陳 成，潘家華，孫 靜，楊宏波

(1. 云南大學(xué)信息學(xué)院，云南 昆明 650091；2. 云南省阜外心血管病醫(yī)院，云南 昆明 650102；3. 昆明醫(yī)科大學(xué)，云南 昆明 650500)

1 引言

先天性心臟病簡稱先心病(congenital heart disease,CHD)，因胎兒時(shí)期心臟發(fā)育缺陷，患兒出生存在心血管結(jié)構(gòu)異常，是兒童最常見、危害較大的心血管疾病[1]。第二十三屆全國介入心臟病學(xué)論壇線上會(huì)議(CCIF2020 Online)上，先心病論壇主席張戈軍指出，當(dāng)前我國每年新增先心病患者約15-20萬例，在出生缺陷類疾病中位列第一，每100個(gè)新生兒中約有1個(gè)是先心病患者。心音是心肌收縮和舒張，瓣膜啟閉，血流沖擊心室壁和大動(dòng)脈等因素引起的機(jī)械振動(dòng)產(chǎn)生的音頻信號(hào)。心音信號(hào)含有豐富的生理、病理信息，是先心病初診的主要依據(jù)，用電子聽診器記錄下的心音信號(hào)稱為心音圖(phonocardiogram,PCG)，研究PCG有助于臨床對(duì)先心病進(jìn)行評(píng)估。

早期國內(nèi)外的心音研究者主要采用自回歸模型(Autoregressivel model,AR)、自回歸滑動(dòng)平均模型(Autoregressive moving average model,ARMA)、傅里葉變換等對(duì)心音信號(hào)進(jìn)行頻譜分析[2]。心音的主要研究范圍涉及心音信號(hào)的預(yù)處理、特征提取、以及分類識(shí)別。例如利用巴特沃斯濾波、組稀疏(group-sparsity)[4]、經(jīng)驗(yàn)?zāi)B(tài)分解[5]、小波變換[6]等方法對(duì)心音進(jìn)行去噪。采用香農(nóng)能量[7]、小波變換、希爾伯特-黃變換[8]等提取心音包絡(luò)，以便對(duì)心音信號(hào)進(jìn)行定位、分割。心音的特征提取可從時(shí)域、頻域、能量分布等角度分析，其中文獻(xiàn)[9]利用梅爾頻率倒譜系數(shù)(Mel-frequency Cepstral Coefficients,MFCC)和線性預(yù)測倒譜系數(shù)(Linear Predictive Cepstral Coefficients,LPCC)提取心音特征；文獻(xiàn)[9]從時(shí)頻矩陣中提取幅度和相位特征對(duì)心臟瓣膜疾病進(jìn)行分類；文獻(xiàn)[11]采用梅爾頻率系數(shù)(log Mel-frequency Spectral Coefficients,MFSC)提取心音特征；文獻(xiàn)[12]提出一種以第一心音和第二心音的共振峰頻率作為特征的心音分類識(shí)別方法，以上文獻(xiàn)對(duì)心音的特征提取均為單一特征。心音的分類識(shí)別通常采用支持向量機(jī)(Support Vector Machines,SVM)[13]、深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Networks,DNN)[14]、卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)[11]、長短時(shí)記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)[15]等方法。然而在心音的特征提取和分類識(shí)別方面，仍然存在特征提取不典型、識(shí)別率不高等問題。

