基于PCA串并融合的多路心音特征表征方法

doi:10.3969/j.issn.1006-2475.2019.12.017

计算机与现代化

基于PCA串并融合的多路心音特征表征方法

(1.南京邮电大学信息化建设与管理办公室，江苏南京210023;
2.南京邮电大学电子与光学工程学院、微电子学院，江苏南京210023)

收稿日期:2019-10-16 出版日期:2019-12-11 发布日期:2019-12-11
作者简介:成雨含(1984-)，女，四川资阳人，工程师，硕士，研究方向：计算机应用，网站设计，计算机动画，E-mail: chengyh@njupt.edu.cn; 张友讯(1993-)，男，江苏淮安人，硕士研究生，研究方向：生物信号处理，E-mail: 495690825@qq.com; 孙科学(1981-)，男，安徽界首人，副教授，硕士生导师，博士，研究方向：电子电路设计，智能信号处理，嵌入式系统与通信软件设计，E-mail: sunkx@njupt.edu.cn。
基金资助:
国家自然科学基金资助项目(61271334); 上海申康三年行动计划项目(16CR3079B)

Multi-channel Heart Sound Feature Characterization Method #br# Based on PCA Serial-merged Fusion

(1. Informatization Construction and Management Office, Nanjing University of Posts and Telecommunications, Nanjing 210023, China;
2. College of Electronic and Optical Engineering & College of Microelectronics, Nanjing University of Posts
and Telecommunications, Nanjing 210023, China)

Received:2019-10-16 Online:2019-12-11 Published:2019-12-11

摘要/Abstract

摘要： 多路心音信号不仅比单路心音信号涵盖更多关于总体的特征，而且能够弥补单路心音数据携带的信息量可能不充分的缺陷。利用笔者自主设计的4路心音传感器，初步建立一个小型4路心音数据库。基于这个数据库，首先阐明多路心音信号的特点，论述心杂音与听诊位置的关系；然后分别提取心音的单路和4路能量熵系数、4路心音互信息作为有效特征数据集，利用PCA对能量熵特征进行降维处理，获得串行特征；将相关性特征和互信息特征从实向量空间拓展到复向量空间，进行并行融合，获得并行特征；最后将串行并行特征再次融合成为多元优化组合特征。这种融合策略，具有针对性强，凸显差异性的优点。仿真实验结果表明，由多路心音信号获取的多元优化组合特征表征效果明显优于单路心音信号的特征表征效果，不仅有益于分类模型的构建，而且对实现先心病的快速筛查，提高分类识别率具有积极的意义。

关键词: 多路心音, 多元特征, 特征表征, 特征融合

Abstract: The multi-channel heart sound signal not only covers more general characteristics than the single-channel heart sound signals, but also can make up for the defect that the information carried by the single-channel heart sound data. Using a four-way heart sound sensor, a small four-way heart sound database was established. Based on it, firstly, the characteristics of multi-channel heart sound signals are clarified, and the relationship between heart murmur and auscultation position is discussed. Then, the single-channel and four-channel energy entropy are extracted as effective feature data by using PCA pair. The energy entropy feature is dimension-reduced to obtain serial features. The correlation features and mutual information features are extended from real vector space to complex vector space. Finally, serial parallel features are re-converged into multi-optimal combinations feature. The simulation results show that the feature representation of multivariate optimal combination obtained by multi-channel heart sound signals is better than that of single-channel heart sound signals, which is not only beneficial to the construction of classification models, but also to quickly screen for congenital heart disease and improve classification. The recognition rate has a positive meaning.

Key words: multi-channel heart sound, multi-feature, feature characterization, feature fusion

中图分类号:

TN911

成雨含1，张友讯2，孙科学2. 基于PCA串并融合的多路心音特征表征方法[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2019.12.017.

CHENG Yu-han1, ZHANG You-xun2, SUN ke-xue2. Multi-channel Heart Sound Feature Characterization Method #br# Based on PCA Serial-merged Fusion[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2019.12.017.

