尹智龙

(九江职业大学机电工程学院 江西九江 332000)

高斯混合模型(gaussian mixture model,GMM)就是用高斯概率密度函数将对象分解，形成正太分布曲线的模型。建模方式多种，但GMM建模是最成功的建模方法之一，其背景干净清晰，用于建模心音信号系统，具有较高的识别率。

文章选取50例正常心音，对其建立一个GMM模型库，将需要识别的心音信号与建立的模型库进行匹配，识别被测心音是否属于正常心音。

1心音信号的高斯建模识别思路

近年来，对于生物识别系统，越来越多用到了高斯建模。对于心音信号的识别系统研究，建立GMM模型库，最重要的一个环节就是正确提取MFCC特征参数。将样本心音信号的特征参数进行一系列的计算，最后建立GMM模型库，同时将需要进行识别的心音信号的特征参数也提取出来，对GMM模型库进行训练和匹配。判断是否匹配的标准时计算其后验概率p，当p>0.95 时[1]，表示与此模型库中样本信号接近，诊断被测心音正常。识别思路如图1所示。

图1 心音识别思路图

2 GMM模型库的建立

建立GMM模型的主要思路就是将提取的心音信号MFCC频率倒谱系数用概率函数表达出来，把所有的概率函数进行加权，得到这例心音信号的GMM概率密度函数[2]，表达式如下所示：

bi(x)=

(1)

(2)

λ={ωi,μi,Σi}i=1,2…,M

(3)

相同的方法，确定50例正常心音信号的参数λ，从而建立起一个50例正常心音信号的模型库。

3 EM算法

(4)

3.1参数的初始化

心音模型的初始参数有M和λ，确定参数的初始值对整个心音信号的训练和识别起着至关重要的作用。阶数M选取过大，概率函数的参数多，增加了计算量和识别时间；阶……