MFCC與伽馬通頻率倒譜系數(shù)(Gammatone Frequency Cepstral Coefficients,GFCC)[16]已廣泛應(yīng)用于語音信號(hào)特征提取并取得了較好的效果。例如用MFCC與GFCC的混合特征作為卷積神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行聲源定位[17]、對(duì)環(huán)境聲音進(jìn)行分類[18]、說話人識(shí)別[19]等，但鮮為有文報(bào)道用于心音特征提取。心音信號(hào)分類識(shí)別的關(guān)鍵在于信號(hào)的特征提取與分類網(wǎng)絡(luò)的選擇。為此提出了一種特征提取新方法。用漢寧自卷積窗(Hanning self-convolution window,HSCW)[20]代替?zhèn)鹘y(tǒng)的漢寧窗對(duì)心音信號(hào)進(jìn)行加窗運(yùn)算，之后提取心音的MFCC與GFCC特征(稱其為HMFCC與HGFCC特征)，并利用主成分分析算法(Principal Component Analysis,PCA)進(jìn)行特征降維，將降維后的HMFCC與HGFCC特征組合構(gòu)成混合特征HMGFCC。最后采用深度學(xué)習(xí)模型Inception v4[21]作為分類網(wǎng)絡(luò)對(duì)心音進(jìn)行分類測試，并與其它常見的分類網(wǎng)絡(luò)作了比較。

2 心音分類識(shí)別方法

心音分類識(shí)別系統(tǒng)一般由信號(hào)預(yù)處理、特征提取和分類識(shí)別三個(gè)部分組成，系統(tǒng)整體框架如圖1所示。

圖1 系統(tǒng)整體框架

2.1 信號(hào)預(yù)處理

2.1.1 心音信號(hào)去噪

在采集心音采集過程中易受外界環(huán)境和人為干擾而混入噪聲，這些噪聲將對(duì)后續(xù)有效特征的提取及信號(hào)的識(shí)別產(chǎn)生影響。實(shí)驗(yàn)運(yùn)用基于db6小波雙參數(shù)可調(diào)閾值函數(shù)對(duì)心音信號(hào)進(jìn)行去噪，該閾值函數(shù)克服了硬閾值函數(shù)在λ處不連續(xù)，導(dǎo)致重構(gòu)信號(hào)產(chǎn)生震蕩及軟閾值函數(shù)存在明顯偏差，使得重構(gòu)信號(hào)失真的問題。閾值函數(shù)定義為

(1)

式中，sgn(Wjk)為符號(hào)函數(shù)，Wjk為心音信號(hào)的小波分解系數(shù)，jk是去噪后的小波估計(jì)函數(shù)，閾值為噪聲信號(hào)長度，為噪聲的標(biāo)準(zhǔn)差，該式分子表示在分解的各個(gè)尺度下的絕對(duì)值中值。

通過實(shí)驗(yàn)，對(duì)比不同小波和不同分解層數(shù)去噪后信號(hào)的信噪比與均方誤差，最終選擇db6小波基函數(shù)，分解層數(shù)為5層。原始心音和去噪后的心音對(duì)比如圖2所示。

圖2 原始心音與去噪后的心音對(duì)比

2.1.2 提取心動(dòng)周期

為了提取心音信號(hào)的有效成分，提高心音的識(shí)別率，采用David等[22]提出的基于邏輯回歸的隱半馬爾可夫模型(hidden semi-Markov models,HSMM)心音分割方法自動(dòng)對(duì)心音信號(hào)進(jìn)行準(zhǔn)確的狀態(tài)分割，正常心音信號(hào)的分割結(jié)果如圖3所示。

圖3 心音狀態(tài)分割結(jié)果

從圖3可以看出，該算法能對(duì)心音的S1、收縮期、S2和舒張期四個(gè)狀態(tài)進(jìn)行準(zhǔn)確分割。根據(jù)狀態(tài)分割算法提取出心音的各個(gè)心動(dòng)周期并保存為wav格式。圖4為提取出的去噪后的正常心音和3種常見先心病心音的單個(gè)心動(dòng)周期所對(duì)應(yīng)的波形圖。

圖4 一個(gè)心動(dòng)周期的心音信號(hào)

