HILBERT包络法在心音身份识别中的应用

在分析心音信号特征的基础上,对心音信号进行预处理,再利用希尔伯特变换对心音信号进行心音信号包络提取,突出了心音信号的第一心音和第二心音.然后对心音包络进行分段,通过单周期心音包络的归一化能量实现了心音信号的身份识别.     

基于HMM和WNN的心音信号身份识别研究*

将隐马尔可夫模型（HMM）与小波神经网络（WNN）相结合,提出了一种基于心音信号的身份识别方法。该方法首先利用HMM对心音信号进行时序建模,并计算出待识别心音信号的输出概率评分;再将此识别概率评分作为小波神经网络的输入,通过小波神经网络将HMM的识别概率值进行非线性映射,获取分类识别信息;最后根据混合模型的识别算法得出识别结果。实验采集80名志愿者的160段心音信号对所提出的方法进行验证,并与GMM模型的识别结果进行了对比,结果表明,所选方法能够有效提高系统的识别性能,达到了比较理想的识别效果。     

心音检测识别技术在汽车主动安全中的应用

提出了一种基于心音特征分析的汽车主动安全技术,探讨利用心音信号对驾驶员现场健康状况进行监测的可行性和具体实施方法.首先分析了心音信号与汽车背景噪声的特点,提出了汽车环境中的心音信号模型,据此设计出一种汽车主动安全的汽车心音采集装置,然后给出了一种基于独立子波函数的心音信号分类识别方法.讨论了心音独立子波函数的构成准则,获取心音独立子波函数的算法,以及如何将心音独立子波函数作为一种新的统计特征参数,并且给出了一种心音确定度的新概念.最后通过一个实际的心音采集与分类识别实验,验证了本文方法的有效性和可行性.     

基于Android平台的心音识别系统的研究

搭载Android智能手机平台,结合了梅尔倒谱系数和共振峰特征参数,在安卓平台上设计开发出一款集心音采集、心音显示以及心音识别等功能的心音身份识别系统。在该系统中,首先对采集的待测心音信号进行数字化、预加重、分帧、加窗处理,然后提取出心音信号的梅尔倒谱系数特征参数,利用动态时间规整算法将其与数据库模板心音逐一进行模式匹配,并将拥有最小欧氏距离的数据库模板心音作为最终识别结果,最后展示出待测心音和数据库所有模板心音的共振峰特性对比图,定性地反映待测心音和数据库模板心音的差异,给用户直观的判断和感受,进一步认证识别的结果。系统界面简洁,操作方便,识别速度较快,实现了真机运行,并达到了预期效果。     

浅谈电子商务的身份识别技术

身份识别是电子商务安全的一个重要方面。本文首先介绍了数字签名技术的特点和签名过程,然后分析了各种生物识别技术的性能特点,重点介绍了虹膜识别和指纹识别技术,最后总结了在电子商务环境下对身份识别技术的新要求。     

基于混沌特性的复合心音发生器的设计与研究

产生合成心音信号在教学、科研中都有一定的实际应用价值, 本文提出一种复合心音发生器。首先分析心音的产生机理和混沌特性,提出复合心音的合成原则,然后从心音的混沌特性出发构建一种心音发生器,它包括左侧心音产生子模型和右侧心音产生子模型,对它们的输出波形进行合成处理,从而得到一组幅值、周期都可调的合成心音信号。通过对合成心音信号的时频特征和混沌特征进行分析,结果表明,该合成心音信号与实际心音信号具有很高的相似度,可以基本满足教学和科研 的需求。     

浅谈计算机用户身份识别技术

人体生物特征具备了稳定性、惟一性的重要特性,比如指纹、虹膜、DNA等,因此计算机用户通过这些特征识别身份,可以极大地提高信息的安全程度。生物识别技术的核心是将实时观察到的生物特征跟存储于电脑、已登记的特征进行可靠性匹配,进而达到对比验证身份的目的,这种技术具备了可靠安全、方便快捷的优点。在本文中,笔者主要论述了生物识别技术的基础,生物识别身份的重要途径和方式吗,以及在计算机信息安防中的运用,并针对性地对多种身份识别技术进行了比较。     

基于PCA和HMM的心音自动识别系统

针对信号识别率高低由识别模型及特征参数决定的特点,提出融合K均值聚类的多观察序列的Baum-Welch参数重估算法,用于训练隐马尔科夫模型(HMM),通过主分量分析(PCA)对梅尔频率倒谱系数进行变换,并设计与实现一套基于PCA和HMM的心音自动识别系统.实验结果表明,该系统对6类常见心音的平均识别率达到83.3％,性能优于其他心音识别系统.     

嵌入式系统中语音识别加速技术的研究

针对嵌入式系统语音识别执行速度太慢的问题,对梅尔频率倒谱参数和隐马尔可夫模型各步骤作详细研究,提出了在嵌入式系统中进行整数运算和查表算法,实现语音识别加速的方法.加速前后执行速度对比实验显示,在特征提取部分,加速约有20倍.     

