4 實(shí)驗(yàn)結(jié)果

利用本系統(tǒng)對(duì)三位被測(cè)試者分別采集20組信號(hào)，總共60組信號(hào)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(gè)系數(shù)的能量特征值;然后將前5個(gè)能量特征值組合成特征向量，并對(duì)應(yīng)不同測(cè)試者樣本附上1、2和3的標(biāo)簽;最后隨機(jī)選取50個(gè)樣本訓(xùn)練SVM識(shí)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(gè)樣本作為測(cè)試數(shù)據(jù)，進(jìn)行10次實(shí)驗(yàn)，求取平均識(shí)別率。仿真結(jié)果表明，WPT+GA-SVM平均識(shí)別率為85%。

對(duì)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(shí)適應(yīng)度變化曲線如圖7所示。表1給出了其中一次實(shí)驗(yàn)的10個(gè)測(cè)試樣本的特征向量、預(yù)測(cè)標(biāo)簽和實(shí)際標(biāo)簽。

由表1可見，10個(gè)測(cè)試樣本僅編號(hào)9的樣本被誤判，其余都正確分類，識(shí)別率達(dá)90%。測(cè)試結(jié)果的識(shí)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(gè)心音數(shù)據(jù)庫(kù);(2)采集過(guò)程中的噪聲對(duì)最后的識(shí)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(shí)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(gè)方面提出了一個(gè)基于STC單片機(jī)和LabVIEW的心音信號(hào)檢測(cè)系統(tǒng)，通過(guò)心音身份識(shí)別實(shí)驗(yàn)表明，信號(hào)調(diào)理電路設(shè)計(jì)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(jì)的硬件系統(tǒng)具有開發(fā)周期短、性價(jià)比高的特點(diǎn)，單片機(jī)軟件采用模塊化設(shè)計(jì)，調(diào)試方便，上位機(jī)軟件界面友好、操作簡(jiǎn)便、功能強(qiáng)大。