雙聲道心音能量熵比的提取與識(shí)別研究

孫科學(xué)，魏 敏，宋江珉，李子炎，成雨含

(1.南京郵電大學(xué) 電子科學(xué)與工程學(xué)院，江蘇 南京 210023;2.江蘇省射頻集成與微組裝工程實(shí)驗(yàn)室，江蘇 南京 210023;3.南京郵電大學(xué) 信息化建設(shè)與管理辦公室,江蘇 南京 210023)

雙聲道心音能量熵比的提取與識(shí)別研究

孫科學(xué)1,2，魏 敏1，宋江珉1，李子炎1，成雨含3

(1.南京郵電大學(xué) 電子科學(xué)與工程學(xué)院，江蘇 南京 210023;2.江蘇省射頻集成與微組裝工程實(shí)驗(yàn)室，江蘇 南京 210023;3.南京郵電大學(xué) 信息化建設(shè)與管理辦公室,江蘇 南京 210023)

研究了雙聲道心音的能量熵比提取與分類識(shí)別的基本原理和實(shí)現(xiàn)方法。分析了心音信號(hào)特性及提取雙聲道心音特征值的可行性和必要性。為了減少特征值的計(jì)算量，又能使特征值體現(xiàn)出時(shí)域和頻域的不同特點(diǎn)，提出了雙聲道心音能量熵比的概念并詳細(xì)地闡述了其計(jì)算過(guò)程。分別取單聲道心音時(shí)域能量熵比和頻域能量熵比，雙聲道心音的能量熵比為兩個(gè)單聲道心音能量熵比的均值。將雙聲道的能量熵比作為特征值識(shí)別雙聲道心音。然后通過(guò)相似距離法針對(duì)雙聲道心音能量熵比進(jìn)行雙聲道心音的分類識(shí)別。實(shí)驗(yàn)結(jié)果表明，雙聲道心音能量熵比能全面地反映雙聲道心音的時(shí)頻域特點(diǎn)，不僅有利于心音的分類識(shí)別，而且降低了特征值的維度，使得計(jì)算量減小，提高了識(shí)別效率和實(shí)用性。

雙聲道心音；能量熵比；相似距離；分類識(shí)別

0 引 言

生物特征識(shí)別技術(shù)是利用計(jì)算機(jī)技術(shù)對(duì)人的生理特征或行為特征進(jìn)行檢測(cè)并鑒定身份的技術(shù)。選擇合適的生物特征對(duì)身份鑒定的結(jié)果有至關(guān)重要的作用。從廣義上講，生物特征可以分為與生俱來(lái)的生理特征和后天的行為特征[1]。心音和已有的語(yǔ)音、指紋、視網(wǎng)膜等常見的生物特征一樣，有不易被遺忘、竊取和破解的特點(diǎn)，具有較高的保密性和安全性，近年來(lái)國(guó)際上也開始采用心音作為一種生物特征來(lái)進(jìn)行身份識(shí)別。

心音信號(hào)是人體最重要的生理特征之一，它是由心動(dòng)周期中心肌收縮舒張、瓣膜啟閉以及血液沖擊心室壁和大動(dòng)脈等引起的機(jī)械振動(dòng)而產(chǎn)生的[2-4]。從物理上看，它反映了心臟和心血管系統(tǒng)機(jī)械運(yùn)動(dòng)的狀況，包含心臟各部分如心房、心室、大血管、心血管及各個(gè)瓣膜功能狀態(tài)的大量的生理信息。這些信息時(shí)刻都在變化，對(duì)于個(gè)體來(lái)說(shuō)都是獨(dú)一無(wú)二、各不相同的。由此可見，心音信號(hào)具有普遍、獨(dú)立、唯一的特點(diǎn)。心音在時(shí)頻域具備穩(wěn)定性和可采集性，這使得它能夠作為生物特征被識(shí)別和研究。這不僅為身份識(shí)別提供了新思路，也推動(dòng)了臨床醫(yī)學(xué)中心音聽診的發(fā)展。

