结合SVM和香农能量的HSMM心音分割算法

针对基于逻辑回归的隐半马尔可夫模型中希尔伯特（Hilbert）变换提取的心音包络具有较大毛刺,提出一种结合支持向量机（Support vector machine, SVM）和香农能量的隐半马尔可夫模型（Hidden semi-Markov model, HSMM）心音分割算法。首先采用小波降噪的方法对心音进行降噪,接着根据R峰和T波标记心音,提取香农能量包络等特征,然后对结合逻辑回归模型（Logistic regression, LR）的HSMM相关参数进行训练,并借助Viterbi算法推测出最可能的状态。最后,通过SVM模型识别第一心音S₁和第二心音S₂。该算法无需设置硬阈值,有效地抑制了噪声,更有助于包络的提取。实验结果表明,提出的算法分割精确度较参考算法得到显著的提升,具有良好的抗噪性能,取得了更好的分割效果。     

基于高阶阈值函数与小波包的混沌信号降噪

针对混沌信号小波降噪法中,高频段频率分辨率较差,且对小波分解系数所广泛采用的硬、软阈值量化方法存在着局限等问题,给出一种基于新型高阶阈值函数的混沌信号小波包降噪法。该方法采用小波包方法能够对小波分析中没有细分的高频部分进一步分解,保留了有用的高频信息,从而具有更加精确的局部分析能力;且所采用的阈值函数连续光滑,在噪声小波系数和混沌信号小波系数之间存在一个平滑过渡区,更符合信号的连续特性。仿真对比实验表明：与软阈值降噪法以及半软阈值与小波包降噪法相比,该方法对混沌信号的降噪效果明显,信噪比(SNR)有3.7~7dB的显著提高。     

语音基音周期检测方法

针对现有语音基音检测算法抗噪能力低的问题,利用多尺度连续小波对语音信号进行预处理。基于短时平均幅度差函数和短时自相关函数,提出一种语音基音周期检测方法,在确保运算量较低的前提下,获得准确结果。使用平滑算法消除倍频点、半频点和随机点产生的误差,实现基音曲线平滑。     

基于盲源提取和希尔伯特变换的心音包络提取

心音包络比原始心音可以更好地显示心音的特征,是进行心音识别的基础.由于在体表采集心音信号时容易受到呼吸音、外界环境中不确定干扰的影响而且干扰信号不容易被常规滤波器滤除,结果导致提取的心音包络不能真实反映心音的特征.为了准确的提取心音包络,提出了一种新的心音包络提取方法,首先采用盲源提取算法从采集的信号中获取比较纯净的心音信号,然后采用希尔伯特变换提取心音的包络.通过提取合成心音数据和实际采集的心音信号包络证明了上述方法的可靠性.     

基于HHT和PPA的心音分段算法研究

心音是人体的一种重要的生理信号,它含有大量关于心脏病理状况的相关信息,反映了心脏及心血管结构及生理和病理信息。针对能否有效地提取第一心音(S1)、第二心音(S2),从而判断心脏是否病变,并且作为后续研究的基础,提出基于HHT和PPA的心音分段算法,包括首先利用希尔伯特-黄变换(HHT)进行心音包络的提取,然后利用中值滤波对包络进行平滑处理,最后通过峰逐层算法(PPA)来消除多余的低幅度峰值。通过对40例心音进行分段处理,可以对其中的39例进行正确分段。结果证明这种方法可以有效地提取心音信号的S1、S2,为后期的识别研究奠定了良好的基础。     

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HHT的心音分段和医学指标提取

提出了一种希尔伯特黄变换(HHT)与香农能量相结合的包络提取方法,使包络更加平滑,分段更加准确。针对希尔伯特包络不平滑的问题,提出一种希尔伯特黄变换(HHT)与香农能量相结合的包络提取方法,使得所得包络更加平滑;针对经验模态分解(EMD)时采用三次样条插值而造成的端点效应问题,采用镜像闭合端点延拓方法予以解决。实验表明使用提出的新方法可以得到更好的结果。最后对心音信号进行包括心率、S1/S2和D/S在内的医学指标的提取和分析,这为临床上评估心脏储备提供了便利。     