2.2 特征提取

針對(duì)單一特征參數(shù)表征信號(hào)不夠全面的缺點(diǎn)，將傳統(tǒng)的MFCC與抗噪性能良好的GFCC組合并改進(jìn)后用于心音特征提取。具體為：先用HSCW對(duì)分幀后的信號(hào)進(jìn)行加窗，再提取心音的HMFCC與HGFCC特征，并用PCA降維，最后組成一個(gè)新的混合特征HMGFCC，圖5為該混合特征參數(shù)的提取流程。

圖5 特征提取流程

2.2.1 HMFCC特征

在心音識(shí)別系統(tǒng)中，特征參數(shù)提取的有效性將直接影響分類網(wǎng)絡(luò)的準(zhǔn)確率。MFCC根據(jù)人耳聽覺感知機(jī)理，克服聽覺感知不能聚集整個(gè)頻譜包絡(luò)的缺點(diǎn)，提取在Mel標(biāo)度頻率域的非線性倒譜參數(shù)。實(shí)際頻率fs與Mel頻率之間的關(guān)系可由(2)下式表示

(2)

式中，fMel代表感知頻率，單位是Mel，fs表示實(shí)際心音頻率，單位為Hz。

提取HMFCC特征參數(shù)的具體步驟如下：

1)預(yù)加重、分幀

為彌補(bǔ)心音采集過程中的高頻分量損失，使頻譜平滑，對(duì)信號(hào)進(jìn)行預(yù)加重處理，一般采用一階數(shù)字濾波器，即

H(z)=1-az-1

(3)

式中，a為預(yù)加重系數(shù)，取值為0.97。對(duì)信號(hào)進(jìn)行分幀，設(shè)置幀長為256，幀移為128。

2)加窗

用漢寧自卷積窗HSCW代替?zhèn)鹘y(tǒng)的漢寧窗對(duì)心音信號(hào)進(jìn)行加窗運(yùn)算是本文的一個(gè)特點(diǎn)，可達(dá)到有效抑制頻譜泄露的效果，進(jìn)一步提高特征參數(shù)提取的準(zhǔn)確性。經(jīng)過實(shí)驗(yàn)，選用2階HSCW作為窗函數(shù)對(duì)心音信號(hào)進(jìn)行截取已經(jīng)達(dá)到實(shí)驗(yàn)效果。數(shù)據(jù)長度為N的2階HSCW窗頻域表達(dá)式見(4)式

(4)

式中,WR(n)為矩形窗的頻率響應(yīng)，表達(dá)式見(5)式

(5)

圖6給出了N為128的hanning窗和HSCW窗函數(shù)的頻率響應(yīng)示意圖。

圖6 hanning窗和HSCW窗的幅頻響應(yīng)

對(duì)比分析兩種窗函數(shù)，HSCW窗的旁瓣電平小且衰減速度快，因而可使信號(hào)在頻率分辨率較高的同時(shí)抑制頻譜泄露[23]。

3)FFT(Fast Fourier Transform)

對(duì)心音x(n)做快速傅里葉變換，將信號(hào)從時(shí)域轉(zhuǎn)換到頻域，對(duì)頻域信號(hào)X(k)進(jìn)行平方處理，得到每一幀信號(hào)的能量頻譜|X(k)|2。

4)Mel頻率刻度變換

將頻域信號(hào)經(jīng)Mel濾波器組進(jìn)行濾波和刻度變換，得到每一幀心音的Mel頻譜。每個(gè)濾波器的輸出響應(yīng)如式(6)所示。

(6)

式中，f(m-1)、f(m)、f(m+1)分別表示第m-1、m、m+1個(gè)濾波器的中心頻率，k為心音信號(hào)頻率。

5)倒譜分析

倒譜分析包括取對(duì)數(shù)能量和離散余弦變換(Discrete Cosine Transformation,DCT)。對(duì)每個(gè)濾波器濾波后的信號(hào)取對(duì)數(shù)能量Em，如式(7)所示

(7)

