下载文档原格式
基于功率谱信息熵的异常心音识别周酥【期刊名称】《中国医学物理学杂志》【年(卷),期】2014(031)003【摘要】目的:异常心音识别是心血管疾病检测的一种重要手段,为了探究异常心音频域的有用信息,提出了将不同频段的功率谱作为一个独立信源计算其信息熵,从而对房室瓣和动脉瓣异常信号进行判别的一种新方法.方法:实验先将心音信号进行小波包分解,然后利用改进的Welch方法计算信号的功率谱,进而求各频段的功率谱信息熵,再建立支持向量机预测模型来对两种异常心音进行识别.结果:选取二尖瓣狭窄、二尖瓣关闭不全、主动脉瓣狭窄、主动脉瓣关闭不全共27例心音信号进行算法仿真,其中房室瓣异常能够全部检测出来,动脉异常有3例被误判,正确率达到77％;在原有27例信号的基础上,增加3例房室瓣异常和3例动脉异常信号进行算法验证,房室瓣异常信号仍然能够全部被检测出来,动脉异常信号2例被误判.结论:从仿真结果可以看出,该算法对房室瓣异常和动脉异常两种心音信号有较高的识别率,尤其对房室瓣杂音能够完全识别,也表明功率谱信息熵在异常心音的识别中具有重要意义.【总页数】4页(P4933-4935,4961)【作者】周酥【作者单位】中山大学新华学院生物医学工程系,广东广州510520【正文语种】中文【中图分类】R318【相关文献】1.基于 Teager边界谱心音身份识别的特征提取算法 [J], 李战明;张晓东2.第二心音信号的瞬时功率和功率谱极大值分析 [J], 王衍文;王海滨3.基于功率谱信息熵与GK模糊聚类的生物组织变性识别方法 [J], 胡伟鹏;刘备;邹孝;赵新民;钱盛友4.基于功率谱第三心音特征提取研究 [J], 孙树平; 李辉; 张弼强; 黄婷婷; 李肖航; 张旭5.基于EMD关联维数和多重分形谱的心音识别 [J], 郭兴明;张文英;袁志会;何彦青;李传鹏因版权原因，仅展示原文概要，查看原文内容请购买。
32卷5期2013年10月中国生物医学工程学报Chinese Journal of Biomedical EngineeringVol．32No．5October 2013doi ：10.3969/j．issn．0258-8021.2013.05.06收稿日期：2012-12-06，录用日期：2013-07-25基金项目：广西自然科学基金（2010GXNSFA013128）*通信作者。
E-mail ：huwp@gxnu．edu．cn基于熵和支持向量机的病态嗓音识别赵冰心胡维平*（广西师范大学电子工程学院，桂林541004）摘要：为了更好地分析实际短数据带噪的病态嗓音信号，利用近年来提出的样本熵、多尺度熵、模糊熵和分层熵的方法来提取嗓音的熵特征参数，并借鉴分层分解方法，提出分层多尺度熵和分层模糊熵，分别对测试集39例正常嗓音和36例病态嗓音进行支持向量机（SVM ）识别。
实验结果表明：三层分层熵、分层多尺度熵、分层模糊熵的识别率和稳定性均较分层前有提高。
在耗时较短的情况下，提取2000点病理嗓音数据的6种熵特征都能达到较好且较稳定的识别率。
提取2000点病理嗓音数据的三层分层模糊熵特征，能得到较好且较稳定的SVM 识别率97.33%，较分层前的模糊熵特征识别率提高约4.00%。
熵分析方法可推进病态嗓音研究向临床的应用，为临床分析诊断实时、短数据的带噪病理嗓音提供一定的参考。
关键词：病态嗓音；模糊熵；分层熵；支持向量机中图分类号Ｒ318文献标志码A文章编号0258-8021（2013）05-0546-07Ｒecognition of Pathological Voice Based on Entropy and Support Vector MachineZHAO Bing-XinHU Wei-Ping *（College of Electronic Engineering ，Guangxi Normal University ，Guilin 541004，China ）Abstract ：To solve the problems of short data and noisy recordings in pathological voice signals ，this paper extracted some entropy feature parameters of pathological voice proposed in recent years ，including sample entropy ，multiscale entropy ，fuzzy entropy and hierarchical entropy．Based on hierarchical decomposition method ，we developed hierarchical multiscale entropy and hierarchical fuzzy entropy．Support vector machine （SVM ）was used to distinguish the test set including 39cases of normal and 36cases of pathological voices．Ｒesults showed that three level hierarchical entropy ，hierarchical multiscale entropy and hierarchical fuzzy entropy all achieved higher recognition rates and better stabilities using the proposed method．