劉 娟,趙治棟

(杭州電子科技大學(xué)通信工程學(xué)院,浙江杭州310018)

0 引 言

隨著交通、通訊和網(wǎng)絡(luò)技術(shù)的飛速發(fā)展,人類的活動(dòng)范圍越來越大,使得身份鑒別的重要性變得越來越突出。傳統(tǒng)的生物識(shí)別的特征主要有指紋,虹膜,視網(wǎng)膜,人臉,聲紋,簽字,步態(tài)等[1,2]。相比于傳統(tǒng)的生物識(shí)別技術(shù),心音識(shí)別技術(shù)具有獨(dú)特的優(yōu)勢：不易被輕易仿制,具備普適性,采集方便。近年來,國內(nèi)外一些研究人員對心音身份識(shí)別進(jìn)行了研究,并取得了一定進(jìn)展。將心音序列通過短時(shí)離散傅立葉變換的頻域方法來分析,證明了采用心音信號(hào)進(jìn)行個(gè)人身份識(shí)別的可能性[3]。然而,該方法在訓(xùn)練GMM模型時(shí)所需的迭代次數(shù)較多,當(dāng)數(shù)據(jù)量較大時(shí),就會(huì)影響工作速度,造成效率低下的問題?；跀?shù)字心音序列S1,S2的頻域特性的個(gè)人身份識(shí)別方法,在頻域分析前,先要對心音信號(hào)進(jìn)行分段,提取出S1,S2信號(hào)[4],但分段過程容易受噪聲的影響,帶來較大誤差。基于MFCC特征的心音信號(hào)個(gè)人身份識(shí)別方法[5]借鑒了MFCC在語音信號(hào)中的應(yīng)用,利用MFCC系數(shù)作為特征矢量再結(jié)合一定的匹配算法能較好的完成識(shí)別任務(wù),但是MFCC不能反映心音信號(hào)的動(dòng)態(tài)特性。本文提出了一種基于Welch方法的心音信號(hào)譜特征提取算法。將預(yù)處理后的信號(hào)通過譜分析提取出譜系數(shù),最后根據(jù)歐氏距離的方法完成識(shí)別任務(wù)。與目前已有的心音身份識(shí)別特征提取算法相比,該方法計(jì)算簡單,對心音樣本質(zhì)量要求不高,并且在保證了系統(tǒng)準(zhǔn)確性的同時(shí),增強(qiáng)了系統(tǒng)的魯棒性,極大地增強(qiáng)了系統(tǒng)的實(shí)用性。

1 心音信號(hào)的預(yù)處理

本文采用的心音信號(hào)的數(shù)據(jù)庫來源于實(shí)測的30個(gè)正常人的心音信號(hào),其采樣頻率為2kHz。心音信號(hào)在采集過程中易受外界因素的影響,引入了各種噪聲,因此在特征提取前,需要進(jìn)行預(yù)處理,主要的步驟包括去均值、歸一化和小波去噪,具體方法如下：

(1)去均值。數(shù)據(jù)通過處理,使其均值為0。對于初始輸入的數(shù)字心音信號(hào)s(n),設(shè)均值為μ,則s′(n)=s(n)-μ;

(2)歸一化。把需要處理的數(shù)據(jù)通過某種算法限制在所設(shè)定的范圍內(nèi)。本文將心音信號(hào)歸一化到[-1,1]的范圍內(nèi),消除幅度、心率對特征提取的影響;

(3)小波去噪。本文采用硬閾值去噪的方法,基本思想是：當(dāng)小波系數(shù)小于某個(gè)臨界閾值時(shí),認(rèn)為該系數(shù)主要是由噪聲引起的,舍棄;當(dāng)系數(shù)大于這個(gè)臨界閾值時(shí),認(rèn)為該系數(shù)主要是由信號(hào)引起的,那么這部分系數(shù)直接保留,然后,新的小波系數(shù)通過小波重構(gòu)得到去噪后的信號(hào)。此方法通過以下3步實(shí)現(xiàn)[6]。

1)對心音信號(hào)做小波變換,得到一組小波系數(shù)wj,k;

2)對wj,k用硬閾值函數(shù)進(jìn)行閾值處理,得到估計(jì)小波系數(shù)w′j,k;

3)利用w′j,k進(jìn)行小波重構(gòu),得到去噪后的信號(hào)。

硬閾值函數(shù)：

式中,λ是閾值,閾值的選擇是小波去噪最關(guān)鍵的一步,實(shí)驗(yàn)中選用固定閾值,其中N為小波系數(shù)的個(gè)數(shù),σ為噪聲信號(hào)的偏差。心音信號(hào)去噪前后對比如圖1所示：

