【摘要】：針對用小波分解提取肺音特征后特征向量維數(shù)較高的問題,提出了一種結(jié)合線性判別分析和小波分解的肺音特征提取方法。在該方法中,首先對肺音信號進行小波分解,然后將小波分解得到的小波系數(shù)轉(zhuǎn)化成小波能量特征向量,接著使用線性判別分析法對該特征向量進行降維處理,得到新的低維特征向量,最后用SVM對低維特征進行識別。在實驗中,選取了三種肺音信號:正常肺音、爆裂音、哮鳴音,用所提出的方法將8維的小波能量特征降為2維特征,在2維特征上進行了分類識別,并和降維之前的結(jié)果進行了比較,實驗結(jié)果表明利用線性判別分析對小波能量特征降維后極大地提高了識別精度。同時,和其他幾種典型的肺音特征提取方法進行了比較,實驗結(jié)果表明結(jié)合線性判別分析與小波分解的特征提取方法得到了更高的識別精度。
[Abstract]:In order to solve the problem of higher dimension of feature vector after extraction of lung sounds by wavelet decomposition, a method of feature extraction of lung sounds based on linear discriminant analysis and wavelet decomposition is proposed. In this method, the lung sound signal is first decomposed by wavelet, then the wavelet coefficients obtained by wavelet decomposition are transformed into wavelet energy eigenvector, and then the dimension reduction of the eigenvector is processed by linear discriminant analysis (LDA). A new low dimensional feature vector is obtained. Finally, SVM is used to identify the low dimensional feature. In the experiment, three kinds of lung sound number are selected: normal lung sound, burst sound, wheezing sound, and the proposed method is used to reduce the 8-dimensional wavelet energy feature to 2-D feature, and to classify and recognize the 2-D feature. Compared with the results before dimension reduction, the experimental results show that the recognition accuracy is greatly improved by using linear discriminant analysis (LDA) to reduce the dimension of wavelet energy features. At the same time, compared with other typical methods, the experimental results show that the feature extraction method combined with linear discriminant analysis and wavelet decomposition has higher recognition accuracy.
【作者單位】： 河北工業(yè)大學(xué)計算機科學(xué)與軟件學(xué)院;河北省大數(shù)據(jù)計算重點實驗室;
【基金】：天津市應(yīng)用基礎(chǔ)與前沿技術(shù)研究計劃重點項目(No.14JCZDJC31600) 河北省自然科學(xué)基金專項(No.F2016202144) 河北省高等學(xué)�？茖W(xué)技術(shù)研究重點項目支持(No.ZD2014030)
【分類號】：TN912.3

【相似文獻】

相關(guān)期刊論文 前10條

1 科卞;信號細微特征提取分析技術(shù)[J];電子科技大學(xué)學(xué)報;2000年02期

2 王菲;白潔;;一種基于非線性特征提取的被動聲納目標識別方法研究[J];軟件導(dǎo)刊;2010年05期

3 劉守生,丁勇,胡壽松;一種特征提取新方法[J];信號處理;1999年S1期

4 屈微,劉賀平;拓撲獨立分量分析在方言特征提取中的應(yīng)用研究[J];電聲技術(shù);2005年05期

5 李晉徽;楊俊安;王一;;一種新的基于瓶頸深度信念網(wǎng)絡(luò)的特征提取方法及其在語種識別中的應(yīng)用[J];計算機科學(xué);2014年03期

6 柳革命;孫超;陳建莉;;基于局域判別基空間能量的特征提取[J];空軍工程大學(xué)學(xué)報(自然科學(xué)版);2008年01期

7 菅云峰,胡勇,李介谷,孫再龍;基于相位疊合的不變特征提取[J];紅外與激光工程;2000年01期

8 向陽,史習(xí)智;沖擊回波信號的波形結(jié)構(gòu)特征提取及分類研究[J];振動工程學(xué)報;2000年03期

9 樓天良;蔣惠忠;;一種適于高維時間序列的特征提取方法(英文)[J];浙江科技學(xué)院學(xué)報;2007年02期

10 楊日杰,李鋼虎,趙俊渭,姚藍;一種輻射噪聲的特征提取新方法[J];西北工業(yè)大學(xué)學(xué)報;2000年02期

相關(guān)會議論文 前3條

1 劉直芳;張繼平;游志勝;;有限制的MFA-ICA的算法及其在特征提取中的應(yīng)用[A];信號與信息處理技術(shù)第三屆信號與信息處理全國聯(lián)合學(xué)術(shù)會議論文集[C];2004年

2 李麗君;黃思娟;吳效明;熊冬生;;基于ECOG的運動想象特征提取和分類[A];中國生物醫(yī)學(xué)工程學(xué)會成立30周年紀念大會暨2010中國生物醫(yī)學(xué)工程學(xué)會學(xué)術(shù)大會壁報展示論文[C];2010年

3 刁彥華;;基于小波變換模極大值的分析方法及其應(yīng)用綜述[A];全面建設(shè)小康社會：中國科技工作者的歷史責(zé)任——中國科協(xié)2003年學(xué)術(shù)年會論文集（上）[C];2003年

相關(guān)博士學(xué)位論文 前7條

1 段佳;SAR/ISAR目標電磁特征提取及應(yīng)用研究[D];西安電子科技大學(xué);2015年

2 馮博;雷達高分辨距離像特征提取與識別方法研究[D];西安電子科技大學(xué);2015年

3 陳斌;連續(xù)語音識別特征提取與聲學(xué)模型訓(xùn)練區(qū)分性技術(shù)研究[D];解放軍信息工程大學(xué);2015年

4 王玉靜;滾動軸承振動信號特征提取與狀態(tài)評估方法研究[D];哈爾濱工業(yè)大學(xué);2015年

5 郭苗苗;語言任務(wù)下腦電時頻網(wǎng)絡(luò)特征提取及在腦機接口中的應(yīng)用[D];河北工業(yè)大學(xué);2016年

6 唐濤;合成孔徑雷達圖像局部特征提取與應(yīng)用研究[D];國防科學(xué)技術(shù)大學(xué);2016年

7 秦建華;經(jīng)絡(luò)電阻抗特性的特征提取及模式分類方法研究[D];北京郵電大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 袁芳兵;基于SVM的GSM系統(tǒng)上行干擾判定研究[D];華南理工大學(xué);2015年

2 江海;心音信號特征提取及分類研究[D];昆明理工大學(xué);2015年

3 梁致漢;基于EEG的腦機接口技術(shù)研究與實現(xiàn)[D];天津理工大學(xué);2015年

4 劉雪勇;次聲信號特征提取與分類識別研究[D];中國地質(zhì)大學(xué)(北京);2015年

5 王琪;西洋樂器的音色識別[D];山東大學(xué);2015年

6 張姣;雷達輻射源脈內(nèi)無意調(diào)制特征提取及識別[D];哈爾濱工業(yè)大學(xué);2015年

7 王乃峰;基于深層神經(jīng)網(wǎng)絡(luò)的音頻特征提取及場景識別研究[D];哈爾濱工業(yè)大學(xué);2015年

8 任鳳臣;便攜式心電檢測系統(tǒng)的設(shè)計[D];大連理工大學(xué);2015年

9 江志興;脈象儀的校準和標準化研究[D];哈爾濱工業(yè)大學(xué);2014年

10 秦梟;雜波下相參雷達距離多普勒域多維特征聚類與特征提取[D];國防科學(xué)技術(shù)大學(xué);2013年

，

本文編號：2183180