定的应用价值。     

基于希尔伯特-黄变换的白细胞信号分

白细胞信号(WBS)具有脉冲形状多样和时频特性各异的特点,目前临床上用细胞信号脉冲计数的方法来分析WBS通常难以反映其所携带的丰富的生理和病理信息,并直接影响到细胞分类问题。针对这一问题,探索能自适应地分解非线性非平稳信号的希尔伯特 黄变换算法在WBC时频分析和分类中的应用效果。通过对血细胞中的WBC进行HHT变换,获取WBC的本征模态函数（IMF）分量、分量的Hilbert边际谱以及信号Hilbert谱;利用瞬时频率、瞬时幅值等进行计算提取健康人与患者的WBS平均强度、谱质心以及能量贡献率等特征作对比分析,根据其时频特征分布规律构建用于分类实验的特征向量;采用支持向量机（SVM）分类器,对58名健康人和60名患者的白细胞实验样本进行分类实验。结果表明,该方法提取的健康人和患者的WBS分量谱质心分布、平均强度值以及能量贡献率具有较好的区分度,分类正确率到达了94.83%。HHT方法能有效提取WBS特征,可辅助临床WBS的处理和分析。     

胎儿心率变异功率谱与胎儿宫内窘迫关系探讨

作者利用自行设计的胎儿心率变异检测分析系统采集的248例临床监护数据，研究胎儿心率变异（FHRV）功率谱的特征，对其中距分离时间1周以内的150例数据（睡眠期52例和活跃期98例），以谱参数为特征变量，窘迫值为分类变量，建立判别函数，作判别统计分析，通过跟踪病历对结果作回顾性考核，其判别准确率分别达88.5%(睡眠期）和83.3%(活跃期），显示FHRV功率谱特征与胎儿宫内窘迫有密切的关系。     

基于互信息与主成分分析的运动想象脑电特征选择算法

针对脑机接口中运动想象任务的特征选择问题,提出一种基于互信息与主成分分析的脑电特征选择算法。该算法融入类别信息,用不同运动想象类别条件下特征间的互信息矩阵之和取代传统主成分分析算法中的协方差矩阵,其特征向量表示新的主成分空间内各主成分的方向,特征值则作为评价准则判断主成分维数。对2005年国际BCI竞赛数据集,联合功率谱估计、连续小波变换、小波包分解、Hjorth参数四种方法进行特征提取,采用所提出的算法进行特征选择并与主成分分析算法对比,实验结果表明,所提出算法的降维效果更好,以支持向量机为分类器,相同维数的主成分,所得分类正确率更高。     

ECG心搏分类的特征提取的研究

目的研究适于心搏分类的突出特征矢量。方法首先采用连续小波变换对QRS复合波进行定位,然后采用不同的特征提取技术,提取一组特征矢量,送入线性判别式分类器进行训练,并对基于MIT/BIH数据库中的4类心搏进行分类,评价其分类性能。结果用10维特征矢量对4类心搏进行分类,准确度可达97.83%。结论综合利用不同特征提取技术可以显著提高心搏分类的准确度。     

四种模式分类方法应用于基因表达谱分析的比较研究

利用基因表达谱数据借助于模式分类的方法识别癌症等疾病的类型及不同亚型是DNA芯片技术的一个应用方面。在这篇文章中，我们研究比较了在不同的特征基因选择方法的情况下，Fisher线性判别，Logit非线性判别，最小距离和K-最近邻四种模式分类方法对疾病分型效能的影响及四种模式分类方法的泛化能力，同时研究了在样本构成变化的情况下，模式分类方法的稳定性。结果发现：运用t检验法和分类树选择的特征基因，明显优于随机选择的基因在四种不同的分类器中分类效果；四种分类器中，K最近邻分类器的分类效能最优；基于最小距离的分类器和K最近邻分类器有较强的泛化能力；四种模式分类对样本构成的变化呈较好的稳定性。     

基于空间频率与时间序列信息的多类运动想象脑电分类

结合共同空间模式（CSP）、离散小波变换（DWT）和长短期记忆网络（LSTM）方法,提出一种基于空间频率与时间序列信息的多类运动想象脑电特征提取方法。首先利用滑动矩形窗获得时间序列脑电信号,并采用DWT从每一段脑电信号提取运动想象脑电相关的子带小波系数,其次将小波系数通过一对多CSP进一步特征提取,得到的特征作为LSTM的输入,然后对LSTM的时间序列输出在时间步上进行平均,最后使用Softmax分类器进行分类。实验结果显示,新算法取得92.23%的准确率,相比CSP特征以及结合频率或时间序列信息的CSP特征有较大提升,表明空间、频率、时间序列信息的互补性和有效性。     

脉象特性分析和识别方法的研究

针对几种常见的脉象运用统计学习理论和方法进行了识别分类的研究。在特征提取方面本文采用了多种不同的信号分析方法，研究了脉象的特征提取。主要分析途径是，时域波形特征提取，频域与倒频域分析，小波域分析，基于AR模型的脉象信号建模以及波形的模板匹配研究。另一方面，研究了几种分类器，作为脉象识别的分类器。通过实验对不同特征的有效性和不同分类器的性能进行了对比。实验结果表明，模板匹配方法和时域特征提取方法较好。