式中，|X(k)|2為每一幀信號(hào)的能量頻譜，Hm(k)為Mel濾波器頻率響應(yīng)，M為濾波器個(gè)數(shù)。

為得到Mel倒譜系數(shù)，將(7)式所得結(jié)果進(jìn)行DCT變換，使信號(hào)映射到低維空間，實(shí)現(xiàn)數(shù)據(jù)壓縮且可去除噪聲和特征分量之間的冗余信息。HMFCC特征參數(shù)可由(8)式表示。

(8)

式中，HMn為Mel頻率倒譜系數(shù)；M為濾波器個(gè)數(shù)。

時(shí)域的一維心音信號(hào)，經(jīng)提取HMFCC后轉(zhuǎn)變成了2D的“圖片”，以便作為特征輸入到隨后的分類器Inception v4進(jìn)行分類處理。

2.2.2 HGFCC特征

GFCC特征提取與MFCC特征提取相似，只是在提取過程中使用的是Gammatone濾波器，且GFCC是基于等效矩形帶寬(Equivalent Rectangular Bandwidth,ERB)刻度提取的特征。與Mel濾波器相比，Gammatone濾波器是一種基于標(biāo)準(zhǔn)耳蝸結(jié)構(gòu)的濾波器，對(duì)高頻信息較敏感，譜峰平坦，可減少能量泄露，具有魯棒性和抗噪性強(qiáng)的優(yōu)點(diǎn)。其時(shí)域表達(dá)式如式(9)所示

gi(t)=Atn-1e-2πbitcos(2πfi)u(t)，t≥0，1≤i≤N

(9)

式中，A為濾波器增益；fi為濾波器中心頻率；u(t)為階躍函數(shù)；n為濾波器級(jí)數(shù)；N為濾波器個(gè)數(shù)；bi為濾波器衰減因子，它與ERB的關(guān)系為

(10)

式中，Q為漸進(jìn)因子，Bmin為最小帶寬。

經(jīng)倒譜分析后得到的GFCC可由式(11)表示

(11)

式中，k為Gammatone濾波器個(gè)數(shù)，N為特征參數(shù)的維數(shù)。

由于心音信號(hào)的時(shí)域連續(xù)性，從每一幀信號(hào)種提取的特征只能反映當(dāng)前幀的心音特征，因此實(shí)驗(yàn)提取的HMFCC特征包括靜態(tài)分量和可以反映前后幀之間特征信息的一階差分動(dòng)態(tài)分量ΔHMFCC，HGFCC特征包括靜態(tài)分量及其一階差分分量ΔHGFCC。

2.2.3 混合特征

特征提取過程保留具有靜態(tài)特性的HMFCC、HGFCC及其具有動(dòng)態(tài)特性的一階差分特征參數(shù)。由于HMFCC與HGFCC不在不同一尺度下進(jìn)行心音特征提取，表征著不同的心音特征信息，所以在實(shí)驗(yàn)中對(duì)因此進(jìn)行了特征參數(shù)采用歸一化處理。將歸一化后兩組特征參數(shù)組合在一起，構(gòu)成混合特征，其組成式如下

HMGFCC

=[(HM1，HM2，…，HMm)，(ΔHM1，ΔHM2，…，ΔHMm)，

(HG1，HG2，…，HGn)，(ΔHG1，ΔHG2，…，ΔHGn)]

(12)

式中，HMm、ΔHMm分別表示第m維維Mel頻率倒譜特征參數(shù)系數(shù)及對(duì)其及進(jìn)行差分運(yùn)算得到的一階差分HGn、ΔHGn分別表示第n維Gammatone頻率倒譜系數(shù)及其一階差分。

2.2.4 PCA優(yōu)化特征參數(shù)

為降低計(jì)算復(fù)雜度，采用PCA算法對(duì)心音樣本特征進(jìn)行降維，降維過程如圖7所示。

圖7 PCA降維

在實(shí)驗(yàn)中，使用HMFCC與HGFCC特征提取算法分別對(duì)心音樣本進(jìn)行特征提取，得到24維的HMFCC特征與24維的HGFCC特征，將二者按照式(12)進(jìn)行組合。對(duì)組合后的混合特征按照?qǐng)D7所示過程進(jìn)行降維，得到24維混合特征HMGFCC。

