用于身份辨识的心音信号分析算法研究

论文摘要

随着现代社会网络与通信技术的飞速发展，人类物理与虚拟活动空间在不断扩大，人类对于自身身份识别的安全性、准确性与实用性提出了更高的要求。传统身份识别方法已经远远不能满足这些要求，必须寻求使用更为方便且安全可靠的生物特征识别新方法。生物特征识别，指利用计算机技术，采集人的生物特征样本，并将该样本用于身份识别的过程。与传统的身份识别方法相比，生物识别技术具有防伪性能好，不易伪造，不易遗忘，可随身携带，随时使用等优点。常用的生物识别技术虽然在识别领域取得了一定的发展，但在实际应用中仍面临着巨大的挑战，较为突出的挑战之一就是识别的安全问题。因此，探索更具安全性的生物识别新方法成为了身份识别领域的热点之一。本文主要研究基于心音信号分析的身份辨识算法。在对心音信号产生机理和特性进行分析后，提出基于信号边界谱和矢量量化的辨识算法以及基于信号Mel倒频系数及其一阶差分系数与高斯混合模型的辨识算法，并实际采集心音样本，构建心音数据库，测试了身份识别算法的性能，获得了较高的识别率，具体研究工作如下：1、首先阐述心音信号的产生机理，介绍了常用生物识别技术，然后回顾了国内外心音身份识别技术发展的历史和现状。2、提出了基于信号边界谱和矢量量化的识别算法。首先研究了心音信号边界谱的特征提取方法，然后探讨了矢量量化识别模型的基本原理，基于常用初始码本生成法，提出了改进的分裂码本生成法，最后基于实际心音信号的具体分析给出识别算法流程。3、提出了基于信号Mel倒频系数及其一阶差分系数与高斯混合模型的识别算法。首先研究了Mel倒频系数及其一阶差分系数的特征提取方法，然后探讨了高斯混合识别模型的基本原理，研究了模型参数的具体估计算法，最后基于实际心音信号的具体分析给出识别算法流程。4、实验阶段，实际采集了心音信号，构建了心音数据库，测试了基于边界谱和矢量量化模型的心音身份识别算法和基于Mel倒频系数及其一阶差分系数和高斯混合模型的心音身份识别算法的性能，讨论了不同参数设置对算法性能的影响，取得了较好的识别率。本文的研究提供了一种更具安全性的生物识别新途径，为嵌入式心音身份识别系统的研发奠定了理论基础和技术支撑。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 生物识别技术
• 1.2 心音身份识别的研究现状
• 1.3 本论文研究内容和创新点
• 1.4 论文章节安排
• 第2章 心音信号身份识别的理论基础
• 2.1 心音相关基础知识
• 2.1.1 心音的产生机理
• 2.1.2 心音的时域特性分析
• 2.1.3 心音的频域特性分析
• 2.2 心音身份识别系统结构
• 2.3 系统性能评价
• 2.4 本章小结
• 第3章 基于边界谱和 VQ 模型的识别算法
• 3.1 HILBERT 边界谱基本原理
• 3.1.1 经验模式分解（EMD）
• 3.1.2 总体平均经验模式分解（EEMD）
• 3.1.3 Hilbert 谱及其边界谱
• 3.2 矢量量化（VQ）
• 3.2.1 矢量量化的基本原理
• 3.2.2 矢量量化的失真测度
• 3.2.3 矢量量化器的最佳码本设计和 LBG 算法
• 3.2.4 改进的初始码本生成法
• 3.2.5 VQ 模型的识别问题
• 3.3 具体算法流程
• 3.4 本章小结
• 第4章 基于 MFCC 及其一阶差分系数和 GMM 模型的识别算法
• 4.1 MFCC 倒频系数及其差分系数
• 4.1.1 Mel 频率和 MFCC 系数的提取
• 4.1.2 MFCC 的动态参数
• 4.2 高斯混合模型（GMM）
• 4.2.1 GMM 模型的基本概念
• 4.2.2 GMM 模型的参数估计
• 4.2.3 GMM 模型的识别问题
• 4.3 具体算流程
• 4.4 本章小结
• 第5章 实验结果及其分析
• 5.1 心音库的建立
• 5.1.1 信号采集
• 5.1.2 心音库的建立
• 5.2 基于边界谱和 VQ 方法的心音身份识别实验
• 5.2.1 预处理去噪对识别性能的影响
• 5.2.2 特征参数对识别性能的影响
• 5.2.3 VQ 模型对识别性能的影响
• 5.3 基于 MFCC 及其 Δ MFCC 和 GMM 方法的心音身份识别实验
• 5.3.1 不同测试及训练时间对系统识别性能的影响
• 5.3.2 MFCC 不同滤波器个数及其动态系数对系统识别性能的影响
• 5.3.3 不同 GMM 阶数对系统识别性能的影响
• 5.4 本章小结
• 第6章 总结与展望
• 6.1 总结
• 6.2 展望
• 致谢
• 参考文献
• 附录