Identification of the normal and abnormal heart sounds using wavelet-time entropy features based on OMS-WPD

In this paper, a novel method was put forward for automatic identification of the normal and abnormal heart sounds. After the original heart sound signal was pre-processed, it was analyzed by the optimum multi-scale wavelet packet decomposition (OMS-WPD), and then the wavelet-time entropy was applied to extract features from the decomposition components. The extracted features were then applied to a support vector machine (SVM) for identification of the normal and five types of abnormal heart sounds. To show the robustness of the proposed method, its performance was compared with four other popular heart sound processing methods. Extensive experimental results showed that the feature extraction method proposed in this paper has convincing identification results, which could be used as a basis for further analysis of heart sound.     

高压水射流靶物反射声信号的特征提取方法

为了提高利用高压水射流靶物反射声信号识别靶物材质的效率,针对地雷探测过程常见的地雷、石块、砖块和木块4种靶物,采用不同的特征提取方法来识别靶物材质。在分析Mel频率倒谱系数及小波包变换倒谱系数基本原理的基础上,结合靶物反射声信号的特点,提出了一种基于Mel频率倒谱和小波包变换倒谱特征融合的特征提取方法:利用小波包变换将原始靶物反射声信号划分为若干子频段,选取其中一个子频段作为低频和高频的划分层;低频部分提取Mel频率倒谱系数作为特征值,高频部分则提取小波包变换倒谱系数作为特征值,将2组特征值线性合并为一组新的特征向量,用于靶物材质的识别。采用最小二乘支持向量机建立多分类模型,验证基于单一特征和基于特征融合的特征提取方法的识别率。实验结果表明,在取得低频与高频的最佳划分层时,基于特征融合的特征提取方法的平均识别率达到82.812 5%,较单一的利用Mel频率倒谱系数或小波包变换倒谱系数作为特征向量时的平均识别率分别提高了10.312 5%和7.812 5%。     

Statistics-based wrapper for feature selection: An implementation on financial distress identification with support vector machine

Support vector machine (SVM) is an effective tool for financial distress identification (FDI). However, a potential issue that keeps SVM from being efficiently applied in identifying financial distress is how to select features in SVM-based FDI. Although filters are commonly employed, yet this type of approach does not consider predictive capability of SVM itself when selecting features. This research devotes to constructing a statistics-based wrapper for SVM-based FDI by using statistical indices of ranking-order information from predictive performances on various parameters. This wrapper consists of four levels, i.e., data level, model level based on SVM, feature ranking-order level, and the index level of feature selection. When data is ready, predictive accuracies of a type of SVM model, i.e., linear SVM (LSVM), polynomial SVM (PSVM), Gaussian SVM (GSVM), or sigmoid SVM (SSVM), on various pairs of parameters are firstly calculated. Then, performances of SVM models on each candidate feature are transferred to be ranking-order indices. After this step, the two statistical indices of mean and standard deviation values are calculated from ranking-order information on each feature. Finally, the feature selection indices of SVM are produced by a combination of statistical indices. Each feature with its feature selection index being smaller than half of the average index is selected to compose the optimal feature set. With a dataset collected for Chinese FDI prior to 3 years, we statistically verified the performance of this statistics-based wrapper against a non-statistics-based wrapper, two filters, and non-feature selection for SVM-based FDI. Results from unseen dataset indicate that GSVM with the statistics-based wrapper significantly outperformed the other SVM models on the other feature selection methods and two wrapper-based classical statistical models.     

基于奇异值分解和小波包分析的液压泵振动信号特征提取方法

针对液压泵故障特征提取问题,提出了一种基于奇异值分解和小波包变换的液压泵振动信号特征提取方法.通过奇异值分解将噪声非均匀分布的液压泵振动信号正交分解为噪声分布相对均匀的分量,对各分量进行小波包阈值去噪,重构去噪后分量,对去噪后信号进行小波包分解,提取各频带能量特征.以齿轮泵为例,将该方法对齿轮泵的气穴故障、齿轮磨损和侧板磨损3种常见故障和正常状态的振动信号进行特征提取分析,结果表明,该方法可有效提取齿轮泵故障特征.     

支持RFID供应链路径追溯查询的偏增向量编码策略

作为智慧物联的重要技术支撑,无线射频识别 (radio frequency identification, RFID)技术,已广泛用于供应链等物品追溯及实时监控领域.为提高基于RFID供应链环境中标签对象路径追溯查询效率,须对RFID时空数据进行有效编码.考虑到RFID供应链数据具有海量性、存在环路、更新频繁等特点,在2个向量之间可以插入无限个向量的思想基础上,提出了一种偏增向量路径编码策略.该策略以时空数据结点为编码对象,利用向量加法给结点分配唯一1对向量,实现对每个结点时空信息的统一编码.同时,针对码值过大导致的溢出问题提出了优化方案,并进行了正确性证明.实验结果表明：所提出的偏增向量路径编码策略及其优化策略能满足不同类型追溯查询需求,且具有编码速度快、码值溢出速度慢、更新效率高和支持环路等优点.