Pathological voice ’s three level hierarchical fuzzy entropy feature got a better and more stable SVM recognition rate of 97.33%by extracting 2000points．Compared with fuzzy entropy ，the recognition rate was increased about 4.00%．The entropy method provide valuable preference for clinical analysis of short pathological voice time series contaminated by noise ，which is benefit for clinical application of pathological voice analysis．Key words ：pathological voice ；fuzzy entropy ；hierarchical entropy ；support vector machine （SVM ）引言随着现代人生活节奏的加快以及不健康的社会习惯，嗓音疾病也在显著增加。
一、引言心音是心脏跳动时产生的声音，它是诊断心脏病的重要依据之一。
为了提高临床医生对心音的识别能力，我们进行了一段时间的心音实训。
以下是本次实训的总结报告。
二、实训目的1. 培养临床医生对心音的识别能力，提高诊断心脏病的准确性。
2. 了解心音的产生机制、分类及特点。
3. 掌握心音听诊技巧，提高听诊水平。
三、实训内容1. 心音的产生机制心音是由心脏瓣膜关闭、血液流动和心脏肌肉收缩产生的声音。
在心脏收缩和舒张过程中，瓣膜关闭和血液流动产生的声音构成了心音。
2. 心音的分类及特点（1）第一心音（S1）：发生在心室收缩期，主要由二尖瓣和三尖瓣关闭产生的声音组成。
第一心音的特点是低沉、响亮、持续时间较长。
（2）第二心音（S2）：发生在心室舒张期，主要由主动脉瓣和肺动脉瓣关闭产生的声音组成。
第二心音的特点是清脆、短促、高调。
（3）第三心音（S3）：发生在心室舒张早期，主要由心室充盈产生的声音组成。
第三心音的特点是低沉、短促、较第一心音为弱。
（4）第四心音（S4）：发生在心室收缩前期，主要由心房收缩产生的声音组成。
第四心音的特点是低沉、短促、较S1为弱。
3. 心音听诊技巧（1）正确选择听诊器：听诊器的大小、形状、硬度等因素都会影响听诊效果。
应根据患者的年龄、体型和听诊部位选择合适的听诊器。
（2）正确听诊位置：心音听诊的主要位置有胸骨左缘第2肋间、胸骨左缘第3肋间、胸骨左缘第4肋间、心尖部、主动脉瓣区和肺动脉瓣区等。
（3）注意听诊顺序：先听心尖部，再听主动脉瓣区和肺动脉瓣区，最后听心底部。
（4）注意听诊时间：心音听诊应在心脏跳动时进行，注意把握听诊时机。
四、实训过程1. 实训前期：通过查阅相关资料，了解心音的产生机制、分类及特点，为实训做好准备。
2. 实训中期：在导师的指导下，进行心音听诊实训。
首先在模拟人身上进行听诊，然后在实际患者身上进行听诊。
在听诊过程中，注意观察患者的面色、呼吸、脉搏等生命体征，并与导师进行交流。
现代电子技术Modern Electronics Technique2023年12月1日第46卷第23期Dec. 2023Vol. 46 No. 230 引 言随着毫米波雷达的发展，基于毫米波雷达的非接触式生命信号检测逐渐成为研究的热点。
毫米波雷达不仅可以用来连续检测呼吸速率和心跳速率[1⁃2]，也可以对人体进行睡眠监测[3]。
心音信号反映了心脏及主血管的机械运动，心脏的病变也会引起心音的病变，因此有效的心音信息可以辅助诊断心脏疾病[4]。
心脏经历一次完整的收缩期和舒张期的时间称作心动周期，心音信号伴随着心脏的跳动重复出现。
每个心动周期出现的心音信号通常都包含有第一心音（S1）和第二心音（S2），但这两种心音的产生原因完全不同。
第一心音的产生是由于心室收缩时二尖瓣、三尖瓣的闭合；第二心音则是由于心室舒张时主、肺动脉瓣的闭合。
LFM （Linear Frequency Modulated ）毫米波雷达可以根据瓣膜振动引起的胸腔微小位移实现非接触式的心音信号获取。
心DOI ：10.16652/j.issn.1004⁃373x.2023.23.003引用格式：王浩，张兴敢.基于毫米波雷达的心音检测[J].现代电子技术，2023，46（23）：12⁃18.基于毫米波雷达的心音检测王 浩， 张兴敢（南京大学 电子科学与工程学院， 江苏 南京 210023）摘 要： 心音信号的分割是心音分类和心杂音分析的基础，也是实现自动心音分析系统的关键。
利用线性调频（LFM ）毫米波雷达提出一种基于双特征的心音分割方法。
首先通过LFM 毫米波雷达获得被测试者的心音信号；然后提取出心音信号的一阶导数特征和频率包络特征，通过最大类间方差法计算特征阈值，将心音信号在时域上初步分割为第一或第二心音部分以及非心音部分；最后根据不同心音的生理特征，完成第一心音（S1）和第二心音（S2）的识别及心音信号的最终分割。