目前已有不少國(guó)內(nèi)外學(xué)者針對(duì)心音信號(hào)的采集、預(yù)處理、特征提取方法以及身份識(shí)別方法進(jìn)行了研究。John C.Wood等對(duì)第一心音的時(shí)域和頻域的動(dòng)態(tài)特性進(jìn)行了深入研究[5]；成謝鋒等不僅采用獨(dú)立子波函數(shù)算法提取心音特征，對(duì)基于數(shù)據(jù)融合的三段式心音身份識(shí)別技術(shù)等也進(jìn)行了研究[6-7]，還將心音分析識(shí)別系統(tǒng)與LabVIEW平臺(tái)和Android平臺(tái)相結(jié)合，大大提高了心音在實(shí)際生活中的應(yīng)用范圍[8-9]。

但大多數(shù)研究是針對(duì)單聲道心音的特征提取進(jìn)行，只能對(duì)采集的一路心音信號(hào)進(jìn)行分析處理，不能全面及時(shí)地反映心臟在同一時(shí)刻不同部位的情況，有一定局限性。而雙聲道[10]心音可同時(shí)在心臟的不同部位采集兩路心音信號(hào)，使得采集到的信息更加豐富、全面、完整。所使用的雙聲道心音是通過(guò)兩個(gè)心音傳感器同時(shí)采集兩路心音作為左右聲道得到的。通過(guò)對(duì)兩路心音同時(shí)提取時(shí)頻能量熵比，并將兩路心音各自的特征值融合后采用相似距離法進(jìn)行識(shí)別，能提高識(shí)別的準(zhǔn)確性和可靠性，對(duì)心音身份識(shí)別具有積極意義。

針對(duì)雙聲道心音的特征提取問(wèn)題，引入雙聲道心音能量熵為特征值，提出了雙聲道心音的分類識(shí)別算法，并通過(guò)實(shí)驗(yàn)對(duì)該算法進(jìn)行驗(yàn)證。

1 雙聲道心音特征提取的方法

心音的特征參數(shù)可以有效地體現(xiàn)不同個(gè)體心音的特點(diǎn)，因此合適的特征參數(shù)在心音特征提取和分類識(shí)別研究中具有非常重要的作用。選擇適當(dāng)?shù)奶卣鲄?shù)可以提高心音的識(shí)別率。特征參數(shù)選取應(yīng)遵循以下原則：不同個(gè)體之間的心音距離要盡可能大，同時(shí)同一個(gè)人的心音之間的距離應(yīng)盡可能?。灰诒ＷC提高識(shí)別率的情況下，盡可能減少特征參數(shù)的維數(shù)，從而減少特征參數(shù)的計(jì)算量，這樣不僅便于實(shí)現(xiàn)、方便存儲(chǔ)數(shù)據(jù)，也提高了識(shí)別效率。

心音信號(hào)的特征一般分為時(shí)域特征參數(shù)和頻域特征參數(shù)。為了更好地反映出心音信號(hào)在時(shí)頻域的特征，以將時(shí)域和頻域中S1心音和S2心音相融合的雙聲道心音能量熵比作為特征值，對(duì)雙聲道心音進(jìn)行分類識(shí)別。

