IMF复杂度特征在心音信号分类识别中的应用
2013-08-30郭兴明黄林洲
郭兴明,黄林洲
GUO Xingming,HUANG Linzhou
重庆大学 生物工程学院,重庆市医疗电子技术工程研究中心,重庆 400030
College of Bioengineering,Chongqing Engineering Research Center for Medical Electronics Technology,Chongqing University,Chongqing 400030,China
心音识别一直是心音分析诊断领域难度较大的研究课题,旨在根据不同心音信号特征来判定所属疾病类型。Yoganathan通过快速傅里叶变换对心音进行分析发现,由于生理、病理或者自然环境的影响,心音信号常表现为非线性、非平稳特性[1]。目前,常用心音信号分析[2-3]和特征提取方法[4-5]主要从时域、频域、时频域联合分析,具体表现为:时域分析提取心音信号的包络;频域分析得到心音频率成分和功率谱信息;通过小波、小波包、希-黄变换等方法对信号进行时-频分析,获取时间和频率的联合函数来量化心音信号。总结比较上述方法,其本质上都存在线性稳态缺陷,心音分析过程不是自适应的,不能准确量化心音信号非线性、非平稳性本质特征。而Kumar等对心音各频段的混沌分析表明:心音的非线性特征分量比线性特征分量具有更好的特异性,有利于心音识别[6]。
经验模式分解(Empirical Mode Decomposition,EMD)是一种新的信号自适应分析方法,可根据信号的局部时变性将信号分解成多个平的固有模态函数(Intrinsic Mode Function,IMF),从而减少信号特征信息的干涉或耦合,利于深层次信息挖掘。故利用EMD对心音信号进行分解,再从IMF分量中提取特征信息(如瞬时频率、关联维数等)更能反映心音的本质。复杂度是反映时间序列随长度的增加出现新模式的速度,能够定量反映系统状态变换情况,广泛地用于肌电信号模式识别[7]、共振特征描述[8]和脑电特征分析[9]等领域。……