2.3 基于深度學(xué)習(xí)模型的先心病心音分類

卷積神經(jīng)網(wǎng)絡(luò)作為一種深度學(xué)習(xí)模型，主要包括輸入層、卷積層、池化層、全連接層和輸出，主要特點(diǎn)是局部連接、權(quán)值共享。卷積層進(jìn)行卷積運(yùn)算可以提取出輸入數(shù)據(jù)的深層特征信息；池化層實(shí)現(xiàn)特征的壓縮、減少數(shù)據(jù)量；全連接層則將學(xué)習(xí)到的特征映射到不同的分類結(jié)果中，分類結(jié)果則由輸出層輸出。實(shí)驗(yàn)選用深度學(xué)習(xí)模型Inception v4作為先心病心音信號(hào)的分類網(wǎng)絡(luò)。Inception v4網(wǎng)絡(luò)由Stem模塊、3個(gè)Inception-A模塊、7個(gè)Inception-B模塊、3個(gè)Inception-C模塊、Reduction-A模塊、Reduction-B模塊、平均池化層、Dropout層和Softmax層組成。其網(wǎng)絡(luò)結(jié)構(gòu)如圖8所示。

圖8 Inception v4網(wǎng)絡(luò)結(jié)構(gòu)

該網(wǎng)絡(luò)構(gòu)架計(jì)算量少，在增加網(wǎng)絡(luò)深度和寬度的同時(shí)，提高了深度學(xué)習(xí)網(wǎng)絡(luò)分類準(zhǔn)確率并且防止過擬合現(xiàn)象的發(fā)生。網(wǎng)絡(luò)通過Inception模塊對(duì)輸入特征圖進(jìn)行多尺度卷積和池化，提升了模型感知力，增加網(wǎng)絡(luò)的深度和寬度以獲取更具表達(dá)能力的特征信息。采用1×1卷積核進(jìn)行降維，有效減少了計(jì)算量，提高了訓(xùn)練速度；Stem模塊和Reduction模塊使用卷積層和池化層的并行結(jié)構(gòu)來防止bottleneck問題；使用Dropout層解決過擬合問題。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)及平臺(tái)

用于實(shí)驗(yàn)的心音數(shù)據(jù)均來自用課題組研發(fā)的心音采集設(shè)備以及美國The One ThinkLabs電子聽診器，在云南省阜外心血管病醫(yī)院臨床采集以及跟隨醫(yī)療隊(duì)在云南省各地區(qū)篩查采集所建的心音數(shù)據(jù)庫。采集對(duì)象為先心病患者和健康志愿者，年齡在2-18歲之間。心音信號(hào)時(shí)長為20秒或30秒，采樣率為5kHz。所有信號(hào)均經(jīng)過臨床專家確診，并經(jīng)云南大學(xué)醫(yī)學(xué)倫理委員會(huì)審查同意后授權(quán)使用。心音數(shù)據(jù)庫中的每例信號(hào)均采集5個(gè)點(diǎn)位的心音，分別為二尖瓣聽診區(qū)(M點(diǎn))、肺動(dòng)脈瓣聽診區(qū)(P點(diǎn))、主動(dòng)脈瓣聽診區(qū)(A點(diǎn))、主動(dòng)脈瓣第二聽診區(qū)(E點(diǎn))、三尖瓣聽診區(qū)(T點(diǎn))。根據(jù)不同先心病在臨床上的不同表現(xiàn)，選擇不同點(diǎn)位的心音信號(hào)作為樣本。在本次實(shí)驗(yàn)中，采用了心音數(shù)據(jù)庫中的1600例心音樣本，含正常心音信號(hào)850例，先心病心音信號(hào)750例。數(shù)據(jù)集分布如表1所示。