1.1 能量熵

熵具有非線性的特點(diǎn)，被廣泛應(yīng)用于概率論、生命科學(xué)等領(lǐng)域，近年來(lái)也被用于心電信號(hào)的研究中。Pincus[11]于1991年提出了近似熵(Approximate Entropy，ApEn)理論。近似熵具有運(yùn)算簡(jiǎn)單、抗噪聲等優(yōu)點(diǎn)[12]。已嘗試采用ApEn作為特征值進(jìn)行提取，但是，近似熵統(tǒng)計(jì)量很容易導(dǎo)致結(jié)果不一致。于是采用更為簡(jiǎn)單且能充分反映信號(hào)能量概率分布均勻程度的能量熵[13]表征心音在時(shí)域和頻域的能量分布情況。能量熵的熵值大小反映了信號(hào)能量概率分布的均勻程度，心音在時(shí)域和頻域的能量分布具有獨(dú)立性和隨機(jī)性，能量熵能體現(xiàn)出個(gè)體心音能量分布的微小差異。第一心音和第二心音的能量熵比為無(wú)量綱值，使得數(shù)據(jù)存儲(chǔ)和運(yùn)算更為簡(jiǎn)便。且相對(duì)于能量，熵值在某些情況下具有更好的魯棒性。

1.2 能量熵比提取過(guò)程

心音信號(hào)的時(shí)域波形包含著個(gè)體的生物特征，是身份識(shí)別的重要依據(jù)，存在客觀真實(shí)性。但如果直接將采集到的心音信號(hào)用于身份識(shí)別或是采用智能處理方法自動(dòng)提取特征值，不僅計(jì)算量較大，也使得后期的信號(hào)更加復(fù)雜。由于心音信號(hào)具有周期性且為時(shí)變信號(hào)，第一、二心音信號(hào)S1和S2的開始與終止特征明顯且在S1和S2期間不會(huì)產(chǎn)生突變，而第三、四心音S3和S4的信號(hào)較弱。如果以一個(gè)固定的且較短的時(shí)間窗觀察心音信號(hào)，則可以得到一系列近似穩(wěn)定的信號(hào)，即心音信號(hào)變成時(shí)準(zhǔn)穩(wěn)定的，所以可用心音信號(hào)子波族去合成模擬一組心音。根據(jù)心音的特性，采用一種心音信號(hào)模型[14]來(lái)簡(jiǎn)化心音信號(hào)。

設(shè)原始心音信號(hào)為{x(1),x(2),…,x(N)}，按照以下步驟計(jì)算時(shí)域和頻域能量熵。

一個(gè)周期的心音信號(hào)由第一、第二心音S1、S2和第三、第四心音S3、S4以及心音雜音S5組成，因此一個(gè)周期的心音信號(hào)可近似表示為：

c4is4(n)+c5is5(n))

(1)

根據(jù)心音的物理特性，心臟收縮產(chǎn)生的第一心音S1和心臟舒張產(chǎn)生的第二心音S2都能通過(guò)胸腔傳到體表。實(shí)驗(yàn)結(jié)果表明，S1和S2的能量會(huì)隨著心臟收縮和舒張的強(qiáng)度的變化而發(fā)生變化，但二者能量的比值基本保持恒定，這個(gè)比值可以作為生物特征進(jìn)行識(shí)別。因此采用S1心音和S2心音的能量比作為信號(hào)的參數(shù)特征。第i個(gè)周期中的時(shí)域第一和第二心音的幅值比即FSR，體現(xiàn)了第一心音和第二心音在時(shí)域的能量分布，則時(shí)域能量熵比可描述為：

(2)

S1與S2心音的能量比是一個(gè)無(wú)量綱值，對(duì)于每個(gè)人來(lái)說(shuō)，其值可看成近似不變的。若心音數(shù)據(jù)庫(kù)較小，用FSR作為心音特征是簡(jiǎn)單可行的，但較小的心音數(shù)據(jù)庫(kù)不滿足廣泛應(yīng)用的要求；而當(dāng)心音數(shù)據(jù)庫(kù)較大時(shí)，會(huì)出現(xiàn)多個(gè)個(gè)體FSR值近似或相同的情況，降低了識(shí)別率。

(3)

考慮到提取和識(shí)別特征值的運(yùn)算速度，決定采用較為簡(jiǎn)單快捷的融合算法。由于心音時(shí)域和頻域中的特點(diǎn)對(duì)識(shí)別分類的影響同樣重要，且時(shí)域和頻域的能量熵比都為無(wú)量綱值，因此采用加權(quán)平均融合的方法將時(shí)頻域中的能量熵比進(jìn)行融合，融合后的單聲道心音能量熵比可表示為：

