4 實驗結(jié)果

利用本系統(tǒng)對三位被測試者分別采集20組信號，總共60組信號進(jìn)行分析。首先采用小波包變換去除噪聲，進(jìn)行小波包能量特征提取，得到小波包分解的第三層8個系數(shù)的能量特征值;然后將前5個能量特征值組合成特征向量，并對應(yīng)不同測試者樣本附上1、2和3的標(biāo)簽;最后隨機(jī)選取50個樣本訓(xùn)練SVM識別模型，并利用遺傳算法(GA)優(yōu)化SVM的參數(shù)c和g，剩下的10個樣本作為測試數(shù)據(jù)，進(jìn)行10次實驗，求取平均識別率。仿真結(jié)果表明，WPT+GA-SVM平均識別率為85%。

對于GA-SVM分類模型，GA的參數(shù)選擇為種群規(guī)模為20、進(jìn)化次數(shù)為50次、交叉概率為0.4、變異概率為0.2。GA優(yōu)化SVM時適應(yīng)度變化曲線如圖7所示。表1給出了其中一次實驗的10個測試樣本的特征向量、預(yù)測標(biāo)簽和實際標(biāo)簽。

由表1可見，10個測試樣本僅編號9的樣本被誤判，其余都正確分類，識別率達(dá)90%。測試結(jié)果的識別率未能達(dá)到100%的原因及措施：(1)樣本數(shù)量較少。需要建立一個心音數(shù)據(jù)庫;(2)采集過程中的噪聲對最后的識別率有一定的影響。但預(yù)處理電路去噪還有改進(jìn)的空間，軟件去噪值得繼續(xù)深入研究;(3)特征提取和模式識別都至關(guān)重要，因此還需要進(jìn)一步挖掘優(yōu)化算法。

本文從硬件和軟件兩個方面提出了一個基于STC單片機(jī)和LabVIEW的心音信號檢測系統(tǒng)，通過心音身份識別實驗表明，信號調(diào)理電路設(shè)計的好壞決定了系統(tǒng)能否可靠、穩(wěn)定地運(yùn)行。本文所設(shè)計的硬件系統(tǒng)具有開發(fā)周期短、性價比高的特點，單片機(jī)軟件采用模塊化設(shè)計，調(diào)試方便，上位機(jī)軟件界面友好、操作簡便、功能強(qiáng)大。