使用Mel频率塞普斯特尔系数进行增强的心声分类,并对单个与集体分类器策略进行比较分析

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 检测异常的心脏声音对于诊断心脏病状况至关重要.
• 梅尔频率头系数 (MFCC) 是分析心脏声音的有效声学特征.
• 现有的心声分类方法需要优化以提高准确性.

研究的目的:

• 为了提高MFCC的性能,以检测异常的心脏声音.
• 为了将单个分类器策略与集体分类器策略进行比较,用于心声分类.
• 为了评估MFCC与其他声学特征的有效性.

主要方法:

• 预先处理心脏声音并将其细分为S1,静脉缩,S2和静脉缩间隔.
• 从每个细分段提取13个MFCC,每节奏产生52个MFCC.
• 实施了两种分类策略:单一分类器 (MFCC的平均值) 和整体分类器 (对个别节奏分类的多数投票).

主要成果:

• 整体分类器的策略取得了更高的准确性:93.59% (SVM),91.84% (kNN) 和92.22% (DT).
• 单一分类器策略的准确率为91.95% (SVM),91.9% (kNN) 和87.33% (DT).
• 在类似的研究中,MFCC被证明比时间,时间频率和统计特征更有效.

结论:

• 与单个分类器方法相比,集体分类器策略显著提高了分类准确性.
• 在单一分类器策略中,在多个节拍中平均MFCC降低了关键的诊断线索.
• 多种心脏声谱,特别是当与合并策略分析时,提供了一种强大的方法来检测心脏异常声音.