基于小波分析和神经网络的心音信号研究

针对传统的冠心病诊断方法具有不准性或有创性问题,积极广泛开展冠心病无损检测的研究,提高诊断准确性,为大众提供方便可行的检测手段是十分必要的。在分析冠状动脉堵塞与心音信号关系的基础上,研究心音信号的预处理,对心音信号进行去噪和定位分段;利用ARMA模型及功率谱估计对心音信号进行分析研究,提取冠心病病理特征;通过神经网络对心音信号进行分类,实现冠心病的智能无损诊断。实验结果表明,采用上述方法进行冠心病无损诊断准确率达到85.1%,为临床上的冠心病的无损诊断提供了应用基础。     

基于支持向量机的心音信号自动识别

心音信号识别对心血管疾病的诊断具有重要意义,为了提高心音信号的识别性能,提出一种基于支持向量机的心音信号自动识别方法。首先采用小波分析对心音信号进行降噪预处理,然后提取心音信号的Mel频率倒谱系数作为心音信号特征,最后采用支持向量机建立心音信号分类器,对采集心音信号数据的识别性能进行验证。实验结果表明,本文方法的心音信号平均识别率高达93%以上,可以准确识别正常和各种异常的心音信号。      

基于DSP的数字心音信号检测系统设计

分析了心音信号的产生机理、信号成分及心音的临床诊断价值。根据人体心音信号噪声强、信号弱、随机性强、容易受到外界干扰等特点,设计了基于DSP的心音信号数字检测系统,该系统由心音传感器、放大电路、滤波电路、A/D转换和DSP等部分组成;使用该系统先后在多家医院进行了临床心音信号采集,300多例心音样本采集实验表明,本系统可实现对微弱心音数据的实时采集、放大与有效滤波,采集系统可以满足对心音信号的检测要求。     

基于人工神经网络及小波分析的心音诊断方法

由于传统的心音听诊就是凭医生的经验用听觉分析心音信号,不能满足医学上所要求的高精确度性能而且听诊技能要花多年时间才能掌握,针对这些弊端本文提出了一种新的心音诊断方法.它对电子听诊器录制的心音数据,经过去噪预处理后用小波变换进行分析并提取特征值,再将选取的特征值输入到前馈型神经网络进行训练和识别.实验中我们用节点数分别为9,5,5的BP神经网络能成功识别出主动脉关闭不全,主动脉狭窄,二尖瓣关闭不全,二尖瓣狭窄,和正常心音五类心音,能为相应心脏疾病的诊断提供有力的依据,为临床应用提供有效的分析手段.     

基于小波变换的心音信号滤波方法研究

为了准确提取心音信号,心音信号消噪是实现心血管疾病无创诊断的前提,传统的心音信号消噪方法在消除噪声的同时,也滤除了心音的有用信息.利用小波变换多尺度多分辨率的特点对心音信号进行分解,将不同频带的信号展现在小波分解的不同尺度上,根据心音信号的频率分布特点,通过选择重构系数可消除心音信号中的干扰分量,并对不同小波的消噪效果以及同一小波不同分解层数的消噪效果进行仿真对比研究.结果表明,在haar、db6、sym8、coif5四种常用小波中,db6小波对心音信号的消噪效果最明显,证明其中采用db6小波进行5层分解可以获得最佳消噪效果,并对临床采集的228例心音信号进行消噪实验,db6小波均获得了很好的效果.     

心脏杂音提取和分类识别研究

为了分析心脏杂音中包含的病理信息,采用奇异谱主分量分析方法从病理心音信号中提取杂音成分。对四种常见的病理心音信号进行奇异谱分析,得到各主分量和经验正交函数,选择合适阶次重构正常心音成分和杂音成分。计算杂音信号的样本熵作为特征值输入支持向量机分类器实现分类识别,为临床诊断提供参考信息。     

基于Hilbert-Huang Transform的心音信号谱分析

心音信号是一种典型的非平稳信号,传统信号处理方法的应用受到很大限制.针对此本文提出了基于Hilbert-Huang Transform(HHT) 的心音信号的分析方法,对冠心病患者的心音信号进行了分析.通过把心音信号分解为内蕴模式函数,利用Hilbert变换建立了心音信号的时间-频率-能量三维Hilbert谱分布以及边界谱分布;Hilbert谱及其边界谱在时域以及频域以较高的分辨率表征了心音信号的时频变化特性,揭示了冠心病患者心音信号的病理特征;为冠心病的早期无损诊断奠定了坚实基础,临床实践中有较大的指导价值.     

