基于LabVIEW的心音身份识别系统

文中以LabVIEW 2012为开发平台,设计、实现了一种心音身份识别系统.该系统包括心音采集、数据处理和身份识别3个主要模块.心音采集模块利用自制传感器采集心音并去噪;数据处理模块完成心音特征提取和建立心音特征数据库;身份识别模块采用两种算法对心音特征数据进行分类识别,并使用决策层融合算法提高识别率.文中根据心音信号s1、s2的频谱特性和虚拟仪器的特点,提出了一种低频加强型梅尔倒谱系数和频域分段相关系数的特征提取算法,重点分析了基于矢量化欧式距离和最小相关距离分类识别方法.实际应用的结果证明该系统界面友好、操作方便、运算速度快、辨识效率高,具有一定的推广应用价值.     

心音信号特征分析与识别方法研究

心音信号是心脏及心血管系统机械状况的反映,是包含了人类心脏各部分的生理和病理信息的重要信号。目前通过心音信号诊断疾病的方法主要是人工听诊,如果能够研究出一套行之有效的算法对采集到的心音进行自动识别分类,当发现病变的心音时能自动做出判断提示甚至发出报警信号,这对心脏疾病的临床研究具有极其重要的研究价值。针对以上所述通过以下几个方面对心音信号进行研究:采用HKY-06B心音传感器采集心音信号,通过Cool Edit Pro2.1录音软件实现对心音信号的格式转换和储存、通过小波分析法对心音信号进行预处理、运用Mel频率倒谱系数对心音信号进行特征提取以及利用高斯混合模型对心音信号进行识别。通过预处理、特征参数提取等步骤后,建立GMM,将采样信号输入GMM心音模型库进行识别,能够准确判断心音是正常心音还是病理性心音。     

高斯混合模型心音信号自动识别

为了提高心音信号自动识别的准确性,该文提出一种高斯混合模型心音信号自动识别方法。首先收集心音信号进行预处理,提取心音信号的Mel频率倒谱系数作特征参数,采用高斯模型库进行心音信号自动实别,最后利用仿真实验对其性能进行测试和分析。实验结果表明,该文方法可以准确描述心音信号变化特点,相对其他心音信号自动识别方法,其识别率大幅提高,可应用于心脏疾病的诊断中。     

心音信号的测量与处理

本文阐述了心音信号的产生机制及成分,分析了心音信号的采集和预处理,最后对近年来心音信号的识别和分类进行了简要的说明。     

基于遗传算法优化匹配追踪的自然环境声音分类

针对自然环境中各种背景噪声下的声音事件识别问题,提出一种基于遗传匹配追踪算法将自然环境音频信号稀疏表示进行分类的方法.首先,利用匹配追踪(MP)算法稀疏表示信号的主体结构,以消除噪声影响,其中利用采用精英策略的遗传算法(GA)优化MP的分解重构速度;接着,提取MFCCs作为音频信号的特征参数;最后,使用分类器支持向量机(SVM)和高斯混合模型(GMM)对4大类19种声音进行分类与比较,分类效果明显优于未进行稀疏表示的声音信号.实验表明,SVM模型分类效果优于GMM,提出的方法对实地采集的自然环境音频信号能有效识别.     

基于随机信号非线性特征的信号体制识别

在信号处理与模式识别相结合的信号体制识别中,利用Ｖｏｌｔｅｒｒａ非线性模型对随机信号进行分析,求解出Ｃａｕｓｓｉａｎ随机过程的输出自相关函数和功率谱密度。通过时域和频域特征提取及二次函数分类,提高识别的准确率和系统的广谱性。     

