基于改进MFCC特征和卷积递归神经网络的心音分类

本文链接：https://blog.csdn.net/laojinlaojinlaojin/article/details/138185972

本文提出了一种新的心音分类方法，利用改进的MFCC特征和深度卷积循环神经网络（CRNN），以提高对复杂心脏声环境的适应性和分类准确性。实验结果显示，在PhysioNet/CinCChallenge数据库上，新方法实现了98%的二类分类准确率，为心血管疾病的早期检测提供了有力支持。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

具体的软硬件实现点击 MCU-AI技术网页_MCU-AI人工智能

心音分类在心血管疾病的早期发现中起着至关重要的作用，特别是对于小型初级卫生保健诊所。尽管近年来心音分类取得了很大进展，但其中大多数都是基于传统的分段特征和基于浅层结构的分类器。这些传统的声学表示和分类方法可能不足以表征心音，并且通常由于复杂多变的心脏声学环境而导致性能下降。在本文中，我们提出了一种基于改进的梅尔频率倒谱系数（MFCC）特征和卷积递归神经网络的新心音分类方法。首先计算梅尔频率倒谱，而不除心音信号。提出了一种基于MFCC的新改进特征提取方案来详细描述连续心音信号之间的动态特征。最后，基于 MFCC 的特征被输入到深度卷积和循环神经网络 (CRNN)，以进行特征学习和后续的分类任务。所提出的深度学习框架可以利用从卷积神经网络（CNN）提取的编码局部特征和循环神经网络（RNN）捕获的长期依赖性。本文对不同网络参数和不同网络连接策略的性能进行了综合研究。与最先进的算法进行性能比较以供讨论。实验表明，对于二类分类问题（病理性或非病理性），在 2016 PhysioNet/CinC Challenge 数据库上实现了 98% 的分类准确率。

心血管疾病仍然是导致死亡的主要原因，由于其突发性和复发性，对全球人口构成严重威胁。因此，研究心脏疾病的早期预防方法就变得重要和有意义。心音信号携带着心血管疾病的早期病理信息，已被证明是有效地早期发现潜在的心血管疾病。传统上，心音是由医学专家通过听诊检测心脏疾病。它是非侵入性的、成本低效益高且需要最少的设备，非常适合心脏检查，特别是在小型初级卫生保健诊所。但实际上，心音听诊