小波和神经网络在心音识别中的应用

提出一种心音的特征提取和分类方法,用离散小波变换分解、重构产生信号的细节包络,进而用于提取特征,从预处理的信号中提取统计特性,作为心音分类的特征。多层感知器用于心音的分类,并通过250个心动周期得到验证,算法识别率达到92%。     

基于支持向量机的心音信号自动识别

心音信号识别对心血管疾病的诊断具有重要意义,为了提高心音信号的识别性能,提出一种基于支持向量机的心音信号自动识别方法。首先采用小波分析对心音信号进行降噪预处理,然后提取心音信号的Mel频率倒谱系数作为心音信号特征,最后采用支持向量机建立心音信号分类器,对采集心音信号数据的识别性能进行验证。实验结果表明,本文方法的心音信号平均识别率高达93%以上,可以准确识别正常和各种异常的心音信号。      

基于起始和截止时刻的听觉分段

分段是计算声场景分析中的一个重要步骤.传统分段是基于响应能量和相邻通道的互相关性,易受干扰,会忽略清音,且计算量大.研究了另一种分段方式:基于语音的起始截止时刻分段.采用一种可纠正失真的包络求取算法获得较准确的信号包络,然后通过卷积高斯函数和低通滤波器进行频域时域平滑处理,并提出一种简单实用的去除系统延迟的方法,最后检测起始截止时刻并将其组合成段.仿真实验表明此分段方法能准确提取起止时刻,完成强噪声环境下语音信号的分段.     

责任链设计模式的改进

传统责任链设计模式采用面向对象的程序设计标准加以实现,过多强调程序的扩展性,但没有考虑并发性、空间及时间问题,在使用过程中造成空间及时间上的浪费,降低程序处理的并发性。针对上述问题,提出一种责任链设计模式创建过程,利用延迟初始化技术减少不必要的请求处理者数量。该方法不仅维持了责任链的核心应用思想及标准实现模式,而且能够根据实际请求码,创建具体处理实例,从而提高程序的整体性能。     

A novel cuboid method with particle swarm optimization for real-life noise attenuation from heart sound signals

A novel cuboid method with particle swarm optimization (PSO) is proposed to attenuate real-life noise from heart sound (HS) signals. Firstly, the quasi-cyclic feature of HS is explored. It is found that for each cycle of HS, the fragmental signals at similar time section have similar frequency and energy. Based on this finding, short-time Fourier transform (STFT) is employed to decompose each HS cycle into time–frequency fragments which are called granules. Next, a cuboid is built for each granule to identify and see if it is a constituent of HS or noise. The dimensions of cuboid’s length, width, and height are optimized by PSO. An objective function of PSO based on the normalized autocorrelation coefficient is proposed. Then, granules representing HS are retained and merged into noise-quasi-free HS signal. The proposed de-noising method is assessed using mean square error (MSE) and compared with the recently proposed wavelet multi-threshold method (WMTM) and Tang’s method. The experimental results show that the proposed method not only filters HS signal effectively but also well retains its pathological information.     

Towards heart sound classification without segmentation via autocorrelation feature and diffusion maps

Heart sound classification, used for the automatic heart sound auscultation and cardiac monitoring, plays an important role in primary health center and home care. However, one of the most difficult problems for the task of heart sound classification is the heart sound segmentation, especially for classifying a wide range of heart sounds accompanied with murmurs and other artificial noise in the real world. In this study, we present a novel framework for heart sound classification without segmentation based on the autocorrelation feature and diffusion maps, which can provide a primary diagnosis in the primary health center and home care. In the proposed framework, the autocorrelation features are first extracted from the sub-band envelopes calculated from the sub-band coefficients of the heart signal with the discrete wavelet decomposition (DWT). Then, the autocorrelation features are fused to obtain the unified feature representation with diffusion maps. Finally, the unified feature is input into the Support Vector Machines (SVM) classifier to perform the task of heart sound classification. Moreover, the proposed framework is evaluated on two public datasets published in the PASCAL Classifying Heart Sounds Challenge. The experimental results show outstanding performance of the proposed method, compared with the baselines.     