表1 數(shù)據(jù)集分布

實(shí)驗(yàn)環(huán)境為MATLAB R2018a、python 3.6，硬件環(huán)境為Inter(R)Core(TM)i7-8700 CPU@ 3.2GHz。Inception v4模型在Tensorflow深度學(xué)習(xí)框架中實(shí)現(xiàn)。

在深度學(xué)習(xí)實(shí)驗(yàn)中，數(shù)據(jù)集按照7：2：1比例劃分得到訓(xùn)練集1120例、驗(yàn)證集320例、測試集160例，測試集中包含正常心音與先心病心音各80例。按上述流程對(duì)PCG信號(hào)處理后，提取心音每一幀的HMFCC與HGFCC特征，將獲得的表征每一幀信號(hào)的特征拼接在一起，組成48維HMFCC與HGFCC混合特征，經(jīng)過PCA降維得到24維混合特征HMGFCC。將特征轉(zhuǎn)換為TFrecord格式作為深度學(xué)習(xí)網(wǎng)絡(luò)Inception v4的輸入進(jìn)行訓(xùn)練，可提高訓(xùn)練時(shí)數(shù)據(jù)的讀取和處理速度。設(shè)置batchsize大小為8，學(xué)習(xí)率為0.001，權(quán)重衰減值weight＿decay為0.00004，使用Adam優(yōu)化算法，迭代250次。驗(yàn)證集用于對(duì)訓(xùn)練集訓(xùn)練出的多個(gè)模型進(jìn)行測試，記錄各個(gè)模型的分類準(zhǔn)確率，選出效果最佳的模型，并用測試集數(shù)據(jù)進(jìn)行模型預(yù)測。

3.2 評(píng)價(jià)指標(biāo)

在2011 PASCAL Classifying Heart Sounds Challenge Workshop上，給出了評(píng)判分類性能的標(biāo)準(zhǔn)，分別為靈敏度(Sensitivity,Se)、特異度(Specificity,Sp)以及準(zhǔn)確率(Accuracy,acc)，定義如(13)-(15)式所示

(13)

(14)

(15)

式中，TP表示真陽性，即實(shí)際為陽性且被分類器劃分為陽性的樣本數(shù)；FP表示假陽性，即實(shí)際為陰性但被分類器劃分為陽性的樣本數(shù)；FN表示假陰性，即實(shí)際為陽性但被分類器劃分為陰性的樣本數(shù)；TN表示真陰性，即實(shí)際為陰性且被分類器劃分為陰性的樣本數(shù)。

3.3 實(shí)驗(yàn)結(jié)果與分析

心音信號(hào)特征提取的有效性決定了分類器的分類效果。為了更好地比較不同特征對(duì)分類結(jié)果的影響，將單一特征與混合特征分別作為Inception v4網(wǎng)絡(luò)的特征輸入，得到表2所示的分類結(jié)果。

表2 特征提取方法對(duì)識(shí)別率的影響

由表2可以看出，采用混合特征參數(shù)的分類效果優(yōu)于單一特征。以分類準(zhǔn)確率為例，用混合特征HMGFCC的分類準(zhǔn)確率為91.25%，而采用單一特征HMFCC或HGFCC的分類準(zhǔn)確率依次為86.25%、83.12%，前者相比后者分別提高了5%、8.13%。采用HSCW提取的心音特征HMFCC、HGFCC的分類準(zhǔn)確率相比傳統(tǒng)的漢寧窗提取的MFCC、GFCC特征的分類準(zhǔn)確率分別提高了1.87%、0.62%。可見，文中提出的改進(jìn)的混合特征能更好地表征心音信號(hào)特征，在避免傳統(tǒng)漢寧窗的頻譜泄露問題的同時(shí)，提取到更有效的心音特征，提高了先心病心音分類的準(zhǔn)確率。