实验通过毫米波雷达采集的不同受试者的心音数据对提出的算法进行了测试，提出的方法得到的平均F 1分数为（90.49±2.30）%，而基于逻辑回归的隐半马尔可夫模型（LR⁃HSMM ）算法得到的平均F 1分数为（83.09±2.31）%。
第１４卷㊀第３期Ｖｏｌ．１４Ｎｏ．３㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２４年３月㊀Ｍａｒ．２０２４㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２４）０３－００８１－０５中图分类号：ＴＰ３９１．４文献标志码：Ａ基于最小门控单元的心音分类研究王㊀慧（贵阳信息科技学院智能工程系，贵阳５５００２５）摘㊀要：本文提出了一种基于最小门控单元（ｍｉｎｉｍａｌｇａｔｅｄｕｎｉｔ，ＭＧＵ）网络的心音分类方法，为心血管疾病的诊断提供了一种无创㊁便捷的新方法㊂首先，对采集到的心音信号进行自适应小波去噪预处理后，利用基于逻辑回归的隐半马尔可夫模型对心音信号进行分割，并搭建ＭＧＵ模型，本文研发模型能够自动学习心音信号的特征㊂实验结果表明，该模型的准确率达到了９７．２０％，取得了较好的效果，可作为心血管疾病诊断的有效工具，辅助临床诊断㊂关键词：心血管疾病；心音；最小门控单元；深度学习ＣｌａｓｓｉｆｉｃａｔｉｏｎｏｆｈｅａｒｔｓｏｕｎｄｓｂａｓｅｄｏｎｍｉｎｉｍａｌｇａｔｅｄｕｎｉｔＷＡＮＧＨｕｉ（ＤｅｐａｒｔｍｅｎｔｏｆＩｎｔｅｌｌｉｇｅｎｔＥｎｇｉｎｅｅｒｉｎｇ，ＧｕｉｙａｎｇＩｎｓｔｉｔｕｔｅｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｇｕｉｙａｎｇ５５００２５，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｏｆｈｅａｒｔｓｏｕｎｄｓｂａｓｅｄｏｎｍｉｎｉｍａｌｇａｔｅｄｕｎｉｔ（ＭＧＵ）ｎｅｔｗｏｒｋｉｓｐｒｏｐｏｓｅｄｉｎｔｈｉｓｐａｐｅｒ，ｗｈｉｃｈｐｒｏｖｉｄｅｓａｎｅｗｎｏｎｉｎｖａｓｉｖｅａｎｄｃｏｎｖｅｎｉｅｎｔｍｅｔｈｏｄｆｏｒｔｈｅｄｉａｇｎｏｓｉｓｏｆｃａｒｄｉｏｖａｓｃｕｌａｒｄｉｓｅａｓｅｓ．Ｆｉｒｓｔｌｙ，ｔｈｅｃｏｌｌｅｃｔｅｄｈｅａｒｔｓｏｕｎｄｓｉｇｎａｌｓａｒｅｐｒｅｐｒｏｃｅｓｓｅｄｂｙａｄａｐｔｉｖｅｗａｖｅｌｅｔｄｅｎｏｉｓｉｎｇ．Ｔｈｅｎ，ｔｈｅｌｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎｂａｓｅｄｈｉｄｄｅｎｓｅｍｉ－ＭａｒｋｏｖｍｏｄｅｌｉｓｕｔｉｌｉｚｅｄｔｏｓｅｇｍｅｎｔＨＳｆｒａｍｅｓ．Ａｆｔｅｒｔｈａｔ，ｔｈｅＭＧＵｍｏｄｅｌｉｓｂｕｉｌｔｆｏｒｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｈｅａｒｔｓｏｕｎｄｓ，ｗｈｉｃｈｃａｎａｕｔｏｍａｔｉｃａｌｌｙｌｅａｒｎｔｈｅｆｅａｔｕｒｅｓｏｆｈｅａｒｔｓｏｕｎｄｓｉｇｎａｌｓ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｏｄｅｌａｃｈｉｅｖｅｓｔｈｅｓｕｐｅｒｉｏｒｐｅｒｆｏｒｍａｎｃｅｗｉｔｈｔｈｅａｃｃｕｒａｃｙｏｆ９７．２０％．Ｔｈｉｓｓｔｕｄｙｓｕｇｇｅｓｔｓｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｃｏｕｌｄｂｅａｕｓｅｆｕｌｔｏｏｌｆｏｒｔｈｅｄｉａｇｎｏｓｉｓｏｆｃａｒｄｉｏｖａｓｃｕｌａｒｄｉｓｅａｓｅｓａｎｄａｓｓｉｓｔｉｎｇｐｈｙｓｉｃｉａｎｓｉｎｃｌｉｎｉｃａｌｄｉａｇｎｏｓｉｓ．Ｋｅｙｗｏｒｄｓ：ｃａｒｄｉｏｖａｓｃｕｌａｒｄｉｓｅａｓｅｓ；ｈｅａｒｔｓｏｕｎｄｓ；ｍｉｎｉｍａｌｇａｔｅｄｕｎｉｔ；ｄｅｅｐｌｅａｒｎｉｎｇ作者简介：王㊀慧（１９９７－），女，硕士，助教，主要研究方向：医学信号检测与分析㊂Ｅｍａｉｌ：ｗａｎｇｈｕｉ９７０８１０＠１６３．ｃｏｍ收稿日期：２０２４－０１－０７０㊀引㊀言随着社会经济的发展及人口老龄化过程的进一步加剧，心血管疾病的患病率处于持续上升趋势，国内的心血管疾病防治工作面临严峻挑战［１］㊂据世界卫生组织统计，心血管疾病是全球最主要的致死因素之一，约占全球总死亡人数的三分之一㊂因此，探索和改进心血管疾病的诊断和治疗方案，对于心血管疾病的早期预防和及时治疗具有重要意义㊂近年来，基于生理信号检测与分析的心血管疾病无创诊断技术成为研究热点㊂心音是心脏机械振动产生的声音，可反映心脏的机械活动，能为早期识别心脏异常提供有效信息［２］㊂传统的心音听诊有助于心血管疾病的诊断，但却需要临床医生的专业知识，而且主观性很强㊂电子换能器可以数字化记录心音，有利于后续心音信号的分析和处理，弥补了传统心音听诊的缺陷㊂利用计算机辅助诊断技术进行心音信号的分析，可以获得量化的特征参数，有助于发现心音与相关疾病之间的关系，也有利于后续数据的可追溯性及数据库的形成［３］㊂传统的机器学习方法需要对心音信号进行复杂的预处理㊁手动提取和选择特征，增加了一定的工作量㊂此外，由于机器学习方法所用的数据量较小，其泛化能力和鲁棒性无法得到保证㊂随着人工智能算法的快速发展，深度学习模型被应用于心音分类㊂其中，循环神经网络（ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌＮｅｔｗｏｒｋ，ＲＮＮ）和卷积神经网络（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ，ＣＮＮ）等深度学习模型应用最为广泛㊂李嘉琪等学者［４］利用短时傅里叶变换提取心音信号的时频图，输入改进的ＲｅｓＮｅｔ５０中进行心音自动分类㊂Ｗｕ等学者［５］提取了心音信号的短时傅里叶变换频谱图㊁梅尔频谱以及梅尔频率倒谱系数作为模型的输入矩阵，并使用ＣＮＮ模型中的ＶＧＧ网络进行训练，最终达到了８９．