Enhanced Heart Sound Classification Using Mel Frequency Cepstral Coefficients and Comparative Analysis of Single vs. Ensemble Classifier Strategies

本文探讨了Mel频率倒谱系数（MFCCs）在使用两种分类策略（单个分类器和集成分类器方法）检测异常心音方面的有效性。首先对心音进行预处理以去除噪声，然后将其分成S1、收缩期、S2和舒张期间隔，并从每个间隔估计13个MFCCs，每个心跳产生52个MFCCs。最后，使用MFCCs进行心音分类。为此，在单个分类器策略中，将来自九个连续心跳的MFCCs平均值用于由单个分类器（支持向量机（SVM）、k最近邻（kNN）或决策树（DT））分类心音。相反，集成分类器策略使用九个分类器（九个SVM、九个kNN分类器或九个DT），以个体方式评估心跳是否正常或异常，并基于多数投票进行整体分类。两种方法都在公开的心音图数据库上进行了测试。单个分类器策略下，SVM的心音分类准确率为91.95％，kNN为91.9％，DT为87.33％。集成分类器策略下，SVM的准确率为93.59％，kNN为91.84％，DT为92.22％。总体而言，结果表明，集成分类器策略通过4.89％和1.64％提高了DT和SVM的准确性，将MFCCs确立为比其他特征更有效的特征，包括时间、时频和统计特征，在类似研究中进行了评估。

本文旨在探讨利用Mel频率倒谱系数（MFCCs）在心音检测中的有效性，使用单一分类器和集成分类器两种策略进行分类。

本文使用MFCCs作为心音分类的特征，将心音分为S1、收缩期、S2和舒张期四个阶段，使用单一分类器和集成分类器两种策略进行分类，结果表明集成分类器策略比单一分类器策略更有效。

本文使用公共心音数据库进行实验，结果表明MFCCs比其他特征更有效。单一分类器策略中SVM的分类准确率为91.95％，kNN为91.9％，DT为87.33％。集成分类器策略中SVM的分类准确率为93.59％，kNN为91.84％，DT为92.22％。

最近的相关研究包括使用深度学习方法进行心音分类，如“基于卷积神经网络的心音分类”（Convolutional Neural Network-Based Heart Sound Classification）和“基于深度学习的自动心音分类”（Automated Heart Sound Classification Based on Deep Learning）。