(4)

圖1 雙聲道心音能量熵比的提取過(guò)程

2 心音分類識(shí)別

2.1 分類識(shí)別方法

身份識(shí)別是在已經(jīng)建立的生物特征數(shù)據(jù)庫(kù)中找到與待識(shí)別用戶相匹配的用戶，以確定待識(shí)別用戶的身份。因此心音身份識(shí)別過(guò)程也應(yīng)分為兩步：一是通過(guò)心音傳感器采集用戶的心音信號(hào)數(shù)據(jù)，并對(duì)原始心音信號(hào)進(jìn)行預(yù)處理，然后提取特征值，將特征值和用戶信息存儲(chǔ)在模板數(shù)據(jù)中，并建立雙聲道心音數(shù)據(jù)庫(kù)；二是在心音識(shí)別階段，采集待識(shí)別用戶的心音并對(duì)心音進(jìn)行處理，將心音特征值與數(shù)據(jù)庫(kù)中的模板一一比對(duì)，以確認(rèn)待識(shí)別用戶的身份。因此心音識(shí)別過(guò)程簡(jiǎn)單來(lái)講就是一個(gè)模板匹配的過(guò)程，就是讓計(jì)算機(jī)通過(guò)信號(hào)分析處理判別被識(shí)別用戶的身份，在建立較大心音數(shù)據(jù)庫(kù)的前提下，使用機(jī)器識(shí)別身份或心音聽診較人工而言更加快速準(zhǔn)確。在心音識(shí)別領(lǐng)域，不同的特征提取方法對(duì)應(yīng)著不同的識(shí)別方法。比如基于距離的識(shí)別方法和基于神經(jīng)網(wǎng)絡(luò)的識(shí)別方法。雖然具體實(shí)現(xiàn)時(shí)存在差異，但基本的技術(shù)是類似的。

根據(jù)心音分類識(shí)別的基本方法，需要將待識(shí)別人的心音特征與心音數(shù)據(jù)庫(kù)中的特征模板進(jìn)行匹配，再根據(jù)相關(guān)判別法則，判斷待識(shí)別的心音屬于心音數(shù)據(jù)庫(kù)中的哪個(gè)用戶，以便確認(rèn)其身份。模式識(shí)別方法大致有如下幾種：歐氏距離法、高斯混合模型(GMM)和矢量量化(VQ)法、相似距離法和神經(jīng)網(wǎng)絡(luò)識(shí)別法等。采用相似距離法[15]來(lái)度量?jī)蓚€(gè)信號(hào)譜之間的距離。

設(shè)標(biāo)準(zhǔn)組的心音信號(hào)為ci(t)，待識(shí)別信號(hào)為sj(t)，則相似距離定義為：

(5)

通過(guò)定義相似距離來(lái)辨別兩個(gè)心音信號(hào)。辨別方法如下：ci(t)與sj(t)之間的相似距離dk越小，則ci(t)與sj(t)越相似；當(dāng)dk=0時(shí)，ci(t)=sj(t)，表示待識(shí)別信號(hào)與標(biāo)準(zhǔn)信號(hào)相同。將待識(shí)別的心音信號(hào)與數(shù)據(jù)庫(kù)中的心音信號(hào)一一對(duì)應(yīng)進(jìn)行模式匹配，可找出它們的相似距離。

具體的雙聲道心音分類識(shí)別過(guò)程如下：首先采集20路單聲道心音(即10組雙聲道心音樣本)建立心音數(shù)據(jù)庫(kù)，然后根據(jù)心音信號(hào)的周期性，對(duì)各組雙聲道心音的兩路心音分別截取5個(gè)單周期樣本并計(jì)算出5個(gè)雙聲道心音能量熵比，取其平均值作為此類心音的中心。最終得到10個(gè)雙聲道心音樣本的類中心。測(cè)試時(shí)，要先計(jì)算出待識(shí)別的雙聲道心音信號(hào)的能量熵比，再求出數(shù)據(jù)庫(kù)中各個(gè)類中心特征值與待識(shí)別特征值之間的相似距離，最后將待識(shí)別雙聲道心音歸為對(duì)應(yīng)相似距離最小的那一類中。