８１％的测试准确率㊂孟丽楠等学者［６］提出采用大量未经过精确分割的心音二维特征图作为深度ＣＮＮ网络的输入，实现心音的分类识别㊂虽然ＲＮＮ擅长处理时间序列，但存在着梯度消失或梯度爆炸的问题㊂针对于此，相继推出了一系列改进网络，如：长短时记忆网络（ＬｏｎｇＳｈｏｒｔ－ＴｅｒｍＭｅｍｏｒｙ，ＬＳＴＭ）㊁门控循环单元（ＧａｔｅｄＲｅｃｕｒｒｅｎｔＵｎｉｔ，ＧＲＵ）等［７－８］陆续被提出㊂Ｌｙｎｎ等学者［９］采用ＧＲＵ网络识别心律失常，准确率为９８．５５％㊂Ｌａｔｉｆ等学者［１０］提出了一种基于循环神经网络（ＲＮＮ）的异常心跳检测算法，探索了ＬＳＴＭ㊁ＧＲＵ㊁双向ＬＳＴＭ和双向ＧＲＵ四种模型的性能和计算复杂度㊂ＬＳＴＭ和ＧＲＵ解决了ＲＮＮ中存在梯度消失或梯度爆炸的问题，但其网络结构中仍存在着大量复杂的隐藏单元㊂而最小门控单元（ＭｉｎｉｍａｌＧａｔｅｄＵｎｉｔ，ＭＧＵ）［１１］具有最简单的门控设计，参数较少，精度与ＧＲＵ相似㊂徐菲菲等学者［１２］结合ＣＮＮ和ＭＧＵ的优势搭建神经网络模型进行情感分类实验，结果表明模型能够学习序列相关特征，有效地提高情感分类的准确率㊂刘志明等学者［１３］基于ＭＧＵ网络进行中文分词研究，与ＬＳＴＭ网络精度相当㊁且其标注推理速度更快㊂目前，将ＭＧＵ应用于心音分类的研究较少，因此本文提出一种新的ＭＧＵ模型，以实现正常和异常心音的分类㊂为验证模型性能，将该模型与ＬＳＴＭ㊁ＧＲＵ等模型进行了对比分析㊂１㊀分类模型１．１㊀长短时记忆网络ＬＳＴＭ网络由一系列循环连接的内存单元构成，包括输入门㊁遗忘门和输出门，其结构如图１所示㊂输出门遗忘门输入门c t -1h t -1x ts i g m o i dt a n h逐点相乘逐点相加向量连接h th tc tσσσt a n h t a n h图１㊀ＬＳＴＭ结构示意图Ｆｉｇ．１㊀ＳｔｒｕｃｔｕｒｅｏｆＬＳＴＭ㊀㊀ＬＳＴＭ的核心是一个记忆单元，其作用是记住有用的信息，而遗忘无用或者对结果影响较小的信息㊂计算过程如下：ｆｔ＝σ（Ｗｆｈｈｔ－１＋Ｗｆｘｘｔ＋ｂｆ）（１）ｉｔ＝σ（Ｗｉｈｈｔ－１＋Ｗｉｘｘｔ＋ｂｉ）（２）ｃｔ＝ｔａｎｈ（Ｗｃ ｈｈｔ－１＋Ｗｃ ｘｘｔ＋ｂｃ ）（３）ｃｔ＝ｆｔ㊃ｃｔ－１＋ｉｔ㊃ｃｔ（４）ｏｔ＝σ（Ｗｏｈｈｔ－１＋Ｗｏｘｘｔ＋ｂｏ）（５）ｈｔ＝ｏｔ㊃ｔａｎｈ（ｃｔ）（６）㊀㊀其中，遗忘门ｆｔ控制对上一个状态的遗忘，忘记无用信息，留下有用信息；输入门ｉｔ将新的信息记录到当前单元状态中；输出门ｏｔ控制输出有关信息㊂１．２㊀门控循环单元网络ＧＲＵ是ＬＳＴＭ网络的一种效果很好的变体，结构更加简单，只有重置门㊁更新门，其结构如图２所示㊂h t -1h ty t重置门更新门t a n hσσx ts i g m o i d t a n h逐点相乘逐点相加向量连接1-图２㊀ＧＲＵ结构示意图Ｆｉｇ．２㊀ＳｔｒｕｃｔｕｒｅｏｆＧＲＵ㊀㊀由于ＧＲＵ参数的数量少于ＬＳＴＭ，整体训练速度要快于ＬＳＴＭ㊂计算过程如下：ｒｔ＝σ（Ｗｒｈｈｔ－１＋Ｗｒｘｘｔ＋ｂｒ）（７）ｚｔ＝σ（Ｗｚｈｈｔ－１＋Ｗｚｘｘｔ＋ｂｚ）（８）ｈｔ＝ｔａｎｈ（Ｗｈ ｈ（ｒｔ㊃ｈｔ－１）＋Ｗｈｘｘｔ＋ｂｚ（９）ｈｔ＝（１－ｚｔ）㊃ｈｔ－１＋ｚｔ㊃ｈｔ（１０）㊀㊀其中，重置门ｒｔ决定对过去状态的信息的遗忘程度；更新门ｚｔ取代了ＬＳＴＭ中的输入门和遗忘门，决定遗忘或保留先前状态信息量和需要增加的当前状态信息量㊂２８智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１４卷㊀１．３㊀最小门控单元ＬＳＴＭ和ＧＲＵ中依然存在着许多复杂的隐层单元，为了进一步简化结构，减少参数数量，Ｚｈｏｕ等学者［１１］于２０１６年提出了ＭＧＵ，结构如图３所示㊂ＭＧＵ是ＲＮＮ中任意门控单元的最小设计，只有一个遗忘门，可以学习时间序列的长期时间相关性，而不受梯度消失或者梯度爆炸的影响㊂ＭＧＵ是在ＧＲＵ的基础上发展得来的，是将输入（重置）门进一步耦合到遗忘门（更新门）：ｒｔ＝ｆｔ，㊀∀ｔ（１１）㊀㊀其中，ｆｔ表示遗忘门，可视作ＧＲＵ中更新门的重命名，计算公式如下所示㊂ｆｔ＝σ（Ｗｆｈｈｔ－１＋Ｗｆｘｘｔ＋ｂｆ）（１２）㊀㊀在Ｗｈ ｈ㊁Ｗｈ ｘ和ｂｈ权重下，ｆｔ㊃ｈｔ－１与ｘｔ连接成一个新的向量作为ｔａｎｈ函数的输入，从而得到短时记忆项ｈｔ：ｈ ｔ＝ｔａｎｈ（Ｗｈ ｈ（ｆｔ㊃ｈｔ－１）＋Ｗｈ ｘｘｔ＋ｂｈ）（１３）㊀㊀新的隐层状态ｈｔ由２部分组成，其中，１－ｆｔ和ｈｔ－１之间的元素乘积为第一部分，由ｆｔ再次确定的ｈｔ组成ｈｔ的第二部分㊂据此可推得：ｈｔ＝（１－ｆｔ）㊃ｈｔ－１＋ｆｔ㊃ｈｔ（１４）h ty th t -1遗忘门t a n hσ1-x ts i g m o i dt a n h逐点相乘逐点相加向量连接图３㊀ＭＧＵ结构示意图Ｆｉｇ．