基于高阶统计量的心音信号分析

对高阶统计量方法应用于心音信号分析进行了研究。建立了心音信号的AR双谱模型,获得了心音的双谱幅度图,并采用模型参数作为特征参量对心音信号进行了二类模式识别。实验结果表明,高阶统计量在心音信号分析和处理中具有较大的应用潜力。     

基于Hilbert2Huang Transform 的心音信号谱分析

心音信号是一种典型的非平稳信号,传统信号处理方法的应用受到很大限制。针对此本文提出了基于 Hilbert - Huang Transform(HHT) 的心音信号的分析方法,对冠心病患者的心音信号进行了分析。通过把心音信号分 解为内蕴模式函数,利用Hilbert 变换建立了心音信号的时间- 频率- 能量三维Hilbert 谱分布以及边界谱分布; Hilbert 谱及其边界谱在时域以及频域以较高的分辨率表征了心音信号的时频变化特性,揭示了冠心病患者心音信 号的病理特征;为冠心病的早期无损诊断奠定了坚实基础,临床实践中有较大的指导价值。     

基于心音传感阵列ICA 信号处理的冠心病诊断的研究

通过研究冠脉血流动力学和心脏心音产生的机理，首次提出了将独立分量分析（ICA）方法应用于心音信号处理并达到自动检测冠心病的目的。在本系统中，信号采集系统采用了高灵敏度传感器列阵对正常人及冠心病患者胸部的多个部位进行检测。经预处理后的信号最后通过计算机进行数据采集。应用独立分量分析的方法将心脏舒张期的心音信号进行分离，并将各心音分量的统计特征参数作为输入参量输入到径向其函数网络（RBF网络）进行训练和识别。实验结果说明，独立分量分析结合人工神经网络的心音信号的分析方法是一种较为有效的诊断冠状动脉疾病的无创伤方法。     

Classification of cardiac sound signals using constrained tunable-Q wavelet transform

The features extracted from the cardiac sound signals are commonly used for detection and identification of heart valve disorders. In this paper, we present a new method for classification of cardiac sound signals using constrained tunable-Q wavelet transform (TQWT). The proposed method begins with a constrained TQWT based segmentation of cardiac sound signals into heart beat cycles. The features obtained from heart beat cycles of separately reconstructed heart sounds and murmur can better represent the various types of cardiac sound signals than that from containing both. Therefore, heart sounds and murmur have been separated using constrained TQWT. Then the proposed novel raw feature set has been created by the parameters that have been optimized while constraining the output of TQWT together with that of extracted by using time-domain representation and Fourier–Bessel (FB) expansion of separated heart sounds and murmur. However, the adaptively selected features have been used to obtain the final feature set for subsequent classification of cardiac sound signals using least squares support vector machine (LS-SVM) with various kernel functions. The performance of the proposed method has been validated with publicly available datasets and the results have been compared with the existing short-time Fourier transform (STFT) based method. The proposed method shows higher percentage classification accuracy of 94.01 as compared to 93.53 of STFT based method. In comparison with STFT based method, it is noteworthy that the proposed method uses well defined and lower dimensionality of feature vector that can reduce the computational complexity.     

基于循环平稳特性的心音信号噪声评价指标

采用计算机来分析心音信号引起了越来越多的研究人员的关注,但是,心音信号在采集过程中常常会受到各种噪声的干扰,如何评价心音信号受噪声影响的程度就成为一个重要的问题。提出了一种基于循环平稳特性的心音信号噪声评价指标--质量因子,它能够准确地、定量地评估心音信号的噪声情况,即质量因子越大,信号受噪声的影响越小。如果实际采集的心音信号比较长,那么计算整个信号的质量因子,把质量因子最大的那一段心音信号取出来进行处理,这样可以大大减少去除噪声等预处理过程,节省了计算量和时间。所提出来的质量因子,对于正常和异常心音信号都适用,计算机完全可以自动计算,无需人工干预。     

心音身份识别技术的研究

文中研究心音身份识别的基本原理和实现方法.首先分析心音信号的特性和作为生物识别的可行性;然后建立基于心音子波族的心音信号合成模型,并且用特征向量分布相图形象地比较两个心音的特征,用倒谱减法消除听诊器的类型和位置变化所产生的影响;最后,采用心音线性频带倒谱(HS-LBFC)提取心音特征参数,用相似距离等实现心音的身份识别.为了突出心音在时、频域上存在的差异,重点研究了构建心音子波的方法,合成模型中各参数的计算方法,以及心音特征参数的确定和对应的数据处理技术.实际实验结果表明,该方法具有很好的识别率和实用性.     

