基于马尔可夫切换模型的心音分割与分类方法
信号处理
2020-04-27 v1 机器学习
应用统计
摘要
目的：本文探讨开发准确分割与分类心音（HS）信号算法所面临的挑战。方法：我们提出一种基于马尔可夫切换自回归模型（MSAR）的方法，将 HS 分割为四个具有不同二阶结构的基本成分。随后利用识别出的边界，通过连续密度隐马尔可夫模型（CD-HMM）对病理性 HS 进行自动分类。以状态空间形式表述的 MSAR 能够同时捕捉 HS 中的连续隐动态以及利用离散马尔可夫链实现的动态机制切换。这克服了 HMM 仅使用单层离散状态的局限。我们引入三种模型估计方案：（1.）切换卡尔曼滤波（SKF）；（2.）精炼 SKF；（3.）SKF 与依赖时长的 Viterbi 算法融合（SKF-Viterbi）。结果：所提方法在 Physionet/CinC Challenge 2016 数据库上评估。SKF-Viterbi 显著优于 SKF，将分割准确率从 71% 提升至 84.2%。使用 CD-HMM 作为分类器并以梅尔频率倒谱系数（MFCCs）为特征，不仅能刻画 HS 信号的正常与异常形态，也能刻画被视为不可分类的形态（记为 X-Factor）。其对异常心搏的分类率最佳总 F1 得分为 90.19（不含 X-Factor）和 82.7（含 X-Factor）。结论：所提 MSAR 方法在大型 HS 数据集上实现了病理性 HS 的自动定位与检测，表现出显著性能。意义：其在心脏监测系统中具有辅助心脏病专家预筛心脏疾病的潜在应用。
引用
@article{arxiv.1809.03395,
title = {A Markov-Switching Model Approach to Heart Sound Segmentation and Classification},
author = {Fuad Noman and Sh-Hussain Salleh and Chee-Ming Ting and S. Balqis Samdin and Hernando Ombao and Hadri Hussain},
journal= {arXiv preprint arXiv:1809.03395},
year = {2020}
}