為了進(jìn)一步證明混合特征應(yīng)用于Inception v4網(wǎng)絡(luò)在心音分類識(shí)別上的優(yōu)越性，在同一測試樣本下，通過實(shí)驗(yàn)對(duì)BP、CNN、LSTM、Inception v3、Inception v4五種深度學(xué)習(xí)網(wǎng)絡(luò)的分類準(zhǔn)確率進(jìn)行對(duì)比。使用三層BP網(wǎng)絡(luò)，將24維混合特征保存為mat格式數(shù)據(jù)文件作為網(wǎng)絡(luò)的輸入。用24維混合特征構(gòu)造出二維特征圖作為CNN的輸入進(jìn)行訓(xùn)練，實(shí)驗(yàn)設(shè)計(jì)的CNN包含3個(gè)卷積層、2個(gè)池化層、1個(gè)全連接層，采用Softmax作為網(wǎng)絡(luò)輸出層。LSTM是在RNN的基礎(chǔ)上用包含輸入門、遺忘門、輸出門和記憶單元的神經(jīng)元替代神經(jīng)節(jié)點(diǎn)，實(shí)驗(yàn)在Keras框架下以混合特征作為LSTM的訓(xùn)練數(shù)據(jù)，該網(wǎng)絡(luò)模型由2層LSTM網(wǎng)絡(luò)與一個(gè)全連接層組成。此外，學(xué)習(xí)Inception v2模型的優(yōu)點(diǎn)，為提高訓(xùn)練速度、防止過擬合，在CNN和LSTM訓(xùn)練時(shí)引入批量歸一化(Batch Normalization,BN)算法。五種深度學(xué)習(xí)模型對(duì)先心病心音的分類對(duì)比結(jié)果如表3所示。

表3 分類結(jié)果對(duì)比

由表3可知，對(duì)比Inception v4對(duì)心音的分類效果與同樣混合特征參數(shù)訓(xùn)練的其它深度學(xué)習(xí)模型，證明Inception v4在心音分類上更具優(yōu)越性。并且由靈敏度與特異度可以看出，混合特征HMGFCC應(yīng)用于該模型的漏診率與誤診率較其它算法更低。

提出的混合特征避免了單一特征無法較好表征信號(hào)特征的缺點(diǎn)，并且改進(jìn)加窗方式，能提取到更有效的心音信號(hào)特征，與其它分類器相比提高了先心病心音分類的準(zhǔn)確率，取得了靈敏度Se、特異度Sp和分類準(zhǔn)確率acc依次為93.75%、88.75%、91.25%的結(jié)果。

4 結(jié)束語

為獲取更典型更全面的心音特征，提高心音分類準(zhǔn)確率，提出了一種基于MFCC與GFCC混合特征的先心病心音信號(hào)分類算法。首先，對(duì)心音信號(hào)進(jìn)行預(yù)處理，使用基于db6小波基的雙參數(shù)可調(diào)閾值函數(shù)對(duì)心音信號(hào)進(jìn)行去噪，隨后采用基于邏輯回歸的HSMM心音分割算法對(duì)心音進(jìn)行準(zhǔn)確分割并提取出心音信號(hào)的單個(gè)心動(dòng)周期；然后利用改進(jìn)的特征提取方法提取各個(gè)心動(dòng)周期的HMFCC與HGFCC特征，進(jìn)行PCA降維后組成混合特征HMGFCC；最后，利用Inception v4對(duì)正常心音和先心病心音進(jìn)行分類。該算法在160例測試集中取得較好的分類效果，并在同一樣本下對(duì)單一特征、混合特征分別進(jìn)行了對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)證明，混合特征更具心音信號(hào)的特征表達(dá)能力，結(jié)合深度學(xué)習(xí)模型Inception v4取得較好的分類效果，有望用于對(duì)先心病的機(jī)器輔助診斷。