袁倩影, 全海燕

(昆明理工大学 信息工程与自动化学院, 昆明 650504)

心音是由于心脏活动而产生的一种振动信号, 心音信号的识别有利于对心血管类疾病的诊断. 目前, 对心音信号进行特征提取的方法已有很多[1], 如Fourier变换、 小波分析、 Hilbert变换等方法. Fourier变换和小波分析均易导致相位信息的丢失, 影响后续分类器的设计[2]； Hilbert变换可处理非静态、 非线性的特性, 适合应用于突变信号[3]. 心音信号分类器主要采取支持向量机、K近邻、 神经网络等算法进行构建[4]. 支持向量机可通过多分类器的构建处理有关多分类的问题, 但训练时耗较长, 核函数的选取较复杂； 基于遗传(GA)算法等改进BP神经网络的学习算法可作为心音分类器, 但都是以增加算法控制参数和迭代次数为代价提高心音识别率. 基于此, 本文提出一种基于单形进化优化BP神经网络学习算法的心音识别方法, 对比实验结果表明, 该方法提高了心音分析的识别率, 可为心血管类疾病的诊断提供技术支持.

1 基于FastPCA的心音信号特征提取

主成分分析(PCA)是通过线性变换将源数据变换为一组各维度线性无关数据的统计分析方法. 计算主成分的目的是将高维数据投影到低维空间, 通常用于对高维数据空间的降维. 传统PCA步骤如下：

1) 对样本x去均值化得到向量Z；

2) 对向量Z求协方差系数Sl=ZTZ∈d×d, 其中d为样本x的维数；

3) 求解协方差Sl的特征值D和特征向量V, 特征值D即为样本x的主成分；

4) 将D按数值大小排列, 计算累计贡献率；

5) 根据累……