圖1 去噪前后心音信號(hào)對比圖

2 基于Welch方法的心音信號(hào)譜特征提取

2.1 Welch方法

心音信號(hào)是一種非平穩(wěn)的隨機(jī)信號(hào),其譜分析指基于一組有限的數(shù)據(jù)來描述頻率成分以及各成分的相對強(qiáng)弱。普通的周期圖法估計(jì)功率譜密度是先采樣得到序列f(n),然后進(jìn)行離散傅立葉變換,將得到的頻譜取絕對值平方,最后進(jìn)行歸一化處理,以保證估計(jì)是漸進(jìn)無偏的。該方法的缺點(diǎn)是方差大,且方差不隨采樣數(shù)目的增加而減小。Welch對普通的周期圖法做了改進(jìn),減小了估計(jì)的方差,改善了估計(jì)的信噪比。該方法將采樣信號(hào)分成不相互疊加的幾部分,然后進(jìn)行平均,分割的段數(shù)越多,方差越小。

Welch方法是由Welch提出的對周期圖法的修正算法。該算法原理簡單,易于理解,便于計(jì)算和實(shí)現(xiàn),并且通過一定的處理,能有效地減少頻譜泄漏和噪聲干擾,提高頻譜分析的準(zhǔn)確性,是經(jīng)典譜估計(jì)中獲得有效應(yīng)用的一種算法[7]。與周期圖法比較,welch法可以改善譜曲線的光滑性,大大提高譜估計(jì)的分辨率。其算法步驟如下[8]：

(1)將N點(diǎn)的數(shù)據(jù)段分成L個(gè)小段,每小段M點(diǎn),相鄰小段間交疊M/2點(diǎn),各段數(shù)據(jù)有一定的重疊是為了增加段數(shù),減小方差;

(2)各小段加相同平滑窗w(n),做傅里葉變換;

(3)各小段功率譜取平均。

2.2 實(shí)驗(yàn)結(jié)果和分析

本文采用的心音是實(shí)測的30個(gè)正常人的心音組成的數(shù)據(jù)庫,采樣頻率為2 000Hz,量化精度為8bit,實(shí)驗(yàn)中對每個(gè)人的心音做了兩次記錄,每次記錄10s,其中一次用于訓(xùn)練,另一次用于認(rèn)證。

選用了Hanning窗作為估計(jì)用的平滑窗w(n),窗函數(shù)的寬度為200點(diǎn),重疊率為50%。采用該方法繪制的心音信號(hào)頻譜如圖2-5所示。該頻譜分別采用了2個(gè)人的5個(gè)連續(xù)心動(dòng)周期繪制而成,第一心音信號(hào)的頻譜如圖2,4所示,第二心音信號(hào)的頻譜如圖3,5所示。

據(jù)圖2-5可以得出,第一心音信號(hào)的頻譜重合度很高。特別是在頻譜的主峰范圍內(nèi),頂峰的幅值差距在7%以內(nèi),峰值所在的頻點(diǎn)的浮動(dòng)在5Hz以內(nèi),頻譜的波形幾乎完全重合。相比較而言,第二心音信號(hào)的頻譜重合度就差了些,但也基本保持了相似的變化趨勢。在特征模板數(shù)據(jù)庫中,將5個(gè)心動(dòng)周期S1、S2信號(hào)頻譜求平均作為特征模板。5個(gè)人的第一心音信號(hào)頻譜如圖6所示,可以得出,對于不同人的心音頻譜,其變化趨勢完全不同,不論是主峰的范圍、頂峰的幅值還是其所在的頻點(diǎn)都有很大的差距。

3 匹配算法

從以上實(shí)驗(yàn)結(jié)果可知譜分布是心音信號(hào)譜分析的一個(gè)唯一性特征,每個(gè)人的心音信號(hào)都有其獨(dú)特的分布,這樣就可以根據(jù)譜分布的特征,采用歐氏距離來計(jì)算譜系數(shù)的距離來實(shí)現(xiàn)個(gè)人身份識(shí)別。具體方法如下[4]：

(1)設(shè)已知A的第一心音信號(hào)頻譜為X,待識(shí)別的頻譜為Y,單條譜線的總頻點(diǎn)數(shù)為N,第i個(gè)頻點(diǎn)的幅值分別是Xi、Yi,則有：