2.2 系統(tǒng)性能評(píng)價(jià)

完成心音的分類識(shí)別后，需要對(duì)識(shí)別方法進(jìn)行評(píng)價(jià)。心音身份識(shí)別有這兩種形式的評(píng)價(jià)指標(biāo)：身份確認(rèn)和身份辨識(shí)。在一對(duì)多的情況下，即從心音數(shù)據(jù)庫(kù)中的眾多用戶中確認(rèn)待識(shí)別用戶的對(duì)應(yīng)身份，采用識(shí)別率來(lái)表示以雙聲道心音能量熵比作為特征值進(jìn)行識(shí)別的準(zhǔn)確程度。

正確識(shí)別率(Correct Recognition Rate，CRR)[13]可用來(lái)評(píng)價(jià)系統(tǒng)性能優(yōu)劣，如式(6)所示：

(6)

其中，Cn為被正確識(shí)別的樣本數(shù)量；Tn為測(cè)試樣本總數(shù)量。

在實(shí)驗(yàn)測(cè)試中，已知每組待識(shí)別用戶的身份，同時(shí)也記錄模板匹配的結(jié)果，檢測(cè)心音身份識(shí)別的結(jié)果是否可靠，并對(duì)所有測(cè)試結(jié)果的正確性做出統(tǒng)計(jì)。

3 識(shí)別實(shí)驗(yàn)

采用的心音數(shù)據(jù)庫(kù)來(lái)源于實(shí)測(cè)的10個(gè)正常人的20路心音信號(hào)，其中每個(gè)人采集兩路心音信號(hào)，采樣頻率為8 kHz。心音信號(hào)的采集過(guò)程易受到外界因素的影響，引入了各種噪聲，因此在提取特征值之前需要進(jìn)行預(yù)處理，主要包括歸一化和低通濾波去噪[16]?？紤]到心音的頻率特點(diǎn)，心音信號(hào)的頻率約為10～1 000 Hz，主要集中在300～500 Hz之間。其中第一心音S1主要集中在中低頻范圍，且具有持續(xù)時(shí)間長(zhǎng)、音調(diào)低等特點(diǎn)，其波峰的低頻范圍為10～50 Hz，中頻范圍為50～140 Hz；而第二心音S2在低中高頻范圍內(nèi)都有分布，持續(xù)時(shí)間短，頻率高，其波峰的低頻范圍為10～80 Hz，中頻范圍為80～200 Hz，高頻范圍為220～400 Hz。這里主要對(duì)中低頻范圍的心音進(jìn)行預(yù)處理，因此將低通濾波的截止頻率設(shè)定為150 Hz。

特征值提取過(guò)程僅以雙聲道中的一路心音為例，其他路心音信號(hào)的特征值提取過(guò)程依此類推。由圖2可看出，第一心音和第二心音幅度的最大值，通過(guò)Matlab讀取最大值即可計(jì)算出第一心音和第二心音的幅值比即時(shí)域能量熵比。然后使用傅里葉變換，將上述經(jīng)過(guò)預(yù)處理后的第一心音和第二心音分別變換到頻域中，其頻譜如圖2(a)、(b)所示。再通過(guò)Matlab得到幅頻圖上S1和S2幅度的最大值，即可計(jì)算出頻域能量熵比和時(shí)頻能量熵比。來(lái)源于同一人的另一路心音也采用同樣的方式計(jì)算出時(shí)頻能量熵比，最后將兩路心音的時(shí)頻能量熵比進(jìn)行融合，得到最終的雙聲道心音特征值。

