文献标识码: A
DOI:10.16157/j.issn.0258-7998.200587
中文引用格式: 李昊宇,张荣芬,刘宇红. 单心动周期分割及MFCC特征提取系统[J].电子技术应用,2020,46(12):121-128,133.
英文引用格式: Li Haoyu,Zhang Rongfen,Liu Yuhong. Single heart period segmentation and MFCC feature extraction system[J]. Application of Electronic Technique,2020,46(12):121-128,133.
0 引言
心血管疾病包括动脉粥样硬化、高血压、高血脂等多种疾病。《中国心血管病报告2017》概要[1]中指出中国心血管疾病患病率持续上升,直到2015年心血管疾病死亡率仍高居中国城乡居民主要疾病死亡率首位,且发病人群低龄化严重。心血管疾病的潜伏期长,发病突然,在预防的同时,尽早确诊是降低心血管疾病威胁的重要一步。目前多依赖于心电图、血常规、CT成像等传统医学手段进行心血管疾病筛查,需要医生具有较高医术,且主观性强。因此,利用现代化数字手段对心血管疾病进行分析,辅助医生确诊疾病具有重要意义。大数据技术和机器学习的发展使得利用数字方法处理、识别人体生理信号,从而辅助传统医疗方式对病人的心血管疾病做出诊断成为可能[1-3]。近几年,大量心音身份识别,异常心音识别研究结果皆表明使用心音进行识别是可行的,这些研究多采用机器学习的方式对心音进行分类,取得了较好的效果。成谢锋团队[4-6]做了大量相关工作,给出了心音识别的可行性与未来工作方向的讨论,同时也进行了异常心音识别等研究,提出了一种心音小波神经网络[7],针对早搏心音具有较好的识别效果。
由于心音信号具有单周期平稳性[8],在对心音进行特征提取时需先提取其单心动周期,但目前的心音识别研究中多采用同步ECG(Electro Cardio Gram)进行辅助分割[9]或人工分割,这种分割方式在需要进行大量数据训练时实用性较低,且无法构成完整系统。目前已有的心音分割算法[10-11],前者采用形态学滤波与峰间距计算进行周期心动分割,规避了包络提取时包络毛刺的干扰,后者采用自相关函数进行周期估计,均具有较高分割准确度,但对心音质量要求较高,鲁棒性差,且未能给出成熟系统。此外,在心音识别时,应用MFCC(Mel Frequency Cepstral Coefficients)特征参数进行识别优势明显。MFCC通过将音频从标准频率域映射至MEL标度频率域,使其更符合人耳听觉特性[12-13],能够更好地表征发声器官的频率响应特性。在深度学习的心音识别中也能较好反映心音产生模型的频响特性,提高识别精确度。例如,Chairisni Lubis[14]与Tien-En Chen[15]在各自的心音识别系统中均采用MFCC作为特征参数,识别准确度较高,鲁棒性强。可见,在研究高效的心音心动周期分割方法的同时给出MFCC特征参数,是进一步实现智能心音识别系统的基础。本文针对目前使用机器学习进行心音识别的研究中存在的心动周期分割以及MFCC特征提取问题,提出了一种基于低频提取的单心动周期自动分割及MFCC特征提取系统,该系统能够直接采集心音信号,提取心音信号中的单心动周期并计算其MFCC特征参数,为后续的机器学习提供大量原始数据,对心音识别系统从理论研究向实际应用过渡有积极意义。
本文详细内容请下载:http://www.chinaaet.com/resource/share/2000003268
作者信息:
李昊宇,张荣芬,刘宇红
(贵州大学 大数据与信息工程学院,贵州 贵阳550025)