论文部分内容阅读
随着人们对健康日益增长的需求,在身体可能出现不正常状况时得到警示以及时就医成为了一个保持健康的良好方式。但是大多数人群并不会评估自己的健康状况,无法及时了解自己身体健康状况变化的征兆。在疾病出现征兆时,及时的预防才是最好的方式。因此,让机器学习人体健康指标的特征,对使用者健康监测成为了当下一个重要的研究方向。心音信号就是非常利于采集和监测的一种重要的人体的健康指标,它能够表征心脏的健康状况。采用神经网络模型对心音信号这类不易直接描述的特征进行分类是一种行之有效的判断方式。本文研究了心音信号的特点,以及在医学上的各种健康与不健康心音的先验知识,构建了神经网络模型进行预测。本文的主要工作包括:1.提出了基于巴特沃斯滤波器和小波变换的心音信号去噪方法。心音信号的特征是频率集中在低频区和能量集中,由此,本文提出了使用巴特沃斯低通滤波器提取心音信号的低频部分,然后通过小波分解重构的方法使能量集中的部分更加突出的心音信号去噪方法。对比单一的心音信号去噪方法,这种综合滤波的方法能排除心音信号中大量的干扰信号,更加突出心音信号的有效部分。2.研究提出了基于Mel频率倒谱系数的心音信号特征提取方法。与直接计算MFCC的方法相比,这种方法使用心音信号的周期性来确保提取出的特征向量具有代表性。根据心音信号的周期将心音信号进行重采样,再求取心音信号的Mel频率倒谱系数。这样可以保证在分帧的时候,使用相同的帧数来表示一个心音周期,然后将心音信号的周期以及两个从S1开始的周期的倒谱系数作为特征向量。这种特征向量在分类预测方面体现出较好的特征表达水平。3.构建了基于深度神经网络的心脏健康预测模型。构建深度网络神经网络模型对心音信号所提取出的特征预测心脏健康状况来评估神经网络的性能。之后进一步优化网络模型使之更加适应所提取出的特征。与常见分类器以及统计方法预测结果的对比展示出本文所构建的神经网络的性能较这些方法更加稳定,性能也有部分提升。与建立统计模型的心音信号的识别方法相比,构建神经网络预测模型在时间性能以及预测能力方面都有一定程度的提升。