圖2 第一心音和第二心音的幅頻特性圖

待識(shí)別心音也按上述方法提取特征值后，將待識(shí)別特征值與數(shù)據(jù)庫(kù)中的特征值進(jìn)行匹配，計(jì)算待識(shí)別心音特征值與數(shù)據(jù)庫(kù)中每個(gè)類中心之間的相似距離。測(cè)試時(shí)，共進(jìn)行了20次識(shí)別實(shí)驗(yàn)，實(shí)驗(yàn)數(shù)據(jù)如表1所示。表1中只選取前5個(gè)樣本。實(shí)驗(yàn)結(jié)果表明，在20次實(shí)驗(yàn)中，使用雙聲道心音能量熵比作為特征值進(jìn)行識(shí)別，其中有17次能將待識(shí)別雙聲道心音成功匹配給原本被采集心音的用戶，CRR可達(dá)85%，基本達(dá)到了可實(shí)際應(yīng)用的階段。由此可以看出，該方法在保證識(shí)別率的情況下，減小了數(shù)據(jù)計(jì)算量和復(fù)雜度，提高了識(shí)別速度。

表1 實(shí)驗(yàn)數(shù)據(jù)

4 結(jié)束語(yǔ)

提出了一種針對(duì)雙聲道心音的特征提取和分類識(shí)別方法。通過(guò)分析心音信號(hào)在時(shí)頻域的不同特點(diǎn)，提出使用雙聲道心音能量熵比作為雙聲道心音的特征值，并具體闡述了雙聲道心音能量熵比的概念和計(jì)算方法。雙聲道心音能量熵比不僅能體現(xiàn)出心音的時(shí)頻域特性，有利于心音分類識(shí)別，而且降低了特征值的維度，減小了計(jì)算量，提高了識(shí)別效率和實(shí)用性。另外，通過(guò)相似距離法對(duì)心音進(jìn)行分類識(shí)別，使得計(jì)算代價(jià)減小，在保證識(shí)別率的前提下，大大提高了識(shí)別速度。實(shí)驗(yàn)結(jié)果表明，使用雙聲道心音能量熵比作為雙聲道心音特征值具有較高的可靠性和可操作性，為心音身份識(shí)別的實(shí)際應(yīng)用和心音信號(hào)的識(shí)別研究開辟了新途徑。

[1] 孫冬梅，裘正定.生物特征識(shí)別技術(shù)綜述[J].電子學(xué)報(bào)，2001，29(12A)：1744-1748.

[2] Monali U M,Aparana R S.Review on heart sound analysis technique[C]//Proceedings of international conference on internet computing and information communications.India:[s.n.],2014:93-101.

[3] Chen D,Durand L G,Lee H C.Time-frequency analysis of the first heart sound.Part1:simulation and analysis[J].Medical and Biological Engineering and Computing,1997,35(4):306-310.

[4] Wood J C,Barry D T.Time-frequency analysis of the first heart sound[J].IEEE Engineering in Medicine & Biology,1995,14(2):144-151.

[5] Wood J C,Buda A J,Barry D T.Time-frequency transforms:a new approach to first heart sound frequency dynamics[J].IEEE Transactions on Biomedical Engineering,1992,39(7)：730-740.

[6] 馬 勇,成謝鋒.獨(dú)立函數(shù)元:模型、方法和應(yīng)用[J].物理學(xué)報(bào)，2014,63(6):357-363.

[7] 成謝鋒,馬 勇,張少白,等.基于數(shù)據(jù)融合的三段式心音身份識(shí)別技術(shù)[J].儀器儀表學(xué)報(bào)，2010,31(8)：1712-1719.

[8] 張會(huì)香,成謝鋒.LabVIEW平臺(tái)上的心音分析虛擬儀器設(shè)計(jì)[J].計(jì)算機(jī)技術(shù)與發(fā)展，2010，20(11)：217-220.