参考文献

［1］JABLOUN M, RAVIER P, BUTTELLI O, et al. A generating model of realistic synthetic heart sounds for performance assessment of phonocardiogram processing algorithms［J］. Biomedical Signal Processing and Control, 2013,8(5):455-465.
［2］黄际卫,唐宁. 先天性心脏病危险因素和防治的研究进展［J］. 中国儿童保健杂志, 2018,26(3):269-272.
［3］〖JP+2〗LURTON X. Modelling of the sound field radiated by multibeam echosounders for acoustical impact assessment［J］. Applied Acoustics, 2016,101:201-221.
［4］JABBARI S, GHASSEMIAN H. Modeling of heart systolic murmurs based on multivariate matching pursuit for diagnosis of valvular disorders［J］. Computers in Biology and Medicine, 2011,41(9):802-811.
［5］黄国英. 我国开展新生儿先天性心脏病筛查的重要性［J］. 中华儿科杂志, 2017,55(4):241-243.
［6］罗伟奋. 我国学者发现先心病简易筛查法［J］. 中华医学信息导报, 2014,29(9):6.
［7］HIGUCHI K, SATO K, MAKUUCHI H, et al. Automated diagnosis of heart disease in patients with heart murmurs: Application of a neural network technique［J］. Journal of Medical Engineering & Technology, 2006,30(2):61-68.
［8］黄梅,刘洪英,皮喜田,等. 计算机辅助诊断的新型电子听诊器系统［J］. 中国医疗器械杂志, 2017,41(3):161-165.
［9］王续博,张国军,郭楠,等. MEMS电子听诊器微结构设计与验证［J］. 微纳电子技术, 2016,53(1):31-35.
［10］吴云飞,周煜,陈天浩,等. 基于自相关函数的心音周期提取和识别［J］. 计算机与数字工程, 2017,45(10):2068-2073.
［11］周静,杨永明,何为. 心音信号的分析及其特征提取方法的研究［J］. 中国生物医学工程学报, 2005,24(6):685-689.
［12］LIU C Y, GAO R. Multiscale entropy analysis of the differential RR interval time series signal and its application in detecting congestive heart failure［J］. Entropy, 2017,19(6):251-269.
［13］CHENG X F, FENG S, LI Y Y, et al. Research on parallel compressive sensing and application of multi-channel synchronous acquisition of heart sound signals［J］. IEEE Access, 2019,7:30033-30041.
［14］PAYNE R A, SYMEONIDES C N, WEBB D J, et al. Pulse transit time measured from the ECG: An unreliable marker of beat-to-beat blood pressure［J］. Journal of Applied Physiology, 2006,100(1):136-141.
［15］成雨含,张学军,黄丽亚,等. 一种4通道心音同步定位采集装置: CN201510179382.3［P］. 2018-03-13.
［16］成谢锋,张正. 一种双正交心音小波的构造方法［J］. 物理学报, 2013,62(16):446-457.
［17］SUN S P, WANG H B, JIANG Z W, et al. Segmentation-based heart sound feature extraction combined with classifier models for a VSD diagnosis system［J］. Expert Systems with Applications, 2014,41(4):1769-1780.
［18］杨健,杨静宇,王正群,等. 一种组合特征抽取的新方法［J］. 计算机学报, 2002,25(6):570-575.
［19］成谢锋,杨贺. 5种小波在心音信号处理中的分析与比较［J］. 南京邮电大学学报(自然科学版), 2015,35(1):38-46.
［20］MOURA M D C, ZIO E, LINS I D, et al. Failure and reliability prediction by support vector machines regression of time series data［J］. Reliability Engineering & System Safety, 2011,96(11):1527-1534.
［21］安玲玲,于雷. 基于高斯混合模型的心音信号识别［J］. 吉林大学学报(理学版), 2016,54(5):1096-1102.
［22］WHITAKER B M, SURESHA P B, LIU C, et al. Combining sparse coding and time-domain features for heart sound classification［J］. Physiological Measurement, 2017,38(8):1701-1729.
［23］蔡胜胜,卜凡亮. 基于案例推理和规则推理的公安突发事件辅助决策算法［J］. 计算机与现代化, 2019(9):7-11.
［24］BOUTANA D, BENIDIR M, BARKAT B. Segmentation and identification of some pathological phonocardiogram signals using time-frequency analysis［J］. IET Signal Processing, 2011,5(6):527-537.

[1]	宁娟, 周庆华, 曾小为. 改进YOLOv7算法在西林瓶轧盖缺陷检测中的应用[J]. 计算机与现代化, 2023, 0(12): 82-86.
[2]	谷明轩, 范冰冰. 基于多模态特征融合的抑郁症识别[J]. 计算机与现代化, 2023, 0(10): 17-22.
[3]	陈俊义. 基于图节点动静态特征的健康事件预测模型[J]. 计算机与现代化, 2023, 0(10): 39-44.
[4]	邢世帅, 刘丹凤, 王立国, 潘月涛, 孟灵鸿, 岳晓晗. 基于空间注意力残差网络的图像超分辨率重建模型[J]. 计算机与现代化, 2023, 0(10): 45-52.
[5]	陈嘉敏, 张伯泉, 麦海鹏. 基于特征融合的海马体分割[J]. 计算机与现代化, 2023, 0(08): 1-6.
[6]	王鸿, 葛红. 基于注意力机制和语义相似度的跨模态哈希检索[J]. 计算机与现代化, 2023, 0(08): 44-53.
[7]	王杰, 潘凤, 张艳莎, 谭棉, 严晓波, 王林, . 融合带权非局部模块的铝型材表面缺陷分类[J]. 计算机与现代化, 2023, 0(05): 86-92.
[8]	朱理清, 李祥, . 改进YOLOv5算法的遥感图像车辆检测[J]. 计算机与现代化, 2023, 0(05): 117-121.
[9]	张晓东, 王栩颖, 秦子轩. 基于特征融合的抽油机井检泵周期预测[J]. 计算机与现代化, 2022, 0(12): 60-66.
[10]	王长军, 彭成, 李勇. 复杂环境下的多特征融合船舶目标检测算法[J]. 计算机与现代化, 2022, 0(11): 81-88.
[11]	刘立婷, 欧毓毅. 融合注意力机制与并行混合网络的DGA域名检测[J]. 计算机与现代化, 2022, 0(09): 119-126.
[12]	曾奕斌, 葛红. 基于语义融合和多重相似性学习的跨模态检索[J]. 计算机与现代化, 2022, 0(08): 50-56.
[13]	李燕, 卢峥松, 李青云, 杨世海, 张小龙. 基于轻量级结构重参数化网络的口罩检测算法[J]. 计算机与现代化, 2022, 0(07): 40-46.
[14]	梁正友, 耿经邦, 孙宇. 基于改进残差网络的交通标志识别算法[J]. 计算机与现代化, 2022, 0(04): 52-57.
[15]	宋爽, 陆鑫达. 基于BERT与图像自注意力机制的文本匹配模型[J]. 计算机与现代化, 2021, 0(11): 12-16.

基于PCA串并融合的多路心音特征表征方法

Multi-channel Heart Sound Feature Characterization Method #br# Based on PCA Serial-merged Fusion

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价