使用多特征对心音信号进行分类

心脏疾病是危急的，必须在早期阶段使用常规听诊检查进行高精度诊断。心脏听诊是一种通过电子听诊器分析和听取心音的技术，电子听诊器是提供心音数字录音的设备，称为心动图（PCG）。这个PCG信号携带有关心脏功能和状态的有用信息，因此可以应用多种信号处理和机器学习技术来研究和诊断心脏疾病。基于PCG信号，心音信号可以分类为两大类，即正常和异常类别。我们创建了一个包含来自各种来源的5类心音信号（PCG信号）的数据库，其中1类为正常类别，4类为异常类别。本研究提出了一种改进的、自动的心脏疾病心音信号分类算法。我们从心动图信号中提取特征，然后使用机器学习技术对这些特征进行处理以进行分类。在特征提取中，我们使用了梅尔频率倒谱系数（MFCCs）和离散小波变换（DWT）特征，从心音信号中提取，并使用支持向量机（SVM）、深度神经网络（DNN）和基于质心位移的k近邻进行学习和分类。为了提高结果和分类准确性，我们结合了MFCC和DWT特征，并使用SVM和DWT进行训练和分类。通过我们的实验，我们明确发现，将梅尔频率倒谱系数和离散小波变换特征结合在一起并用于通过支持向量机、深度神经网络和k近邻（KNN）进行分类，可显著提高结果。本文讨论的方法可用于以高达97%的准确率诊断患者的心脏疾病。代码和数据集可以在“https://github.com/yaseen21khan/Classification-of-Heart-Sound-Signal-Using-Multiple-Features-/blob/master/README.md”访问。