文献类型：期刊文章

作　　者：刘美君[1] 吴全玉[1] 丁胜[1] 潘玲佼[1] 刘晓杰[1]

LIU Meijun;WU Quanyu;DING Sheng;PAN Lingjiao;LIU Xiaojie(Institute of Bioinformatics and Medical Engineering,School of Electrical and Information Engineering,Jiangsu University of Technology,Changzhou,Jiangsu 213001,P.R.China)

机构地区：[1]江苏理工学院电气信息工程学院生物信息与医药工程研究所,江苏常州213001

出　　处：《生物医学工程学杂志》

基　　金：国家自然科学基金青年项目(62001196);江苏省重点研发计划项目(BE2019317,BE2020648)。

年　　份：2022

卷　　号：39

期　　号：2

起止页码：311-319

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD_E2021_2022、EI、EMBASE、IC、JST、PUBMED、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：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。

关 键 词：心音分类  自适应噪声完备经验模态分解  排列熵  支持向量机

分 类 号：R318[生物医学工程类] TN911.7[基础医学类] TP181]