３㊀ＳｔｒｕｃｔｕｒｅｏｆＭＧＵ㊀㊀由ＬＳＴＭ㊁ＧＲＵ和ＭＧＵ的结构图和计算公式可发现，ＭＧＵ比ＬＳＴＭ和ＧＲＵ更加简化㊂ＬＳＴＭ由４组参数确定：ｆ㊁ｉ㊁ｃ㊁ｏ；ＧＲＵ由３组参数确定：ｒ㊁ｚ㊁ｈ；而ＭＧＵ只有２组参数：ｆ㊁ｈ㊂若隐层节点数相同，则可近似认为ＭＧＵ的参数仅为ＬＳＴＭ的一半，是ＧＲＵ的三分之二左右㊂２㊀网络结构２．１㊀ＭＧＵ模型本文基于ＭＧＵ网络构建心音分类模型，如图４所示㊂模型主要包括输入层㊁隐含层和输出层三个部分㊂正常异常输入层隐含层输出层心音信号第1层第2层M G U M G UM G UM G UM G UM G UM G UM G U全连接层s o f t m a x图４㊀ＭＧＵ模型示意图Ｆｉｇ．４㊀ＩｌｌｕｓｔｒａｔｉｏｎｏｆＭＧＵｍｏｄｅｌ㊀㊀输入层向网络传送预处理后的心音数据㊂在隐含层中，需要确定隐含层层数和每层节点数，合适的隐含层层数以及每层节点数可提高网络的性能㊂一般认为，若隐含层层数过多，会使网络复杂化，增加了网络的训练时间，容易产生过拟合现象，且每层节点数的选取不当也会造成网络过拟合㊂本文中，采用实验方式确定隐含层层数以及每层节点数，将隐含层层数和每层节点数的范围分别设定为｛１，２，３｝，｛８，１６，３２，６４，１２８｝，以准确率为评价指标进行模型结构的测试㊂最终确定ＭＧＵ模型的隐含层层数为２，每层节点数为６４㊂输出层采用ｓｏｆｔｍａｘ函数完成分类，本文为二分类问题，因此输出层的节点数为２㊂㊀㊀此外，为验证模型性能，将该模型与ＬＳＴＭ㊁ＧＲＵ等模型进行对比分析㊂即将图４中的ＭＧＵ层依次替换成ＬＳＴＭ和ＧＲＵ㊂ＬＳＴＭ和ＧＲＵ模型的结构与ＭＧＵ相同㊂２．２㊀模型训练本文选用Ａｄａｍ优化器优化模型参数，Ａｄａｍ可计算参数的自适应学习率，加快网络的收敛速度㊂学习率设置为０．００１，损失函数为Ｌ２正则化的交叉熵损失函数，正则项系数设置为０．００１㊂此外，采用ｄｒｏｐｏｕｔ技术防止模型在训练过程中出现过拟合现象，参数值设置为０．５㊂综合考虑训练时间和模型性能两个因素，将训练次数设置为５０，批处理大小为６４㊂随着训练过程的进行，ＭＧＵ模型的性能不断提高，如图５所示㊂３８第３期王慧：基于最小门控单元的心音分类研究1.00.90.80.70.60.50250005000075000100000125000150000迭代次数准确率训练集验证集（ａ）准确率0250005000075000100000125000150000迭代次数训练集验证集2.01.51.00.50损失值（ｂ）损失值图５㊀ＭＧＵ模型训练过程中的准确率和损失值示意Ｆｉｇ．５㊀ＡｃｃｕｒａｃｙａｎｄｌｏｓｓｄｕｒｉｎｇｔｈｅｔｒａｉｎｉｎｇｏｆｔｈｅＭＧＵｍｏｄｅｌ３㊀实验结果及分析３．１㊀实验数据集划分及评价指标本文使用的心音样本包含２类：正常心音和异常心音㊂样本来自于２０１６年心脏病学ＰｈｙｓｉｏＮｅｔ／Ｃｏｍｐｕｔｉｎｇ挑战赛［１４－１５］㊂该数据集共包含３２４０条记录，其中２５７５份正常心音数据来自健康受试者，其余６６５份异常心音来自心血管疾病确诊患者㊂数据集信息见表１，其中包含６个心音数据集（ａ－ｆ）㊂每条心音数据以２ｋＨｚ采样，并具有不同的持续时间（５ １２０ｓ）㊂表１㊀ＰｈｙｓｉｏＮｅｔ／Ｃｏｍｐｕｔｉｎｇ挑战赛数据集信息Ｔａｂｌｅ１㊀ＩｎｆｏｒｍａｔｉｏｎｏｆＰｈｙｓｉｏＮｅｔ／Ｃｏｍｐｕｔｉｎｇｄａｔａｓｅｔ数据集正常数异常数ａ２９２１１７ｂ１０４２８６ｃ２４７ｄ２８２７ｅ１８３１９５８ｆ３４８０㊀㊀因为心音主要成分中频率范围最高的为Ｓ２，其值介于１０ ２００Ｈｚ之间，所以根据奈奎斯特采样定理，将所有样本统一降采样至６００Ｈｚ㊂而为了削弱病理性幅值差异对结果产生影响，需对所有样本进行幅值归一化处理：Ｘ＝ｘ－ｘｍｉｎｘｍａｘ－ｘｍｉｎ（１５）㊀㊀本文使用的去噪方法为Ｌｉｕ等学者［１６］提出的自适应小波去噪，该方法已被证实为有效的去噪方法，可以实现不同的心音信号自适应选择不同的母小波和分解层数㊂使用基于逻辑回归的隐半马尔可夫模型［１７－１９］定位基础心音Ｓ１和Ｓ２的边界（如图６所示）㊂以Ｓ１为起始位置，固定心音片段长度为１．６ｓ，并以２个周期为间隔对心音进行截取［２０］㊂共得到心音样本４０００个，各类心音样本数量详见表２㊂1.51.00.50-0.5-1.0-1.500.20.40.60.81.01.21.41.6时间/s幅值S 1S 2S 1S 2图６㊀定位Ｓ１和Ｓ２边界的示意图Ｆｉｇ．６㊀ＩｌｌｕｓｔｒａｔｉｏｎｏｆｌｏｃａｔｉｎｇｔｈｅｂｏｕｎｄａｒｙｏｆＳ１ａｎｄＳ２表２㊀各类心音样本数量Ｔａｂｌｅ２㊀Ｉｎｆｏｒｍａｔｉｏｎｏｆｈｅａｒｔｓｏｕｎｄｓａｍｐｌｅｓ类型样本数量样本长度／ｓ正常２０００１．６异常２０００１．６㊀㊀本文实验采用十折交叉验证方法，每次训练时，９０％数据作为训练集，１０％数据作为测试集，且用于训练的８０％数据划分为训练集，２０％为验证集㊂训练集㊁验证集和测试集中不包含相同样本㊂选用准确率（Ａｃｃｕｒａｃｙ，Ａｃｃ）㊁精准率（Ｐｒｅｃｉｓｉｏｎ，Ｐｒｅ）㊁召回率（Ｒｅｃａｌｌ，Ｒｅｃ）和Ｆ１值作为模型性能的评价指标㊂各指标定义如下：Ａｃｃ＝ＴＰ＋ＴＮＴＰ＋ＴＮ＋ＦＮ＋ＦＰˑ１００％（１６）Ｒｅｃ＝ＴＰＴＰ＋ＦＮˑ１００％（１７）Ｐｒｅ＝ＴＰＴＰ＋ＦＰˑ１００％（１８）４８智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１４卷㊀Ｆ１＝２ＴＰ２ＴＰ＋ＦＰ＋ＦＮˑ１００％（１９）㊀㊀其中，ＴＰ，ＴＮ，ＦＰ，ＦＮ分别表示真阳性㊁真阴性㊁假阳性和假阴性㊂３．