基于机器学习的心音识别分类研究

心音信号可反映心脏的病理信息,是诊断心脏健康的重要依据之一。本文首先从心音信号提取时频域、梅尔倒谱系数等145个特征作为机器学习的输入数据集,然后在随机森林、LightGBM、XGBoost、GBDT、SVM共5种分类器中选出效果最佳分类器与递归特征消除算法结合进行数据挖掘,找出重要特征集并对其分类效果做比较与分析,最后运用Stacking模型融合方法优化模型。数据挖掘特征子集比同数量特征子集在准确率、召回率、精确率、F1值上分别提高了33.51%、14.54%、20.61%、24.04%;采用LightGBM和SVM模型融合可将F1值提高至92.6%。本文提出了一种有效的心音识别分类方法,挖掘出心音最重要的8个特征,为临床诊断提供参考。     

基于卷积神经网络的先心病心音信号分类算法

心脏听诊是先天性心脏病(简称:先心病,CHD)初诊和筛查的主要手段。本文对先心病心音信号进行分析和分类识别研究,提出了一种基于卷积神经网络的先心病分类算法。本文算法基于临床采集的已确诊先心病心音信号,首先采用心音信号预处理算法提取并组织一维时间域上心音信号的梅尔系数转变成二维特征样本。其次,以1 000个特征样本用于训练和优化卷积神经网络,使用自适应矩估计(Adam)优化器,获得了准确率0.896、损失值0.25的训练结果。最后,用卷积神经网络对200个心音信号样本进行测试,实验结果表明准确率达0.895,灵敏度为0.910,特异度为0.880。同其它算法相比,本文算法在准确率和特异度上有明显提高,证实了本文方法有效地提高了心音信号分类的鲁棒性和准确性,有望应用于机器辅助听诊。     

基于交叉对比神经网络的心音分类

目的:通过交叉对比神经网络（CCNN）实现心音信号的自动分类,从而对心血管疾病进行早期诊断。方法:实验基于PhysioNet/Cinc 2016心音数据库。训练集和测试集数据来自互斥的健康受试者/病理患者,并以4:1的比例进行划分,输入CCNN。CCNN利用深度卷积神经网络进行特征提取,结合基于信息的相似度度量理论（IBS）,对特征向量间的相似性进行度量并分类。结果:实验结果得出灵敏度为0.834 6,特异性为0.962 3,最终大赛综合得分为0.898 5。结论:CCNN使用交叉对比的输入模式扩充数据量,引入信号间的对比信息,同时在神经网络的训练过程中应用统计学思想,使网络具备良好的泛化性,更加适应医学数据量较少的场景,在心音分类中取得较好的结果。     

自适应噪声完备经验模态分解排列熵结合支持向量机的心音分类方法研究

针对心音信号非平稳性、非线性的特征,为了更直观地把心音信号的特征显示出来,提高分类识别的高效性,提出了一种自适应噪声完备经验模态分解（CEEMDAN）排列熵作为心音信号的特征向量,通过支持向量机（SVM）进行心音分类识别的方法。首先,将原始心音信号进行CEEMDAN,得到若干从高频到低频的模态分量（IMF）。其次,利用IMF分量与原始信号的相关系数、能量因子和信噪比来优选IMF做Hilbert变换,得到分量信号的瞬时频率,再计算各IMF排列熵值组成特征向量。最后,将特征向量输入SVM二分类器进行正常与异常心音信号的分类识别。对源自2016年PhysioNet/CinC挑战赛的100例心音样本进行正常与异常的分类,准确度达到87%。研究表明本文方法相比于常用的EMD和EEMD排列熵的方法准确度提高了18%～24%,可见,CEEMDAN排列熵结合SVM的方法能够有效识别正常和异常心音。     

