1.一种心音信号分类识别方法,其特征在于,包括以下步骤:(1)对心音信号x(i)进行预处理;
(2)对经过预处理后的心音信号进行离散小波分解,获取归一化平均香浓能量包络;
(3)获取归一化平均香浓能量包络的自相关函数;
(4)取小波系数包络的前M个值构成小波系数包络的自相关特征,并将其融合成一个特征向量;
(5)利用局部线性嵌入算法分别对细节自相关特征和近似自相关特征进行非线性特征降维,并将降维后的细节特征和近似特征进行融合得到融合特征;
(6)将融合特征作为支持向量机的输入进行分类识别。
2.根据权利要求1所述的心音信号分类识别方法,其特征在于,所述步骤(1)包括以下步骤:(11)将心音信号x(i)的采样频率降低至2000HZ;
(12)利用相位为零,频带为0-900HZ的巴特沃斯低通滤波器进行降噪处理;
(13)对降噪后的心音信号x(i)进行归一化处理:
3.根据权利要求1所述的心音信号分类识别方法,其特征在于,所述步骤(2)包括以下步骤:(21)对预处理后的心音信号进行离散小波分解,得到不同频带的细节小波系数和近似小波系数;
(22)通过以下公式获得归一化平均香浓能量包络:其中Nh为滑动窗的窗长, 为第n个窗长对应的近似系数或细节系数。
4.根据权利要求1所述的心音信号分类识别方法,其特征在于,步骤(3)所述的自相关函数为:其中,p(n+m)为p(n)的时移信号,m=0,1,...,M。
5.根据权利要求1所述的心音信号分类识别方法,其特征在于,步骤(4)所述的M比一个心音信号周期所包含的数据点的长度大。
6.根据权利要求1所述的心音信号分类识别方法,其特征在于,所述步骤(5)包括以下步骤:(51)采用KNN算法方法分别计算样本集Ra={ra(1),...,ra(N)}和Rb={rb(1),...,rb(N)}中每个样本点的k个近邻点;
(52)计算该样本点的重构权值矩阵W:设最小化目标函数为:
其约束条件为:若ri不是rj的近邻,那么W=0;令权值矩阵的每一行的和都为1,即∑jWij=1;
(53)通过每个样本点k个近邻点和每个样本点的重构权值矩阵得到低维嵌入Li:其中 若i=j, 否则为 令∑kLi=0,并对Li进行中心化处理,去除平移不变的影响,增加统一方差的约束 那么对于稀疏矩阵M可以由下面的公式表示,即:M=(I-W)T(I-W)
样本集Ra={ra(1),...,ra(N)}∈RN×M,和Rb={rb(1),...,rb(N)}∈RN×M分别经过上述的LLE算法进行非线性降维后,得到R′a={r′a(1),...,r′a(N)}∈RN×DR′a={r′b(1),...,r′b(N)}∈RN×D融合后的特征为r′ad=[r′a,r′b]∈R2D。