２㊀结果分析为验证本文模型的有效性，将本文模型与ＬＳＴＭ㊁ＧＲＵ等模型进行对比，对比结果见表３㊂㊀㊀由表３可以看出，本文提出的ＭＧＵ模型优于其他分类模型㊂ＭＧＵ的平均识别准确率为９７．２０％，较ＬＳＴＭ和ＧＲＵ分别提高４．４２％和０．７４％，模型的性能也更加稳定㊂此外，ＭＧＵ模型的参数量少于其他模型，平均训练时间为３４．５５ｍｉｎ，比ＬＳＴＭ和ＧＲＵ分别快了１０．２３ｍｉｎ和６．３４ｍｉｎ㊂表３㊀不同模型的性能对比结果Ｔａｂｌｅ３㊀Ｐｅｒｆｏｒｍａｎｃｅｃｏｍｐａｒｉｓｏｎｒｅｓｕｌｔｓｏｆｄｉｆｆｅｒｅｎｔｍｏｄｅｌｓ％模型Ａｃｃ（ʃＳＤ）Ｐｒｅ（ʃＳＤ）Ｒｅｃ（ʃＳＤ）Ｆ１（ʃＳＤ）参数数量ＬＳＴＭ９２．７８（ʃ１．７４）９２．９１（ʃ１．８１）９２．７９（ʃ１．８５）９２．７０（ʃ１．８４）４９４０８ＧＲＵ９６．４６（ʃ０．６５）９６．４７（ʃ０．７０）９６．４６（ʃ０．６１）９６．４６（ʃ０．８０）３７０５６ＭＧＵ９７．２０（ʃ０．３４）９６．６７（ʃ０．３３）９６．６１（ʃ０．３４）９６．８２（ʃ０．３５）２４７０４４㊀结束语本文提出了一种新ＭＧＵ模型，实现了正常心音和异常心音的分类，准确率达到９７．２０％㊂通过与ＬＳＴＭ㊁ＧＲＵ等模型进行对比实验，ＭＧＵ具有最小的门控单元设计和更少的参数，且其分类精度更高㊂表明该模型在心音的分类中是有效的，可以为临床上的心血管疾病诊断提供一种有效的辅助手段㊂由于本文的心音数据量较小，后期研究工作中可考虑扩大样本量，进一步改进模型的泛化能力和精度㊂参考文献［１］胡盛寿，王增武．‘中国心血管健康与疾病报告２０２２“概述［Ｊ］．中国心血管病研究，２０２３，２１（７）：５７７－６００．［２］ＤＥＬＧＡＤＯ－ＴＲＥＪＯＳＥ，ＱＵＩＣＥＮＯ－ＭＡＮＲＩＱＵＥＡＦ，ＧＯＤＩＮＯ－ＬＬＯＲＥＮＴＥＪＩ，ｅｔａｌ．Ｄｉｇｉｔａｌａｕｓｃｕｌｔａｔｉｏｎａｎａｌｙｓｉｓｆｏｒｈｅａｒｔｍｕｒｍｕｒｄｅｔｅｃｔｉｏｎ［Ｊ］．ＡｎｎａｌｓｏｆＢｉｏｍｅｄｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，２００９，３７（２）：３３７－３５３．［３］侯爱生，兰琛，罗云根，等．心音监测技术临床应用的研究进展［Ｊ］．中华老年多器官疾病杂志，２０２２，２１（１２）：９５７－９６０．［４］李嘉琪，全星日．基于改进ＲｅｓＮｅｔ５０的心音分类算法研究［Ｊ］．电脑知识与技术，２０２２，１８（２１）：７６－７８．［５］ＷＵＪＭＴ，ＴＳＡＩＭＨ，ＨＵＡＮＧＹｏｎｇｚｈｉ，ｅｔａｌ．ＡｐｐｌｙｉｎｇａｎｅｎｓｅｍｂｌｅｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｗｉｔｈＳａｖｉｔｚｋｙ－Ｇｏｌａｙｆｉｌｔｅｒｔｏｃｏｎｓｔｒｕｃｔａｐｈｏｎｏｃａｒｄｉｏｇｒａｍｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌ［Ｊ］．ＡｐｐｌｉｅｄＳｏｆｔＣｏｍｐｕｔｉｎｇ，２０１９，７８：２９－４０．［６］孟丽楠，谢红薇，宁晨，等．基于深度卷积神经网络的心音分类算法［Ｊ］．２０２１，２９（８）：２１１－２１７．［７］ＥＬＳＡＹＥＤＮ，ＭＡＩＤＡＡＳ，ＢＡＹＯＵＭＩＭ．Ｄｅｅｐｇａｔｅｄｒｅｃｕｒｒｅｎｔａｎｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔｗｏｒｋｈｙｂｒｉｄｍｏｄｅｌｆｏｒｕｎｉｖａｒｉａｔｅｔｉｍｅｓｅｒｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＡｄｖａｎｃｅｄＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２０１９，１０（５）：６５４－６６４．［８］ＣＨＵＮＧＪ，ＧＵＬＣＥＨＲＥＣ，ＣＨＯＫ，ｅｔａｌ．Ｅｍｐｉｒｉｃａｌｅｖａｌｕａｔｉｏｎｏｆｇａｔｅｄｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋｓｏｎｓｅｑｕｅｎｃｅｍｏｄｅｌｉｎｇ［Ｊ］．ａｒＸｉｖｐｒｅｐｒｉｎｔａｒＸｉｖ：１４１２．３５５５，２０１４．［９］ＬＹＮＮＨＭ，ＰＡＮＳＢ，ＫＩＭＰ．ＡｄｅｅｐｂｉｄｉｒｅｃｔｉｏｎａｌＧＲＵｎｅｔｗｏｒｋｍｏｄｅｌｆｏｒｂｉｏｍｅｔｒｉｃｅｌｅｃｔｒｏｃａｒｄｉｏｇｒａｍｃｌａｓｓｉｆｉｃａｔｉｏｎｂａｓｅｄｏｎｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｊ］．ＩＥＥＥＡｃｃｅｓｓ，２０１９，７：１４５３９５－１４５４０５．［１０］ＬＡＴＩＦＳ，ＵＳＭＡＮＭ，ＲＡＮＡＲ，ｅｔａｌ．Ｐｈｏｎｏｃａｒｄｉｏｇｒａｐｈｉｃｓｅｎｓｉｎｇｕｓｉｎｇｄｅｅｐｌｅａｒｎｉｎｇｆｏｒａｂｎｏｒｍａｌｈｅａｒｔｂｅａｔｄｅｔｅｃｔｉｏｎ［Ｊ］．ＩＥＥＥＳｅｎｓｏｒｓＪｏｕｒｎａｌ，２０１８，１８（２２）：９３９３－９４００．［１１］ＺＨＯＵＧｕｏｂｉｎｇ，ＷＵＪｉａｎｘｉｎ，ＺＨＡＮＧＣｈｅｎｌｉｎ，ｅｔａｌ．Ｍｉｎｉｍａｌｇａｔｅｄｕｎｉｔｆｏｒｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＡｕｔｏｍａｔｉｏｎａｎｄＣｏｍｐｕｔｉｎｇ，２０１６，１３（３）：２２６－２３４．［１２］徐菲菲，芦霄鹏．结合卷积神经网络和最小门控单元注意力的文本情感分析［Ｊ］．