基于第二心音统计特征的先天性心脏病相关肺动脉高压诊断方法

针对先天性心脏病相关肺动脉高压听诊特征不明显,已有的机器辅助诊断算法相对复杂等问题,提出一种基于第二心音信号高频分量统计特征的分析方法。首先,采用端点检测自适应分割方法提取第二心音。其次,使用离散小波变换分解出高频分量,并提取该分量的赫斯特（Hurst）指数、勒佩尔-齐夫（Lempel-Ziv）信息和样本熵等统计特征。最后,使用这些特征训练极端梯度提升算法（XGBoost）分类器,在三分类中准确率达到了80.45%。该方法无需进行降噪处理,特征提取速度快,且只需三个特征即可实现较好的多分类效果,有望用于先天性心脏病相关肺动脉高压早期筛查。     

基于时频组合特征与自适应模糊神经网络的心音分类算法

特征提取方法和分类器的选择是心音分类中的两个重要环节。为了充分捕捉心音信号中的病理性特征,研究中引入了一种结合梅尔频率倒谱系数（MFCC）和功率谱密度（PSD）的特征提取方法。与目前常规分类器不同,研究中选择了自适应模糊神经网络（ANFIS）为分类器。在实验设计方面,选取了不同时期、不同频率范围的PSD进行对比,选出分类效果最佳的特征,并采用均值PSD、标准差PSD、方差PSD和中位PSD四种不同的功率谱统计特性进行对比。通过实验比较,心音收缩期100～300 Hz的中位PSD和MFCC组合特征有最好的效果,在准确率、精确率、灵敏度、特异度和F1得分上分别达到96.50%、99.27%、93.35%、99.60%和96.35%。结果显示本研究所提算法对先心病辅助诊断具有较大帮助。     

基于小波能量矩的嗅觉脑电信号识别

研究大脑对不同气味的识别能力在嗅觉功能障碍评估和诊断等方面具有重要意义。本文提出将小波能量矩(WEM)作为嗅觉诱发脑电图(EEG)信号特征并用于气味分类。首先,通过试验采集13种气味的嗅觉诱发EEG数据;其次,从嗅觉诱发EEG数据中提取WEM作为信号特征,并将功率谱密度(PSD)、近似熵、样本熵及小波熵作为对比特征;最后,利用k近邻(k-NN)、支持向量机(SVM)、随机森林(RF)和决策树分类器识别不同的气味。结果表明,使用以上4种分类器,WEM特征分类准确率均高于其它特征,其中k-NN分类器与WEM特征结合的分类准确率最高(91.07%)。本文进一步对不同EEG信号的频带进行了探究,发现大多数基于γ频带的分类准确率优于全频带及其他频带,其中γ频带WEM特征结合k-NN分类器的分类准确率最高(93.89%)。本文的研究结果一方面可为嗅觉功能评价提供新的客观依据,另一方面,也可为嗅觉诱发情绪的研究提供新的思路。     

基于多窗口时频重排的巴克频谱系数心音分类算法研究

多窗口时频重排有助于提升对心音进行巴克频谱系数（BFSC）分析的时频分辨率。为此,本文提出一种基于多窗口时频重排的BFSC特征提取与深度学习结合的心音分类新算法。首先,对随机截取的心音片段进行幅值归一化等预处理,然后分别用多个正交窗口对心音做分帧处理,及计算基于短时傅里叶变换的时频重排,将得到的各独立频谱通过算术平均计算出平稳的频谱估计。最后,通过巴克滤波器组提取该重排频谱的BFSC作为特征。本文采用卷积网络与循环神经网络作为分类器,对提取的特征进行模型比较与性能评估。最终,多窗口时频重排改进BFSC的方法提取了更具有辨别力的特征,二分类准确率达到0.936,灵敏度为0.946,特异度为0.922。研究结果表明,本文所提算法无需分割心音,随机截取心音片段,大大简化了计算流程,有望用于先天性心脏病筛查。     

心音信号的聚类分析

通过对ＡＲＴ２神经网络进行改进，构造了适合于对信号的时变谱进行分类的二维ＡＲＴ神经网络，而后根据心音信号的特点，我们选择了心音的小波变换谱作为网络的输入特征。调整网络的参数，使之能够将输入的心音信号特征聚类成为两类，实验结果表明我们所设计的分类系统能够从连续３２个正常人的心音信号中区分出两个正常分裂的心音。这个结果在基础生理研究和临床诊断上都有一定的应用价值。     