基于CNN网络的跳频信号个体识别

针对传统跳频信号指纹特征提取只是利用深度学习进行分类的问题,利用CNN网络特征提取的特性,实现了一种基于CNN网络的对预处理后的跳频信号实现特征提取和分类网络模型。首先将收集的跳频信号进行短时傅里叶变换转换到跳频信号敏感的频域,将跳频信号频谱图作为CNN网络模型的输入,CNN网络通过多层卷积提取信号频域深层次特征,通过Batch Normalization、Callback函数的优化加快了网络的收敛速度,同时防止了过拟合现象,最终输出跳频信号的识别分类结果。对比实验结果表明,CNN网络的分类识别正确率较以往的方法更高,在信号信噪比越大的情况下,识别效果越好。     

基于小波变换的MPSK/QAM特征提取算法

在基于特征提取的调制识别算法中,对调制信号特征的提取是其中一个重要的环节。该文利用Morlet小波对高斯白噪声中的MPSK/QAM信号进行特征提取,仿真结果表明该方法具有较好的抗噪声性能和较高的识别准确度。     

基于EMD法的语音信号特征提取方法研究

为了提高语音信号的识别率,提出了一种基于经验模态分解(EMD)法的语音信号特征参数提取方法。该方法先对语音信号进行EMD分解,获得其内模函数;再进行FFT和DCT变换,得到特征分量,以此构成语音信号新特征参数。最后采用高斯混合模型(GMM)进行说话人语音识别,实验表明新特征参数取得了较好的识别率。     

基于HHT和核函数选择的情绪特征提取与识别

脑-机接口是一种变革传统人机交互的技术,其中情绪脑-机接口是一类重要的脑-机交互,可望为情绪的调节、监测或评估提供定量方法,有潜在的重要应用价值,然而情绪相关的脑信号特征提取与识别尚未彻底解决,面临许多挑战.为了探索有效的情绪相关脑电(Electroencephalogram,EEG)特征提取和分类方法,采用国际情绪图片系统(International Affective Picture System,IAPS)提供的情绪图片诱发情绪,在情绪诱发期间采集13个被试的脑电EEG信号;采用独立成分分析(Independent Component Analysis,ICA)等方法预处理EEG后,分别采用在时域、频域同时具有较高分辨率的希尔伯特-黄变换(Hilbert-Huang Transform,HHT)和对不同状态反应敏感的自回归(Auto Regressive,AR)模型提取情绪相关的EEG特征;采用支持向量机(Support Vector Machine,SVM)对其可用的四种核函数进行选择,也利用K-近邻(KNearest Neighbor,KNN)对两类情绪进行识别.结果显示,采用HHT提取特征并利用高斯径向基函数(Radial Basis Function,RBF)核的SVM取得的平均、最高和最低分类精度分别为90.57%±4.13%,96%和88%;采用AR模型提取特征并利用高斯RBF核的SVM取得的平均、最高和最低分类精度分别为88.43%±2.98%,92%和86%.表明HHT能有效地提取情绪相关EEG特征,采用高斯RBF核的SVM可以获得较好的识别结果,可望为基于EEG利用HHT和高斯RBF核的SVM在线识别情绪提供思路.     

基于新进化优化BP学习算法的心音识别方法

为提高人工智能辅助诊断心音识别的准确率, 根据心音信号的周期性特点, 提出以快速主成分分析算法对心音信号降维和提取特征, 同时基于单形进化算法, 优化BP神经网络学习算法的输出与期望的误差函数, 以改进BP神经网络的学习性能, 实现对心音信号高准确度的分类识别. 针对正常心音及8类异常心音信号进行性能分析与测试, 实验结果表明, 各类心音的平均识别率为95.96%, 改进算法比其他对比算法识别率分别提高了4.9%,3.9%,1.9%, 表明该算法能更有效地分类识别心音信号, 提高人工辅助诊断的识别率.     

基于新进化优化BP学习算法的心音识别方法

为提高人工智能辅助诊断心音识别的准确率, 根据心音信号的周期性特点, 提出以快速主成分分析算法对心音信号降维和提取特征, 同时基于单形进化算法, 优化BP神经网络学习算法的输出与期望的误差函数, 以改进BP神经网络的学习性能, 实现对心音信号高准确度的分类识别. 针对正常心音及8类异常心音信号进行性能分析与测试, 实验结果表明, 各类心音的平均识别率为95.96%, 改进算法比其他对比算法识别率分别提高了4.9%,3.9%,1.9%, 表明该算法能更有效地分类识别心音信号, 提高人工辅助诊断的识别率.     