计算机应用软件，２０２０，３７（９）：７５－８０．［１３］刘志明，孙严伟，欧阳纯萍，等．基于最简门单元的循环神经网络分词［Ｊ］．计算机工程与设计，２０１９，４０（５）：１３２８－１３３３．［１４］ＣＬＩＦＦＯＲＤＧ，ＬＩＵＣｈｅｎｇｙｕ，ＳＰＲＩＮＧＥＲＤ，ｅｔａｌ．Ｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｎｏｒｍａｌ／ａｂｎｏｒｍａｌｈｅａｒｔｓｏｕｎｄｒｅｃｏｒｄｉｎｇｓ：ＴｈｅｐｈｙｓｉｏＮｅｔ／ｃｏｍｐｕｔｉｎｇｉｎｃａｒｄｉｏｌｏｇｙｃｈａｌｌｅｎｇｅ２０１６［Ｊ］．ＣｏｍｐｕｔｉｎｇｉｎＣａｒｄｉｏｌｏｇｙ，２０１６，４３：６０９－６１２．［１５］ＬＩＵＣｈｅｎｇｙｕ，ＳＰＲＩＮＧＥＲＤ，ＬＩＱｉａｏ，ｅｔａｌ．Ａｎｏｐｅｎａｃｃｅｓｓｄａｔａｂａｓｅｆｏｒｔｈｅｅｖａｌｕａｔｉｏｎｏｆｈｅａｒｔｓｏｕｎｄａｌｇｏｒｉｔｈｍｓ［Ｊ］．ＰｈｙｓｉｏｌｏｇｉｃａｌＭｅａｓｕｒｅｍｅｎｔ，２０１６，３７（１２）：２１８１－２２１３．［１６］ＬＩＵＹｏｎｇｍｉｎ，ＧＵＯＸｉｎｇｍｉｎｇ，ＺＨＥＮＧＹｉｎｅｎｇ．ＡｎａｕｔｏｍａｔｉｃａｐｐｒｏａｃｈｕｓｉｎｇＥＬＭｃｌａｓｓｉｆｉｅｒｆｏｒＨＦｐＥＦｉｄｅｎｔｉｆｉｃａｔｉｏｎｂａｓｅｄｏｎｈｅａｒｔｓｏｕｎｄｃｈａｒａｃｔｅｒｉｓｔｉｃｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＭｅｄｉｃａｌＳｙｓｔｅｍｓ，２０１９，４３（９）：２８５－２９３．［１７］ＳＰＲＩＮＧＥＲＤＢ，ＴＡＲＡＳＳＥＮＫＯＬ，ＣＬＩＦＦＯＲＤＧＤ．Ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｈｉｄｄｅｎｓｅｍｉ－ｍａｒｋｏｖｍｏｄｅｌ－ｂａｓｅｄｈｅａｒｔｓｏｕｎｄｓｅｇｍｅｎｔａｔｉｏｎ［Ｃ］／／ＣｏｍｐｕｔｉｎｇｉｎＣａｒｄｉｏｌｏｇｙ２０１４．Ｃａｍｂｒｉｄｇｅ，ＵＳＡ：ＩＥＥＥ，２０１４：６２５－６２８．［１８］ＳＰＲＩＮＧＥＲＤ，ＴＡＲＡＳＳＥＮＫＯＬ，ＣＬＩＦＦＯＲＤＧ．Ｌｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎ－ＨＳＭＭ－ｂａｓｅｄｈｅａｒｔｓｏｕｎｄｓｅｇｍｅｎｔａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＢｉｏｍｅｄｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，２０１５，６３（４）：８２２－８３２．［１９］ＬＩＵＣｈｅｎｇｙｕ，ＳＰＲＩＮＧＥＲＤ，ＣＬＩＦＦＯＲＤＧＤ．Ｐｅｒｆｏｒｍａｎｃｅｏｆａｎｏｐｅｎ－ｓｏｕｒｃｅｈｅａｒｔｓｏｕｎｄｓｅｇｍｅｎｔａｔｉｏｎａｌｇｏｒｉｔｈｍｏｎｅｉｇｈｔｉｎｄｅｐｅｎｄｅｎｔｄａｔａｂａｓｅｓ［Ｊ］．ＰｈｙｓｉｏｌｏｇｉｃａｌＭｅａｓｕｒｅｍｅｎｔ，２０１７，３８（８）：１７３０－１７４５．［２０］ＧＡＯＳｈａｎ，ＺＨＥＮＧＹｉｎｅｎｇ，ＧＵＯＸｉｎｇｍｉｎｇ．Ｇａｔｅｄｒｅｃｕｒｒｅｎｔｕｎｉｔ－ｂａｓｅｄｈｅａｒｔｓｏｕｎｄａｎａｌｙｓｉｓｆｏｒｈｅａｒｔｆａｉｌｕｒｅｓｃｒｅｅｎｉｎｇ［Ｊ］．ＢｉｏＭｅｄｉｃａｌＥｎｇｉｎｅｅｒｉｎｇＯｎｌｉｎｅ，ＢｉｏＭｅｄＣｅｎｔｒａｌ，２０２０，１９（１）：１－１７．５８第３期王慧：基于最小门控单元的心音分类研究。
心音信号分类识别算法综述
丁思吉;丁皓;阚孟菲;庄逸;夏冬阳;盛诗梦;徐欣茹
【期刊名称】《软件导刊》
【年(卷),期】2022(21)12
【摘要】心脏听诊相较于心脏超声、磁共振成像等诊断方式,具有快速、低成本的特点。
通过心音对心脏瓣膜病进行诊断需要丰富的临床经验,学习周期长,且主观性较强。
随着计算机技术以及机器学习算法的发展,利用机器学习模型对心脏瓣膜病进行诊断受到了越来越多关注。
利用机器学习模型分类心音信号的4个主要步骤是:心音信号数据收集、信号预处理、特征提取和模型训练。
对主流心音数据库以及心音信号分类步骤进行介绍,阐述分类算法的效果及优缺点,并对未来进行展望。
【总页数】7页(P272-278)
【作者】丁思吉;丁皓;阚孟菲;庄逸;夏冬阳;盛诗梦;徐欣茹
【作者单位】上海理工大学健康科学与工程学院;上海健康医学院医疗器械学院【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.改进的高斯混合模型在心音信号分类识别中应用
2.心音信号的特征分析及分类识别
3.IMF复杂度特征在心音信号分类识别中的应用
4.经验模式分解及关联维数在心音信号分类识别中的应用
5.基于信噪比分类网络的调制信号分类识别算法
因版权原因，仅展示原文概要，查看原文内容请购买。
