基于ICEEMDAN-MLP的肺音信号识别研究

裴振伟，朱平

（中北大学仪器与电子学院，山西 太原 030051）

肺音听诊法能更早地判断出肺部早期病症，是医生确诊的重要参照指标[1]。随着5G时代的来临，电子智能听诊器将会普及到家庭，可以完整地采集肺音数据并作出分析，通过信号识别判断出可能存在的疾病，减少就诊的时间成本[1-2]。由于肺音信号是高度非平稳的微弱信号，采集时极易受到采集装置和其他生理信号的干扰，增加了信号特征后期识别的难度，目前的研究中最让研究人员关注的一点就是如何从复杂的干扰信号中过滤出目标肺音信号[3]。

将信号分解为多个分量是一种有效的数字信号处理技术，已广泛地应用于滤波和数据压缩。国内外学者在时频域分析方面提出了不同于小波变换的信号分解方法，Huang等人[4-6]提出的经验模态分解（Empirical Mode Decomposition，EMD）是在时间尺度上将自身信号分解成多个固有模态函数（Intrinsic Mode Function，IMF），取消了基函数对分解结果的限制，从而使该方法极具适应性，让研究人员可以剖析到信号深处的涵义。国内外研究人员相继提出了EMD族的算法理论，一步步削减初代EMD理论分解结果的诸多弊端。理论算法方案从集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）发展到互补集合经验分解法（Complete Ensemble Empirical Mode Decomposition，CEEMD）、具有自适应噪声的完全 EEMD（Complete EEMD with Adaptive Noise，CEEMDAN）和改进的CEEMDAN（ICEEMDAN）。ICEEMDAN方案[7]尽可能地消除模态混合的遗留问题，而且大大减少了IMF中的残余分量，从而使信号重构结果更强于之前的方案。基于EMD族的技术已经应用于处理各种生理采集信号，特别用于呼吸音信号降噪以及特征向量构建等[8]。……