基于HHT的咳嗽音识别研究的中期报告.docx

基于HHT的咳嗽音识别研究的中期报告
技术背景：
目前，咳嗽音识别技术的发展已成为医疗、公共卫生和生物医学等领域的重要研究方向。咳嗽声传递了许多病理信息，可以对病人的身体健康状况进行评估和监测。传统的咳嗽声分类的方法主要是基于人工特征提取和分类器的组合实现的，但是这种方法存在特征选择不确定、复杂和准确度低等问题。因此，基于信号处理和机器学习的自动咳嗽识别系统成为了研究的热点。
在信号处理方面，经验模态分解（EmpiricalModeDecomposition，简称EMD）和Hilbert–Huang变换（Hilbert–HuangTransform，简称HHT）已经被广泛应用于非线性和非平稳信号的处理。EMD在信号处理领域中已经得到了良好的应用，但是EMD存在模态混淆等问题，在处理时间序列信号方面有时效果不佳。相比之下，HHT具有良好的非固定频率分析能力，可以有效地进行咳嗽音信号分析和特征提取。
在机器学习方面，支持向量机（SVM）和随机森林（RF）等分类器被广泛应用于咳嗽声的识别。SVM分类器在处理小样本,非线性,高维数据时具有良好的性能;然而,对于高维数据，SVM算法需要反复计算高维空间内的点积并求解大规模的二次优化问题，导致计算复杂度高。RF通常被用于处理大量特征和数据，它通过多个决策树分类器的集成来对输入进行分类或回归。RF具有良好的泛化能力和对噪声的鲁棒性，是一种常用的分类器。
研究内容：
本文的研究方案主要分为以下三个方面：
1.基于HHT对咳嗽音信号进行分解。将咳嗽音信号分解成极简余数（IntrinsicModeFunction，IMF）和带有调制效应的辅助函数，从而提取出不同频率和振幅分量，为后续的特征提取和分类分析提供输入。
2.特征提取。根据提取出来的IMF信号，使用短时傅里叶变换（Short-TimeFourierTransform，STFT）提取时域、频域和时频域的特征，如最大值、能量、斜率等。为了避免数据稳定性较差的问题，该过程是基于稳健的信号特征提取而进行的。
3.分类器的训练和评估。使用SVM和RF两种分类器对提取出来的特征进行训练和分类，从而实现对不同咳嗽音类型识别。通过召回率、精度、F1值、ROC曲线等参数评价分类器性能，选择合适的分类器进行性能优化。
研究计划：
1.数据采集。使用专业的病人咳嗽库进行咳嗽音信号采集和标注，包括普通感冒、肺炎、哮喘等多种不同类型的病人咳嗽音。
2.数据处理。对采集的咳嗽音信号进行预处理、滤波和标准化操作，以保证信号的可靠性和准确性。
3.咳嗽音信号的HHT分解和特征提取。使用HHT算法对咳嗽音信号进行分解，并基于傅里叶变换和信号特征提取技术提取时域、频域和时频域的特征。
4.分类器的训练。使用SVM和RF两种分类器对提取出来的特征进行训练，并通过召回率、精度、F1值、ROC曲线等参数评价分类器性能。
5.结果分析与展示。分析实验结果，并基于数据可视化技术，如ROC曲线和混淆矩阵等展示分类结果，验证实验效果。
研究目标：
本课题的目标是基于HHT技术和机器学习算法，建立一套自动咳嗽音识别系统，可以对不同类型的咳嗽音进行识别，具有较高的准确度和鲁棒性，在医疗、公共卫生和生物医学等领域具有广泛的应用前景。