基于双门限的第一、第二心音自动识别方法

为提高心音检测算法对异常心音的识别率,提出一种基于双门限的第一心音(S1)和第二心音(S2)自动识别方法,通过海明窗进行滤波预处理,采用改进型希尔伯特-黄变换提取心音包络,利用双门限法对心音进行分段,使用临床知识对S1和S2进行自动识别。实验结果表明,该方法能够准确识别正常心音和异常心音中的S1和S2。     

Heart sound classification based on scaled spectrogram and tensor decomposition

Heart sound signal analysis is an effective and convenient method for the preliminary diagnosis of heart disease. However, automatic heart sound classification is still a challenging problem which mainly reflected in heart sound segmentation and feature extraction from the corresponding segmentation results. In order to extract more discriminative features for heart sound classification, a scaled spectrogram and tensor decomposition based method was proposed in this study. In the proposed method, the spectrograms of the detected heart cycles are first scaled to a fixed size. Then a dimension reduction process of the scaled spectrograms is performed to extract the most discriminative features. During the dimension reduction process, the intrinsic structure of the scaled spectrograms, which contains important physiological and pathological information of the heart sound signals, is extracted using tensor decomposition method. As a result, the extracted features are more discriminative. Finally, the classification task is completed by support vector machine (SVM). Moreover, the proposed method is evaluated on three public datasets offered by the PASCAL classifying heart sounds challenge and 2016 PhysioNet challenge. The results show that the proposed method is competitive.     

基于小波的心音信号分析及其特征提取

心音信号是人体最重要的生理信号之一,它包含了人体心脏和血管中丰富的原始信息.心脏杂音和心音改变的出现,往往是心脏病的最早特征.由于心音信号是一种典型的非平稳信号,所以传统的频域分析已经不能满足研究的需要.文章将时域、时频和功率谱能量等特性分析相结合,研究心音信号的分析方法,提取各种特征以区分不同的心音.理论分析和仿真实...     

平移不变小波在心音信号去噪中的应用

小波阈值去噪方法可以消除心音信号中的噪声,但其缺乏平移不变性,可能在信号的奇异点附近产生人为的振荡现象,即Pesudo-Gibbs现象,影响去噪效果。采用平移不变(Translation Invariance,TI)小波阈值去噪的方法对心音信号进行去噪,通过对信号序列平移来改变奇异点在整段信号的位置,以降低或消除振荡。对信号采用平移不变小波去噪之前,先通过消除趋势项来降低信号采集过程中引入的干扰。实验结果表明,该方法消除了人为振荡现象,在保留心音信号主要特征的前提下,信号的信噪比(Signal-to-Noise Ratio,SNR)和根均方误差(Root Mean Square Error,RMSE)均得到明显改善。     

Hidden Markov model-based classification of heart valve disease with PCA for dimension reduction

In this study, a biomedical system to classify heart sound signals obtained with a stethoscope, has been proposed. For this purpose, data from healthy subjects and those with cardiac valve disease (pulmonary stenosis (PS) or mitral stenosis (MS)) have been used to develop a diagnostic model. Feature extraction from heart sound signals has been performed. These features represent heart sound signals in the frequency domain by Discrete Fourier Transform (DFT). The obtained features have been reduced by a dimension reduction technique called principal component analysis (PCA). A discrete hidden Markov model (DHMM) has been used for classification. This proposed PCA-DHMM-based approach has been applied on two data sets (a private and a public data set). Experimental classification results show that the dimension reduction process performed by PCA has improved the classification of heart sound signals.     

基于DHMM的低心率变异性心音的分割方法

针对现有心音定位分割方法精度有限的难题,提出了一种对心率变异性较低的信号建模分割方法。首先,通过集合经验模态分解（Ensemble empirical mode decomposition,EEMD）使用有效的本征模态函数（Intrinsic mode function,IMF）分量来表征心音信号,提高心音信号的可分析性;然后,通过基础心音与非基础心音间的高斯约束关系建立高斯混合模型（Gaussian mixture model,GMM）;接着,优化隐马尔可夫模型（Hidden Markov model, HMM）并建立基于时间相关性的隐马尔可夫模型（Duration-dependent hidden Markov model,DHMM）,更简洁地描述分割模型,降低算法复杂度;最后,通过时域特征区分出s₁,收缩期,s₂和舒张期。将本文算法与经典Hilbert算法和逻辑回归的隐半马尔科夫模型（Logistic regression hidden semi-Markov model,LRHSMM）算法进行了对比,实验结果表明,本文算法的检出正确率和运算耗时等评价指标更优。     

胎儿远程监护信息的采集与分析

目的:探讨胎儿远程监护系统的数据采集和胎儿信号分析的新方法。方法:采用声卡并结合Matlab软件实现对胎儿心音信号的采集,并分别运用自相关算法和自适应算法对信号进行分析。结果:数据的采集和分析效果理想,可以准确得到胎儿的心率。结论:该数据采集和信号分析方法应用于胎儿远程监护系统可以准确判断胎儿的健康状况,从而保障孕产妇和胎儿的安全。