|R n (t )| 趋于零时停止， 此时原始信号 x(t ) 可表示为： x (t ) =
n-1
Ci (t ) + R n (t ) å i=1
（4）
2 基 于 IMF 复 杂 度 特 征 和 BT-SVM 的 心 音 识 别方法
本文先对心音信号进行 EMD 分解， 得到若干 IMF 分量， 并利用互相关系数准则对其筛选， 计算所筛选 IMF 分量的 非线性复杂度值， 并组成特征向量输入至 BT-SVM 进行心 音的分类识别， 如图 1 所示。
郭兴明， 黄林洲： IMF 复杂度特征在心音信号分类识别中的应用 特征向量的有效提取， 然后利用 BT-SVM 实现病理心音识 别。最后以临床采集的数据为例， 验证了该方法的有效性。
2013， 49 （21）
213
可作为信号系统的状态的特征参数。 描述出序列的变化特性，
1.3
支持向量机
SVM 源于 Vapnik 提出用于解决模式识别问题的机器
原始心 音信号 小波阈值消 噪等预处理 对去噪的心音信 号进行 EMD 分解 相对 LZ 复 杂度计算 计算各阶 IMF 与消噪 信号的互相关系数 筛选有用 IMF 分量
式中 C i (t ) 为第 i 个 IMF 分量，R n (t ) 为残余分量。
1.2
复杂度算法
LZ 复杂度是 Lemple 和 Ziv 提出的一种度量非线性序
列复杂程度的方法， 非常适用于时间序列的非线性复杂度 特征提取。为提高算法实效性， 先对信号进行二值化， 设 某序列 P = S1 S 2 S n ， 定义 P 序列的子序列 S、 Q 和 S、 Q 的合并序列 SQ。 SQ_ min us 是将 SQ 的合并序列的最后一 个元素删除后剩余的序列。其算法如下：
1 基本原理与算法 1.1 EMD 算法
EMD 是量应满足条件的基础上， 提出的一种能将非平稳的信号 分解成若干平稳 IMF 分量的信号处理方法。其算法如下： 步骤 1 确定原始信号 x(t ) 的局部极值点， 通过三次样 得到 条函数拟合出上包络线和下包络线 u max (t ) 和 u min (t ) ， 其局部均值 s(t ) 。 s(t ) = 1 [u max (t ) + u min (t )] （1） 2 如 h(t ) 不满足 IMF 的 步骤 2 计算差值 h(t ) = x(t ) - s(t ) ， 重复步骤 1， 直到 h k (t ) 满足 条件， 即 h(t ) 为新的原始信号， IMF 的条件为止。
h1k (t ) = h1(k - 1) (t ) - m1k (t )
在拉 学习方法， 基本思想 [10]是根据结构风险的最小化原则， 格朗日乘子和最优化条件 （Karush-Kuhn-Tucker， KKT） 下， 先使用内积函数定义的非线性变换将输入空间变换到一 个高维空间， 然后在这个空间中构建独立的最优超平面。 其分类函数为：
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， 共振特征描述 [8]和脑电特 广泛地用于肌电信号模式识别 [7]、 故有利 征分析 [9] 等领域。复杂度对系统的状态变化敏感， 于特征的提取。 本文采用 EMD 方法将非平稳心音信号分解成若干平 稳的 IMF 分量， 并利用互相关系数准则去除噪声和虚假分 量， 计算所筛选 IMF 分量的非线性复杂度值， 实现心音信号
212
2013， 49 （21）
Computer Engineering and Applications 计算机工程与应用
IMF 复杂度特征在心音信号分类识别中的应用
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 GUO Xingming, HUANG Linzhou. Study on classification and recognition of heart sound using IMF complexity feature. Computer Engineering and Applications, 2013, 49 （21） ： 212-215. Abstract： To improve the precision of extracting feature and efficiency of classification and recognition from the non-stationary and non-linear heart sounds, a new method based on complexity feature of Intrinsic Mode Function （IMF）and Binary Tree Support Vector Machine （BT-SVM）is proposed. Original heart sound is decomposed into a finite number of stationary IMFs with EMD; the complexity of IMF component is calculated using mutual correlation coefficient between several criteria which can be quantitatively evaluated as the feature of heart sound; the eigenvectors are input into BT-SVM classifier for recognition. Experimental results show that the method not only can effectively extract heart sound feature, but also has shorter training time and high recognition rate compared with traditional recognition network. Key words： Empirical Mode Decomposition （EMD） ; heart sound; complexity; Support Vector Machine （SVM） 摘 要： 为提高非线性、 非平稳心音信号特征提取的准确性和分类识别的高效性， 提出一种基于固有模态函数 （Intrinsic
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 常用心音信号分析 [2-3] 和特征提取 性、 非平稳特性 [1]。目前， 频域、 时频域联合分析， 具体表现为： 方法 [4-5] 主要从时域、 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]。
基金项目： 国家自然科学基金 （No.30770551） ； 重庆市新型医疗器械重大科技专项 （CSTC.2008AC5103） 。 作者简介： 郭兴明 （1964—） ， 男， 教授， 主要研究领域为医学信号检测与处理； 黄林洲 （1985—） ， 男， 在读研究生， 主要研究领域为医学信号 检测与处理。 E-mail： guoxm@ 收稿日期： 2012-02-08 修回日期： 2012-07-10 文章编号： 1002-8331 （2013） 21-0212-04
Q = S2 ， 步骤 1 初始化， 设 定 复 杂 度 c(n) = 1 ，S = S1 ， SQ = S1 S 2 ，R = S1 。
二叉树 SVM 分类识别
心音信号的 特征值提取
图1
EMD 复杂度结合 SVM 的心音识别示意图
具体步骤如下： （1） 由于心音临床采集过程中不可避免地引入噪声， 为 有效提取心音特征， 首先使用小波阈值法去除噪声， 以减 少 EMD 分解次数， 从而减少由于多次分解带来的端点效应 累积误差。 （2） 对经过消噪的心音信号进行 EMD 分解， 得到若干 IMF 和余项。通过对 IMF 分量的特征提取就可以得到原信 号的特征。 （3） 不同的心音信号 EMD 分解后会得到不同个数的 IMF， 由于噪声和虚假分量的存在， 故需对其进行筛选。根 据概率统计中互相关系数概念， 各 IMF 分量与原心音信号 的相关性较大， 而噪声分量和虚假分量与原心音信号的相
én ù y = f ( x) = sign{w × x + b} = sign êå a i y i K ( x i × x) + bú （5） ëi = 1 û 其中， sign 为符号函数， w 为分类超平面法向量，K ( x x i ) 为