改进的高斯混合模型在心音信号分类识别中应用

为提高心音信号特征提取的准确性及分类识别的高效性,将小波包变换的Mel频率倒谱系数与改进的高斯混合模型结合用于心音信号分类识别。在Mel频率倒谱系数提取方法基础上,用小波包变换代替傅里叶变换与Mel滤波器组,获得新特征参数DWPTMFCC;针对传统GMM参数初始化K-means算法缺点,用加权可选择模糊C均值算法进行改进;将提取的特征参数分别输入到改进后GMM进行分类识别。对临床采集的心音数据测试结果表明,该方法能有效提取心音特征,优于传统GMM识别性能。     

小波包与混沌集成的心音特征提取及分类识别

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。