使用局部二值模式的肺音分类
信号处理
2017-10-05 v1
摘要
肺音包含关于肺部病理的重要信息。在本文中，我们利用肺音的短时频谱特征来识别相关疾病。受听觉感知技术在语音信号分类中成功的启发，我们使用梅尔尺度扭曲的频谱系数（本文称为梅尔频率频谱系数（MFSCs））来表示肺音的时频信息。接着，我们采用局部二值模式分析（LBP）来捕获 MFSCs 的纹理信息，并随后使用直方图表示导出特征向量。所提出的特征与本领域三种众所周知的分类器一起使用：k 最近邻（kNN）、人工神经网络（ANN）和支持向量机（SVM）。此外，还使用多种 SVM 核测试了性能。我们使用包含正常和附加音的两个数据库进行了广泛的性能评估实验。结果表明，所提出的特征与 SVM 以及 kNN 分类器结合使用，在异常声音检测方面，优于常用的基于小波的特征以及我们先前研究的基于梅尔频率倒谱系数（MFCCs）的统计特征。所提出的特征也比从有理膨胀小波系数计算的形态学特征和能量特征产生了更好的结果。Bhattacharyya 核的性能明显优于其他核。此外，我们优化了所提出的特征提取算法的配置。最后，我们应用了基于 mRMR（最小冗余最大相关）的特征选择方法，以去除特征向量中的冗余，这使得所提出的方法在计算上更高效，且性能没有任何下降。与标准的基于小波特征的系统相比，总体性能提升高达 24.5%。
引用
@article{arxiv.1710.01703,
title = {Lung sound classification using local binary pattern},
author = {Nandini Sengupta and Md Sahidullah and Goutam Saha},
journal= {arXiv preprint arXiv:1710.01703},
year = {2017}
}
备注
Working paper (21 pages, 12 figures)