Computer Science and Application 计算机科学与应用, 2020, 10(3), 483-492Published Online March 2020 in Hans. /journal/csahttps:///10.12677/csa.2020.103051Gaussian Mixture Model-Based DiagnosticResearch for Combined Heart DiseasesShuping Sun, Tingting Huang, Yarui Pan, Biqiang Zhang, Baojin Liu, Jie WuNanyang Institute of Technology, Nanyang HenanReceived: Feb. 26th, 2020; accepted: Mar. 12th, 2020; published: Mar. 19th, 2020AbstractTo express the diagnosis information for combined heart diseases by diagnosing heart sound, this study proposes a Gaussian mixture model (GMM)-based classification method combined with the probability diagnostic results to diagnose heart diseases. This paper is organized as follows. Firstly, heart sound is collected using an electronic stethoscope. And then, wavelet decomposition is em-ployed to preprocess the heart sound signal and retain the effective components of the heart sound signal, and the power spectrum density method combined with threshold line method is proposed to extract the features for the heart sound signal in the frequency-domain. Finally, the optimal GMM is determined based on the highest accuracy, and the posterior probabilities are proposed to express the diagnostic results. The performance evaluation is verified by the 2560 seconds sounds, and the research results show that the sounds with complex heart diseases can be directly recognized using the different probabilities to describe which kind of heart disease it belongs to.KeywordsHeart Sound, Gaussian Mixture Model, Feature Extraction, Posterior Probability基于高斯混合模型的心音分类研究孙树平，黄婷婷，潘亚瑞，张弼强，刘保进，吴杰南阳理工学院，河南南阳收稿日期：2020年2月26日；录用日期：2020年3月12日；发布日期：2020年3月19日摘要为表示复合心脏病的复杂诊断信息，本研究提出一种基于高斯混合模型结合概率诊断心脏病的方法。
心音信号识别研究方法进展吴玉春【摘要】Efficient extraction of the first and the second heart sounds ( SI and S2 ) is the key point of the heart sound research. The current research status of heart sound recognition is introduced. This paper compares the research methods such as spectrum analysis, Wavelet transform, neural network and mathematical morphology. The research emphases and the development direction of heart sound recognition are discussed, and the basis for further study of heart sound research is established.%有效提取心音信号中的第1、2心音(S1和S2)是心音信号研究的关键点.本文介绍了心音信号识别的研究现状,通过比较谱分析、小波变换、神经网络以及数学形态学方法等几种心音研究方法,讨论了心音信号识别的研究重点和发展方向,为进一步的心音研究奠定基础.【期刊名称】《北京生物医学工程》【年(卷),期】2012(031)003【总页数】6页(P325-330)【关键词】心音;小波变换;神经网络;自动识别【作者】吴玉春【作者单位】西安航空技术高等专科学校,西安,710077【正文语种】中文【中图分类】R318.040 引言心音是包含有重要生理、病理信息的医学信号之一，是临床上一种评估心脏功能状态的基本方法。
但是，由于目前心音研究中存在以下几个问题，使其不能得到很好的临床应用。
