混合CNN-SVM的心音信号分类算法的研究-AET-电子技术应用

混合CNN-SVM的心音信号分类算法的研究

电子技术应用

王佳佳

江西理工大学能源与机械工程学院

摘要： 针对当前心音信号识别算法检测精度不佳问题，提出了一种混合卷积神经网络-支持向量机模型（CNN-SVM）的心音信号分类方法。通过PASCAL挑战实验数据，整理出正常与不正常两类心音信号数据库，通过预处理滤波及MFCC、一二阶差分特征提取、PCA降维，输入CNN-SVM模型进行训练。并从准确率、召回率、特异性、精确率和F分数5个方面进行性能评估。为了验证此算法的有效性，将混合CNN-SVM模型与单一SVM、CNN模型分别进行了对比。实验结果表明，该方法能够以较高识别率将两种心音信号区分开，其平均识别准确率接近于99%，相较于单一CNN方法提高了2.48%，同样高于单一SVM算法。

关键词： 卷积神经网络支持向量机心音信号识别

中图分类号：TP.391.4 文献标志码：A DOI: 10.16157/j.issn.0258-7998.234560
中文引用格式： 王佳佳. 混合CNN-SVM的心音信号分类算法的研究[J]. 电子技术应用，2024，50(4)：16-21.
英文引用格式： Wang Jiajia. Research on heart sound signals classification using hybrid CNN-SVM[J]. Application of Electronic Technique，2024，50(4)：16-21.

Research on heart sound signals classification using hybrid CNN-SVM

Wang Jiajia

School of Energy and Mechanical Engineering，Jiangxi University of Science and Technology

Abstract： Aiming at the problems of poor detection accuracy of current heart sound recognition algorithms, a new heart sound recognition method based on hybrid convolutional neural network-support vector machine model (CNN-SVM) is proposed. In order to verify the effectiveness of the method，two kinds of normal and abnormal heart sound signal databases based on PASCAL challenge experiment data are sorted out. Through preprocessing, MFCC feature extraction and PCA dimension reduction, CNN-SVM model has been input for training. The performance of the proposed method is evaluated in terms of accuracy, recall, specificity and F score.In order to verify the effectiveness of this algorithm, the hybrid CNN-SVM model is compared with the single SVM model and the CNN model respectively.Five groups of the experimental results show that the proposed method can distinguish the two different heart sound with a high average recognition rate of 99%, which is 2.48% higher than the single CNN method. It is also higher than the single SVM algorithm.

Key words : convolutional neural networks；support vector machine；heart sound recognition

引言

心音信号分类技术作为人工智能及计算机信号处理领域一个重要研究方向[1]，成为国内外研究人员相继探讨的热点话题。人类心脏的两侧各有由心脏瓣膜连接的两个腔室，分为左心室和右心房。心脏跳动形成心脏周期，该周期指从一次搏动开始到下一次搏动开始的心脏活动时间。正常心音分为第一心音S1、第二心音S2，而第三心音S3与第四心音S4一般甚少听到，会因心脏异常而产生[2]。近年来，深度学习因其出色的解决问题能力而备受关注。Zhang等[3]采用奇异值分解技术提取心音信号主要奇异值，输入支持向量机心音进行识别，对正常、先天性心脏病和风湿性心脏病的准确率有很大提升；Tschannen等[1]将心音信号周期分段，提取功率谱密度、状态统计特征与CNN提取特征融合，通过SVM分类，该方法评分81.2%；Deng等[4]采用改进MFCC算法对原始心音信号处理，传入卷积循环神经网络模型，并与其他模型对比；Xu等[5]采用小波去噪对心音去噪，提取香农熵能量包络等特征，输入基于Logistic回归模型对隐半马尔可夫模型相关参数进行训练，借助维特比算法识别S1与S2；Jamal等[6]采用突变参考信息包络和峰值检测算法分割心音信号，识别其参数，达到信号分类的目的。Mei等[7]根据小波尺度对小波散射系数扩展，得到特征输入SVM分类，利用小波尺度维数表决方法获得样本分类结果；Lahmiri等[8]将原始信号通过离散小波变换分解，分析赫斯特指数、压缩信息和香农熵总体特征，输入SVM分类。

本文算法关键是对数据下采样、滤波预处理之后，在传统计算MFCC方法基础上，采用梅尔频率刻度替代线性频率刻度，基于信号动态特征及能量分布考虑，提取MFCC系数一阶差分与二阶差分的动态特征，计算出功率加权MFCC特征；将上述特征进行融合，输入深度学习CNN模型，更深一步提取特征隐藏信息，输入SVM。通过带通滤波器，不仅大大减少训练时间，而且还减少由于现有小训练集而导致的过拟合风险。需注意的是，基于改进MFCC特征与CNN-支持向量机的结合虽被考虑用于心音分类，但这些方法仅采用MFCC，也就是说，它们可被认为是没有非线性单层CNN，是“浅”的，而本文的“深”方法使用多层CNN再次作为过滤器(即多层的非线性和池化操作)计算与增强特征表示。

本文详细内容请下载：

http://www.chinaaet.com/resource/share/2000005942

作者信息：

王佳佳

（江西理工大学能源与机械工程学院，江西南昌 330000）

Magazine.Subscription.jpg

原创声明：此内容为AET网站原创，未经授权禁止转载。

相关内容