[论文解读] Wavelet Based Normal and Abnormal Heart Sound Identification using Spectrogram Analysis

Nilanjan Dey, Achintya Das+1 more|arXiv (Cornell University)|Sep 6, 2012

Phonocardiography and Auscultation Techniques参考文献 6被引用 17

一句话总结

本文提出了一种基于小波的分类方法，通过光谱图分析对正常与异常心音进行分类。通过将离散小波变换（DWT）应用于光谱图并提取行均值特征，该方法利用最小欧氏距离进行分类，实现了82%的分类准确率，为心脏疾病远程诊断提供了一种有前景的工具。

ABSTRACT

The present work proposes a computer-aided normal and abnormal heart sound identification based on Discrete Wavelet Transform (DWT), it being useful for tele-diagnosis of heart diseases. Due to the presence of Cumulative Frequency components in the spectrogram, DWT is applied on the spectro-gram up to n level to extract the features from the individual approximation components. One dimensional feature vector is obtained by evaluating the Row Mean of the approximation components of these spectrograms. For this present approach, the set of spectrograms has been considered as the database, rather than raw sound samples. Minimum Euclidean distance is computed between feature vector of the test sample and the feature vectors of the stored samples to identify the heart sound. By applying this algorithm, almost 82% of accuracy was achieved.

研究动机与目标

• 开发一种基于光谱图分析的计算机辅助系统，用于识别正常与异常心音。
• 利用离散小波变换（DWT）从光谱图中提取特征，而非原始音频信号。
• 通过实现心音模式的精确自动分类，提升心脏疾病远程诊断的效率。
• 评估基于最小欧氏距离分类的光谱图特征向量方法的性能。
• 证明在光谱图上应用DWT进行可靠心音分类的可行性。

提出的方法

• 该方法以光谱图为原始数据源，而非原始音频信号。
• 将离散小波变换（DWT）应用于光谱图，最多分解至n级，以将其分解为近似与细节分量。
• 通过计算每个近似子带的行均值，从每个DWT层级的近似分量中提取一维特征向量。
• 利用最小欧氏距离准则，将测试样本的特征向量与存储的特征向量进行比较以实现分类。
• 分类决策基于特征空间中与存储的光谱图样本最接近的匹配结果。
• 该方法依赖于从心音录音中提取的光谱图数据库，而非原始音频波形。

实验结果

研究问题

• RQ1 基于DWT的光谱图分析能否提高正常与异常心音分类的准确性？
• RQ2 从DWT近似分量中提取的行均值特征在心音分类中的有效性如何？
• RQ3 当应用于光谱图衍生特征时，最小欧氏距离分类器能否实现可靠分类？
• RQ4 与原始音频信号相比，使用光谱图作为输入数据源是否能提升心音分析中的分类性能？
• RQ5 该基于小波与光谱图的特征提取方法可实现的分类准确率是多少？

主要发现

• 所提出的方法在使用最小欧氏距离分类器时，实现了约82%的分类准确率。
• 通过DWT近似分量的行均值进行特征提取，能有效捕捉光谱图中的判别性模式。
• 与原始音频相比，使用光谱图作为输入数据源在分类任务中表现有效。
• 基于DWT的光谱图分解能够在多个频带子带上实现稳健的特征提取。
• 由于计算效率高且准确率良好，该方法在实时心脏疾病远程诊断中展现出潜力。
• 结果表明，结合小波变换的光谱图分析是实现心音自动分类的可行方法。