20、基于多域特征和机器学习的心音信号分类方法

基于多域特征和机器学习的心音信号分类方法

1. 特征提取

特征提取是心音信号分类的基础，主要从频域、时频域等多个维度进行，以全面捕捉心音信号的特征信息。
- 频域特征
- 首先，使用离散傅里叶变换（DFT）将心音信号从时域转换到频域，公式如下：
[X(R) = \sum_{n = 0}^{N - 1} x(n) \cdot e^{-j2\pi Rn/N}, R \in Z]
- 其中，(X(R)) 表示信号 (x(n)) 在频率 (R) 处的 DFT 系数。
- 然后，将频谱划分为四个频段：
- 频段 - 1：10 - 110 Hz
- 频段 - 2：110 - 210 Hz
- 频段 - 3：210 - 270 Hz
- 频段 - 4：270 - 500 Hz
- 从每个频段中提取曲线下面积、主导频率和功率谱的峰度这三个特征，共得到 12 个频域特征。

• 时频域特征
  • 采用 Tunable Q - factor Wavelet Transform（TQWT）方法对预处理后的信号进行分解，参数设置为 (\alpha = 0.875)，(\beta = 1)，分解层数 (J = 18)，得到时频域矩阵 (X)。
  • 从每个详细级别系数向量（不包括近似级别）中提取以下特征：
    • 能量特征 ：计算每个详细级别在收缩期和舒张期的能量，公式分别为：
      [E_{sys}(level) = \f