基于LabVIEW的心音信號(hào)分類識(shí)別系統(tǒng)設(shè)計(jì).pdf

1、心血管疾病已給人類帶來(lái)了新的嚴(yán)峻挑戰(zhàn),并已經(jīng)成為全球性公共衛(wèi)生問(wèn)題。心音是心臟和心血管系統(tǒng)機(jī)械運(yùn)動(dòng)狀況的反映,因此,心音檢測(cè)逐步成為臨床輔助診斷心血管疾病的有效方法之一。對(duì)心音信號(hào)的臨床檢測(cè)常用方法是心音聽診和心音圖,但是心音聽診技術(shù)容易受到人耳聽力靈敏度和臨床醫(yī)師主觀經(jīng)驗(yàn)的影響,心音圖能夠彌補(bǔ)心音聽診的一些不足,但是它也存在著一些缺點(diǎn),在一定程度上限制了它的應(yīng)用。近年來(lái),隨著計(jì)算機(jī)和信號(hào)處理應(yīng)用的逐步推廣,心音分析儀的設(shè)計(jì)與開發(fā)已成為

2、心音分析領(lǐng)域的發(fā)展趨勢(shì)。目前出現(xiàn)的心音分析儀多數(shù)雖然可以對(duì)心音進(jìn)行簡(jiǎn)單的時(shí)頻分析,但是基本上都不具有對(duì)心音的分類識(shí)別功能,因此,心音分析儀的功能有待于進(jìn)一步完善。鑒于此,本文在LabVIEW平臺(tái)上設(shè)計(jì)了一款心音分類識(shí)別系統(tǒng)。
　　本文首先給出了系統(tǒng)設(shè)計(jì)的整體方案,該系統(tǒng)一共分為三個(gè)子系統(tǒng):預(yù)處理模塊、特征提取模塊、模型訓(xùn)練與識(shí)別模塊。預(yù)處理模塊,又分為以下四個(gè)模塊:去噪模塊、預(yù)加重模塊、分幀加窗模塊和端點(diǎn)檢測(cè)模塊。其中,去噪模塊是

3、利用小波變換去噪算法來(lái)設(shè)計(jì)的,通過(guò)實(shí)驗(yàn)確定了小波母函數(shù)、分解尺度和閾值的合適選取;預(yù)加重模塊是通過(guò)一個(gè)一階數(shù)字濾波器來(lái)實(shí)現(xiàn)的;利用哈明窗設(shè)計(jì)了分幀加窗模塊;端點(diǎn)檢測(cè)模塊是基于短時(shí)能量和短時(shí)過(guò)零率的原理來(lái)實(shí)現(xiàn)的。
　　其次,在特征參數(shù)提取模塊,本文介紹 Mel頻率倒譜系數(shù)及對(duì)其改進(jìn)的其它四個(gè)參數(shù):Mel頻率倒譜系數(shù)結(jié)合其一階差分系數(shù)、Mel頻率倒譜系數(shù)結(jié)合其Delta特征、小波包變換改進(jìn)的Mel頻率倒譜系數(shù)、小波包變換改進(jìn)的Mel頻

4、率倒譜系數(shù)結(jié)合其一階差分系數(shù)(DWPTMFCC+ΔDWPTMFCC)的提取原理,同時(shí)詳細(xì)分析了它們?cè)贚abVIEW平臺(tái)上提取的難點(diǎn)并給出了解決方案。
　　最后,在模型訓(xùn)練與識(shí)別模塊,本文選取常見的識(shí)別模型——高斯混合模型(GMM)用于心音信號(hào)的分類識(shí)別。介紹了GMM的原理,分析了傳統(tǒng)GMM的參數(shù)初始化算法 K-means算法存在的缺點(diǎn)和不足,針對(duì)此,提出了三種算法:近似模糊C均值聚類算法、加權(quán)模糊C均值聚類算法和加權(quán)可選擇模糊C均

5、值聚類算法(WOFCM)對(duì)傳統(tǒng)的GMM加以改進(jìn)。此模塊的關(guān)鍵點(diǎn)是這四個(gè)識(shí)別模型的訓(xùn)練過(guò)程與識(shí)別過(guò)程在LabVIEW平臺(tái)上的實(shí)現(xiàn)與設(shè)計(jì)。
　　將以上各個(gè)子模塊集成在一起,就可以完成最終整體系統(tǒng)的設(shè)計(jì)。從特征參數(shù)和識(shí)別模型這兩個(gè)角度對(duì)設(shè)計(jì)的系統(tǒng)進(jìn)行測(cè)試,即對(duì)本文選取的臨床上采集的正常心音信號(hào)和二尖瓣狹窄、主動(dòng)脈瓣狹窄、主動(dòng)脈瓣關(guān)閉不全、室間隔缺損、肺動(dòng)脈瓣狹窄、心律不齊、二尖瓣關(guān)閉不全、S1分裂、S2分裂9類病理信號(hào)進(jìn)行分類識(shí)別,綜合