(2)若d(X,Y)的值小于閾值T則認(rèn)為該被測者即為A,否則認(rèn)為不是。

距離分布圖可以用于身份識(shí)別。實(shí)驗(yàn)選用了10個(gè)被測者的5個(gè)相鄰心動(dòng)周期,因此,每個(gè)被測者都有5個(gè)S1,S2信號(hào)。這樣對于同一被測者要計(jì)算出10對距離,兩個(gè)不同被測者要計(jì)算出25對距離?？紤]的是一個(gè)二維矢量如圖7所示,橫軸表示S1的距離,縱軸表示S2的距離。在這個(gè)直角平面中,同一被測者距離集中在原點(diǎn)附近,而不同被測者的距離遠(yuǎn)離原點(diǎn)。為了減小因信號(hào)的非平穩(wěn)性引起的誤差,圖7中采用的是平均距離,o是同一個(gè)人的S1,S2信號(hào)之間的距離坐標(biāo),該坐標(biāo)的計(jì)算是根據(jù)同一被測者5個(gè)S1,S2信號(hào)譜的距離取平均得到,x表示的不同人之間的S1,S2信號(hào)之間距離的坐標(biāo),該坐標(biāo)是根據(jù)不同人之間的S1,S2信號(hào)譜的距離取平均。劃出一條分開o和x的直線如圖7所示,在進(jìn)行個(gè)人身份識(shí)別時(shí)將這條直線作為閾值,兩個(gè)信號(hào)之間的距離小于閾值,則認(rèn)為是同一個(gè)人,反之,則不是。實(shí)驗(yàn)得出,對于小數(shù)據(jù)量,很容易根據(jù)心音來完成個(gè)人身份識(shí)別的任務(wù),錯(cuò)誤拒絕率FRR和錯(cuò)誤接收率FAR都為0。

圖2 A的s1頻譜

圖3 A的s2頻譜

圖4 B的s1頻譜

圖5 B的s2頻譜

圖6 5個(gè)不同人的第一心音信號(hào)的頻譜

圖7 S1,S2譜之間的距離分布圖

4 結(jié)束語

本文提出了提取心音特征的譜分析方法,該方法選用心音的S1,S2譜系數(shù)作為識(shí)別特征,根據(jù)歐氏距離完成身份識(shí)別。實(shí)驗(yàn)結(jié)果顯示,在樣本量較小的情況下,識(shí)別的FRR和FAR都為0,證明了該方法的可行性。需要指出的是實(shí)驗(yàn)中采用的樣本量較少,當(dāng)樣本量擴(kuò)大,可以利用主頻的范圍、峰值點(diǎn)的幅度,S1和S2之間的能量比等作為輔助判別因子增強(qiáng)識(shí)別的準(zhǔn)確性。按照特征在識(shí)別過程中的重要性,設(shè)定一個(gè)合適的函數(shù),對待識(shí)別頻譜與樣本頻譜在這些輔助因子上的相似程度進(jìn)行量化。綜合所有的輔助判別結(jié)果的量化值,對歐氏距離匹配算法的判定結(jié)果進(jìn)行糾正,以提高個(gè)人身份識(shí)別的準(zhǔn)確性。

[1] 陳洪京.幾種生物識(shí)別方法的比較研究[J].河北省科學(xué)院學(xué)報(bào),2007,24(4)：33-37.

[2] JainA K,Ross A,Prabhakar S.An introduction to biometric recognition[C].Michgan：IEEE Transactions on circuits and systems for video technology,2004：4-20.

[3] Phua K,Chen J F,Dat T H,et al.Heart sound as a biometric[J].Pattern Recognition,2008,41(3)：906-919.

[4] Beritelli F,Serrano S.Biometric identification based on frequency analysis of cardiac sounds[C].Catania：IEEE Transactions on Information Forensics and Security,2007：596-604.

[5] Beritelli F,Spadaccini A.Human identity verification based on mel frequency analysis of digital heart sounds[C].Santorini-Hellas：International conference on digital signal processing,2009：1-5.

[6] Donoho D L,Johnstone IM.Adapting to unknown smoothness via wavelet shrinkage[J].Journal of American Stat Assov,1995,90(12)：1 200-1 224.

[7] 羅敏,劉嵩.基于Welch算法的功率譜估計(jì)的實(shí)現(xiàn)[J].中國工商大學(xué)學(xué)報(bào)(自然科學(xué)版),2007,25(3)：58-59.

[8] 張玲華,鄭寶玉.隨機(jī)信號(hào)處理[M].北京：清華大學(xué)出版社,2003：91-94.