心血管疾病的发病率和死亡率较高,对人类健康构成了严重威胁.心音信号是由心脏机械运动产生的生理信号,其变化可反映心脏和动脉血管的状态,为此可以通过对心音信号进行分类来实现心血管疾病的鉴别.在心音信号的分类研究中,特征提取是其中的一个关键步骤.由于单一特征不足以表达出心音信号的完备信息,而单纯地将多特征结合也并非能获得良好的分类效果,为了提高心音信号分类的准确性和鲁棒性,本文提出了基于多特征融合的心音信号分类方法.(1)鉴于小波散射变换通过联合小波模和低通滤波平均,获得平移不变和形变不变性,可以使心音信号避免平移、形变的干扰;梅尔频率倒谱系数能够提取出音频信号中具有辨识度的成分,因心音信号与语音信号具有相似的特点,均为振动产生、均不稳定,故其也适用于心音信号的识别;希尔伯特黄变换可以依据信号的局部时变特性,自适应地进行时频分解,并且还具有极高的时频分辨能力,特别适合对心音信号这种非平稳信号进行研究,故本文利用这三种模型对心音信号进行特征提取.(2)基于上述提出的多特征,本文提出了两种多特征融合方法.一种是基于ReliefF的多特征融合方法.首先使用ReliefF算法对多特征进行选择融合,然后使用机器学习算法进行分类.实验结果表明该方法可以对多特征进行有效的选择,从而提高心音信号分类的准确性.另外,考虑到深度学习算法在处理量大的数据方面性能良好,本文同时提出了CNN-TCN-Attention的多特征融合方法.该方法通过卷积神经网络(CNN)和时间卷积网络(TCN)的并行结构来提取特征.CNN能够自适应地学习特征,并进行特征提取和维度缩减,而TCN可以学习长时序列特征,并保持原有特征的完整性.此外,注意力机制(Attention Mechanism)的引入可以自适应地提取特征,提高了模型的灵活性和鲁棒性.多特征输入到CNN-TCN-Attention结构中,可以充分挖掘多种特征之间的互补性,提高心音信号分类的准确性和鲁棒性.对比两种特征融合方法的实验结果,后者的分类性能更为优越