基于近邻保持嵌入算法的心律失常心拍分类

心律失常是一种极其常见的心电活动异常症状,基于心电图(ECG)的心拍分类对心律失常的临床诊断具有十分重要的意义。本文提出一种基于流形学习的特征提取方法——近邻保持嵌入(NPE)算法,实现心律失常心拍的自动分类。分类系统利用NPE算法获取高维心电节拍信号的低维流形结构特征,然后将特征向量输入支持向量机(SVM)分类器进行心拍的分类诊断。实验基于MIT-BIH心律失常数据库提供的ECG数据,对14种类型的心律失常心拍进行分类,总体分类准确率高达98.51%。实验结果表明,所提方法是一种有效的心律失常心拍分类方法。     

基于CNN和频率切片小波变换的T波形态分类

心电实时监控是心血管疾病防治的重要手段.心电图中T波的变化是心肌缺血和心脏猝死等疾病的重要表征,T波形态自动识别是心电远程监控中一个重要问题.由于实时监护用心电的强噪声背景影响,传统的T波特征提取与分类算法遭遇瓶颈.提出一种结合切片频率小波变换和卷积神经网络的T波形态识别算法,包括:自动定位R波波峰位置与T波终点位置,...     

A comparison of different feature extraction methods for diagnosis of valvular heart diseases using PCG signals

This article presents a novel method for diagnosis of valvular heart disease (VHD) based on phonocardiography (PCG) signals. Application of the pattern classification and feature selection and reduction methods in analysing normal and pathological heart sound was investigated. After signal preprocessing using independent component analysis (ICA), 32 features are extracted. Those include carefully selected linear and nonlinear time domain, wavelet and entropy features. By examining different feature selection and feature reduction methods such as principal component analysis (PCA), genetic algorithms (GA), genetic programming (GP) and generalized discriminant analysis (GDA), the four most informative features are extracted. Furthermore, support vector machines (SVM) and neural network classifiers are compared for diagnosis of pathological heart sounds. Three valvular heart diseases are considered: aortic stenosis (AS), mitral stenosis (MS) and mitral regurgitation (MR). An overall accuracy of 99.47% was achieved by proposed algorithm.     

基于PCNN-LSTM神经网络的膝关节摆动信号分类识别

膝关节摆动(VAG)信号是指膝关节屈曲或伸展时发出的声音或振动信号,可灵敏、客观地描述膝关节的健康状态,在膝关节疾病的无创检测中具有重要作用.现有的对VAG信号正常和异常分类方法自动化程度低,且分类准确度较低,总体性能有待进一步提升.因此,提出一种基于改进卷积神经循环网络(PCNN-LSTM)的VAG信号分类算法.首先...     

基于时序心脏模型样本均衡方法的心律失常分类

心律失常自动分类作为计算机在临床上的重要应用,可以有效辅助心血管疾病的诊断,但实验中样本不均衡问题严重影响分类精度。目前用于解决样本不均衡问题的主流方法为对抗神经网络,但存在训练不稳定和模式崩溃等问题,且仅依靠数据进行学习,缺乏一定的生理意义。因此提出基于时序心脏模型的样本均衡方法生成心电数据,在2018年中国生理信号挑战赛提供的12导联数据集上进行实验,采用深度残差网络作为分类模型分别对每个导联进行训练,通过极端梯度提升算法实现导联融合。经过样本均衡后,各类F1分数均有提升,左束支阻滞(LBBB)、ST段降低(STD)、ST段抬升(STE)的改善尤其显著,分别由扩增前的0.706、0.684、0.524提升至0.832、0.809、0.618。为验证本方法的通用性,对PTB数据集进行独立测试,分类准确率达到98.64%。实验结果表明,基于时序心脏模型生成仿真数据能够有效改善实验样本不均衡现象。     