基于自相关平方函数与小波变换的基音检测

在背景噪声干扰条件下,研究语音信号的基音周期,提出了一种基于自相关平方函数与小波变换结合的基音检测算法。该算法先用小波变换对带噪语音去噪,然后再求语音的自相关平方函数以突出真实基音周期的峰值,以获取较精确的基音周期。实验结果表明,与传统的自相关法相比,该算法鲁棒性好,具有更高的准确性,且计算复杂度低,利于语音合成和编码的实时处理。     

基于LMS-PNN算法在心音识别与预测中的应用

传统的概率神经网络（Probability neural network, PNN）具有很强的容错性、学习过程简单、训练速度快等特点。为提高传统PNN在心音分类方面的性能,利用最小均方(Least mean square, LMS)方法对其进行优化,进而提高心音分类与预测的准确性。LMS-PNN算法对心音的信号运用窗函数进行分帧,利用双门限法确定数据的值,运用LMS方法对相应的参数进行调试,并将去噪后的数据以mat格式保存,提取出各个心音的短时自相关系数以及短时功率谱密度,并运用PNN,抽取40 000个样本数据进行训练,并对各心音进行等级划分与预测。从PNN的模式层输入训练数据后,由实验数据验证可知,LMS-PNN算法的预测准确率可达96%以上。     

轴承早期故障特征提取方法研究

针对滚动轴承早期故障信号被背景噪声淹没、故障特征不明显的问题,提出一种基于小波包分解和互补集合经验模态分解(CEEMD)的轴承早期故障信号特征提取方法.利用Matlab软件对采集到的轴承振动信号进行快速谱峭度分析,根据峭度最大化原则确定带通滤波器的中心频率和带宽,设计带通滤波器;对经过带通滤波器滤波后的信号进行小波包分解和CEEMD分解,根据峭度、相关系数筛选出有效本征模态函数(IMF)分量;利用IMF分量重构小波包信号,对重构小波包信号进行包络谱分析,提取轴承早期故障信号特征频率.该方法通过谱峭度分析降低背景噪声干扰,通过小波包分解增强故障冲击信号,并将CEEMD与小波包分解相结合,解决经典EMD分解存在的模态混叠、无效分量问题.仿真结果表明,相较于传统包络解调算法,重构后信号的背景噪声得到抑制,故障特征分量突出,验证了所提方法的可行性和有效性.     

利用小波变换加权自相关的基音检测法

自相关函数法、平均幅度差函数法及小波变换法是经典的基音检测方法,本文简要分析了单独使用它们进行基音检测时存在的不足,提出了一种基于小波变换的加权自相关的检测方法。将多级小波变换的近似分量加权求和以突出基音信息,采用改进的平均幅度差函数加权自相关函数的方法以突出真实基音周期处的峰值,提高基音检测的正确率。实验表明,与传统的自相关函数法和平均幅度差函数法相比,本文方法减少了倍频和半频错误,提高了基音检测的精度,在信噪比为-5dB时仍能得到较准确的结果。     

基于LMS-PNN神经网络算法在心音识别与预测中的应用

传统的PNN神经网络具有很强的容错性、学习过程简单、训练速度快等特点,本文在传统PNN神经网络的基础上,利用LMS对其在心音分类方面进行优化,进而提高心音分类与预测的准确性。LMS-PNN神经网络算法对心音的信号运用窗函数进行分帧,利用双门限法确定数据的值,运用LMS算法对相应的参数进行调试,并将去噪后的数据以mat格式保存,提取出各个心音的短时自相关系数以及短时功率谱密度,并运用PNN神经网络,抽取40000个样本数据进行训练,并将各个心音进行等级划分与预测。 从PNN神经网络的模式层输入训练数据后,通过仿真测试可得,LMS—PNN神经网络预测准确率可达可达96%以上。