利用小波变换分析心音信号

心音信号可以用于诊断一些心脏瓣膜和心肌的疾病，心音信号是一种非平稳信号，而小波变换中数字信号处理技术适合于分析非平稳信号。文章阐述了一种利用小波变换分析心音信号的方法。通过对计算机模拟的心音信号的分析实验，分析利用小波变换可以有效地分析心音信号，从而为利用心音信号诊断心脏疾病提供了一种新的方法。     

LabVIEW在心音信号研究中的应用

心音信号是人体重要的生理信号之一,它可以直接反应人体的生理病理信息。在本文中利用LabVIEW对心音信号进行采集、去噪,并利用功率谱估计对心音信号进行分析处理,可以明显的区分出正常与异常的心音信号,为正确诊断心血管疾病提供一定的帮助。     

融合SS、MFCC和PMC技术的语音去噪方法

为提高语音识别系统在噪音情况下的识别率,提出了一种融合信号级去噪、参数级去噪、模型级去噪的方法.首先用谱减法对带噪的语音信号进行去噪,再利用Mel倒谱系数(MFCC)对处理后的语音信号进行特征提取,最后经过并行模型结合处理法(PMC)处理得到较高识别率的语音信号.     

基于振动与声音信号深度学习的岩性识别方法

岩性识别对地质勘查和储层评价具有重要意义,科学有效地开展岩性自动识别的相关研究能够有效地为勘查过程提供指导,减少工作的盲目性和冗杂性。针对常见的砂岩地层,选择三类砂岩,基于室内微钻试验台,设计钻杆转速、钻孔深度和钻孔位置三个变量,检测钻进过程中产生的振动和声音特征信号。将采集的振动和声音信号预处理,提高信噪比,生成数据集。将振动和声音的数据集按6∶2∶2的比例划分为训练集、验证集和测试集,之后分别构建二维卷积神经网络和一维卷积神经网络并使用训练集和验证集训练岩性识别模型,最后运用未经训练的测试集验证模型准确率。模型训练完成后,以频谱图为数据集的振动信号识别模型准确率达到95.19%,以梅尔频率倒谱系数为数据集的声音信号识别模型准确率达到73.58%。研究结果表明,不同岩性在钻进过程中产生的振动和声音信号具有不同信号特征,基于振动和声音信号的岩性自动识别方法可以较好地实现几类砂岩的自动识别,这为地质勘查时的岩性自动识别提供了参考与依据。     

基于循环平稳包络的心音分割方法

提出了一种基于循环平稳包络的心音分割算法,自动把第一心音(S1)和第二心音(S2)从每个周期中分别提取出来。计算心音信号的循环平稳包络,选择一个阈值来区分S1和S2。不需要参考信号,而且不受噪声干扰,即使是在有噪声的情况下,也能正确区分出S1和S2。处理了来自20个样本的心音信号(包括15个正常心音和5个异常心音,共715个周期),结果显示,分割的正确率超过96%。     

基于遗传算法和高斯牛顿法的超声回波信号参数估计

在超声回波信号参数估计中,如果高斯牛顿法选取的迭代初值接近参数向量的真实解,则容易找到最优解;如果初始值远离最优解,则高斯牛顿法不收敛或者只收敛到局部最优解。针对高斯牛顿法对迭代初值敏感的问题,提出了遗传算法和高斯牛顿法结合的参数估计方法。该方法充分利用遗传算法善于进行全局搜索和高斯牛顿法善于进行局部快速搜索的优点,首先使用遗传算法求出超声回波信号的参数初值,然后利用这组初值进行高斯牛顿法迭代搜索。仿真结果表明,基于遗传算法和高斯牛顿法相结合的方法,具有收敛速度快、精确度高的特点。