基于自编码器和隐马尔可夫模型的睡眠呼吸暂停检测方法

阻塞性睡眠呼吸暂停容易引发心血管并发症。作为睡眠呼吸暂停诊断的金标准,多导睡眠仪的检测费用昂贵且影响患者睡眠质量。鉴于心肺高度耦合,心电信号已被广泛应用于睡眠呼吸暂停检测中。然而,大多数基于心电信号的研究专注于人工特征的设计,依赖于专家先验知识。基于深度学习的方法能够减少特征提取过程中的人为因素。提出一种基于自编码器和隐马尔可夫模型的睡眠呼吸暂停检测方法。首先,利用栈式稀疏自编码器,直接从RR间期序列中进行半监督特征学习,先在预训练阶段进行无监督学习,随后在微调阶段引入标签进行有监督学习。然后,构建支持向量机和人工神经网络,分别结合隐马尔可夫模型之后,组成决策融合分类器,隐马尔可夫模型引入片段之间的时间依赖性,决策融合可整合不同分类器之间的优势。基于Physio Net的apnea-ECG数据库70例整夜睡眠数据,实验结果显示:阻塞性睡眠呼吸暂停片段识别准确率、敏感性和特异性分别为84.7%、88.9%和82.1%,个体识别准确率达到100%。基于自编码器的特征提取方法相较于特征工程,能够降低先验知识限制,使特征提取过程更加自动化、智能化。此外,决策融合分类器相较于单一分类器,不仅可提升片段识别准确率,而且能缓解识别结果中敏感性和特异性之间的不平衡性。     

基于优化后向传播神经网络的基础心音分类

针对后向传播（BP）神经网络高度依赖初始权值、收敛慢且易陷入局部极值,标准人工蜂群算法开发能力弱、局部 搜索能力差等问题,提出一种基于改进人工蜂群算法优化BP神经网络的分类方法。引入自适应和全局最优策略改进人 工蜂群算法中跟随蜂蜜源全局搜索、概率选择算法,使用当前迭代的最优解来提高其开发能力。此外,利用混沌系统产生 初始种群,以增强人工蜂群算法全局收敛性。最后,将本文算法应用到基础心音分类。结果表明本文算法较经典分类算 法分类准确率有较大的提升。梅尔频率倒谱特征参数下,本文算法的分类准确率达到94%以上。     

使用二分支卷积神经网络识别第一心音与第二心音

心音听诊是一种重要的用于心脏疾病诊断的方法。心音中可以听见的部分主要为第一心音(S1)和第二心音(S2)。在一个心动周期中,不同阶段的杂音往往对应不同的心脏疾病,因此心音分割是利用心音进行疾病诊断的前提。S1和S2分别出现在心脏收缩期和舒张期的开始阶段,准确定位S1和S2有利于心音的正确分割。本文研究了一种不利用收缩期和舒张期的时间特征,而仅使用S1和S2本身特性的分类方法。将训练集中带有标注的S1和S2进行短时傅里叶变换得到时频图,然后构建有分支的双层卷积神经网络,使用时频图对卷积神经网络进行训练,得到可用于S1和S2分类的神经网络。神经网络对测试集中S1和S2的分类准确率最高为91.135%,高于传统的方法。神经网络的敏感性和特异性最高分别为91.156%和92.074%。该方法无需预先提取心音的特征,计算简单,有利于心音的实时分割。     

An intelligent system for diagnosis of the heart valve diseases with wavelet packet neural networks

In this paper, an intelligent system is presented for interpretation of the Doppler signals of the heart valve diseases based on the pattern recognition. This paper especially deals with combination of the feature extraction and classification from measured Doppler signal waveforms at the heart valve using the Doppler Ultrasound. Because of this, a wavelet packet neural network model developed by us is used. The model consists of two layers: wavelet and multi-layer perceptron. The wavelet layer is used for adaptive feature extraction in the time-frequency domain and is composed of wavelet packet decomposition and wavelet packet entropy. The multi-layer perceptron used for classification is a feed-forward neural network. The performance of the developed system has been evaluated in 215 samples. The test results showed that this system was effective in detecting Doppler heart sounds. The correct classification rate was about 94% for abnormal and normal subjects.