[9] 成謝鋒,劉 偉.基于Android平臺(tái)的心音識(shí)別系統(tǒng)的研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2015，25(2)：152-155.

[10] 李俊梅,俞 锫.雙聲道立體聲拾音技術(shù)研究[J].北京廣播學(xué)院學(xué)報(bào):自然版，2001(2)：34-40.

[11] Pincus S M．Approximate entropy as a measure of system complexity[J].Proceedings of the National Academy of Sciences of the United States of America，1991，88(6):2297-2301.

[12] 趙海龍，穆志純.基于小波變換和LDA/FKT及SVM的人耳識(shí)別[J].儀器儀表學(xué)報(bào)，2009，30(11):2273-2278．

[13] 張小薊，張 歆，孫進(jìn)才.基于IMF能量熵的目標(biāo)特征提取與分類方法[J].計(jì)算機(jī)工程與應(yīng)用，2008,44(4)：68-69.

[14] 成謝鋒，馬 勇，劉 陳，等.心音身份識(shí)別技術(shù)的研究[J].中國(guó)科學(xué)：信息科學(xué)，2012,42(2)：237-251.

[15] 成謝鋒，傅女婷.心音身份識(shí)別綜述[J].上海交通大學(xué)學(xué)報(bào)，2014，48(12):1745-1750.

[16] 朱冰蓮，劉 倩.心音信號(hào)的自適應(yīng)小波去噪[J].計(jì)算機(jī)技術(shù)與發(fā)展，2006，16(10)：83-84.

ResearchonFeatureExtractionandIdentificationwithSpecificEntropyofDualTrackHeartSound

SUN Ke-xue1,2，WEI Min1，SONG Jiang-min1，LI Zi-yan1，CHENG Yu-han3

(1.School of Electronic Science and Engineering，Nanjing University of Posts and Telecommunications，Nanjing 210023,China；2.Jiangsu Province Engineering Lab of RF Integration & Micropackage,Nanjing 210023,China；3.Office of Informatization and Management，Nanjing University of Posts and Telecommunications,Nanjing 210023,China)

The fundamental principle and implementation method of extracting energy entropy ratio and classification recognition from the dual track heart sound are researched.The feasibility and necessity of characteristics of heart sound and extracting dual track heart sound features have been analyzed.In order to reduce the calculation of eigenvalue and show its characteristics in time and frequency domain,the concept of energy entropy ratio for dual track heart sound is presented and its computational process is discussed in detail.After calculating the energy entropy ratio of the mono heart sounds in time and frequency domain,the dual track heart sound energy entropy ratio is the average of them.Then the method of similarity distance is applied to classify and recognize the dual track heart sound.The experimental results show that the characteristics in time-frequency domain of dual track heart sound can be reflected comprehensively by the energy entropy ratio,which is not only beneficial to the recognition of heart sound,reducing the eigenvalue dimensions,but also make it possible to reduce amount of calculation and improve the recognition efficiency and practicality.

dual track heart sound;energy entropy ratio;similarity distance;classification recognition

TP311.1

A

1673-629X(2017)12-0166-04

10.3969/j.issn.1673-629X.2017.12.036

2016-03-03

2016-06-22 < class="emphasis_bold">網(wǎng)絡(luò)出版時(shí)間

時(shí)間：2017-08-01

國(guó)家級(jí)大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃(SZDG2016009)；江蘇省高校自然科學(xué)研究面上項(xiàng)目(15KJD510001)；南京郵電大學(xué)實(shí)驗(yàn)室工作研究重點(diǎn)課題(2016XSG02)

孫科學(xué)(1981-)，男，副教授，研究方向?yàn)殡娮与娐吩O(shè)計(jì)、智能信號(hào)處理嵌入式系統(tǒng)與通信軟件設(shè)計(jì)。

http://kns.cnki.net/kcms/detail/61.1450.TP.20170801.1550.028.html