高阶统计量在心音信号检测与分析中的应用

介绍一种心音信号检测系统和采用高阶统计量对信号进行分析的方法，首先根据心音信号的特点，讨论了信号检测系统的结构，在信号处理方面，采用现代谱估计方法对心音信号进行谱分析，在此基础上提出应用双谱技术分析心音信号，检测信号的相位耦合信息，进而说明利用高阶统计量能够在高斯噪声背景下大大提高信号检测能力，最后，给出心音信号的双谱估计结果，从中可以得到一般功率谱分析无法得到的有关信息，为心音信号的自动分类提供     

心音信号的自适应小波去噪

在采集心音信号过程中，难免要引入噪声，这些噪声影响到心音的分析结果。由于心音信号的非平稳性，普通的滤波方法在滤去噪声的同时，会丢失部分心音成分。文中提出了一种新的基于小波变换的自适应滤波方法，该方法能够有效抑制噪声，经实例验证，取得了满意的结果。     

基于CEEMDAN和小波熵的心音信号去噪算法研究

针对传统心音去噪算法可能丢失部分重要心音信息问题，提出了一种自适应噪声完备经验模态分解(CEEMDAN)和小波熵结合的心音信号去噪算法。算法通过CEEMDAN将心音信号自适应分解成多个本征模态函数(IMFs),基于各阶本征模态的能量分析判别信噪分界点，对含噪IMF分量采用小波熵自适应阈值去噪后，与信号IMF分量重构，得到去噪后的心音信号。仿真结果显示，在不同信噪比条件下，上述算法均能明显提高心音信号的信噪比，降低均方根误差，优于其它传统去噪算法，具有良好地抑制噪声能力。     

HILBERT包络法在心音身份识别中的应用

在分析心音信号特征的基础上,对心音信号进行预处理,再利用希尔伯特变换对心音信号进行心音信号包络提取,突出了心音信号的第一心音和第二心音.然后对心音包络进行分段,通过单周期心音包络的归一化能量实现了心音信号的身份识别.     

基于混沌特性的复合心音发生器的设计与研究

产生合成心音信号在教学、科研中都有一定的实际应用价值, 本文提出一种复合心音发生器。首先分析心音的产生机理和混沌特性,提出复合心音的合成原则,然后从心音的混沌特性出发构建一种心音发生器,它包括左侧心音产生子模型和右侧心音产生子模型,对它们的输出波形进行合成处理,从而得到一组幅值、周期都可调的合成心音信号。通过对合成心音信号的时频特征和混沌特征进行分析,结果表明,该合成心音信号与实际心音信号具有很高的相似度,可以基本满足教学和科研 的需求。     

基于盲源提取和希尔伯特变换的心音包络提取

心音包络比原始心音可以更好地显示心音的特征,是进行心音识别的基础.由于在体表采集心音信号时容易受到呼吸音、外界环境中不确定干扰的影响而且干扰信号不容易被常规滤波器滤除,结果导致提取的心音包络不能真实反映心音的特征.为了准确的提取心音包络,提出了一种新的心音包络提取方法,首先采用盲源提取算法从采集的信号中获取比较纯净的心音信号,然后采用希尔伯特变换提取心音的包络.通过提取合成心音数据和实际采集的心音信号包络证明了上述方法的可靠性.     

ICA 在心音信号预处理中的应用研究

独立分量分析(ICA)是近年来涌现的用于盲信号分离的新技术，本文利用独立分量分析对心音信号进行了预处理：消除工频干扰。心音信号由自制的心音传感器获得。在分析了独立分量分析的基本原理的基础上，建立了基于互信息极小的目标函数，研究了目标函数优化的迭代算法，给出了利用此算法的ICA实现步骤。实验结果表明，利用独立分量分析有效地对心音信号进行预处理，能成功地从心音中分离出工频干扰信号。     

基于小波变换的心音信号分析研究

通过自行研制的硬件系统，在心前区采集心音数据，并采集一导心电信号来定位心音。用小波变换时频分析方法，对各年龄段正常人和冠心病老年人的低频心音段的第三(S3)、第四(S4)心音进行了分析研究，得出了所有正常人均有S3，S4，并且正常老年人与老年一般冠心病患者S3的频谱主峰频率存在明显差异(P=0．0164)的结论，表明S3的检测有重要的临床诊断意义。     

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。     

基于Android平台的心音识别系统的研究

搭载Android智能手机平台,结合了梅尔倒谱系数和共振峰特征参数,在安卓平台上设计开发出一款集心音采集、心音显示以及心音识别等功能的心音身份识别系统。在该系统中,首先对采集的待测心音信号进行数字化、预加重、分帧、加窗处理,然后提取出心音信号的梅尔倒谱系数特征参数,利用动态时间规整算法将其与数据库模板心音逐一进行模式匹配,并将拥有最小欧氏距离的数据库模板心音作为最终识别结果,最后展示出待测心音和数据库所有模板心音的共振峰特性对比图,定性地反映待测心音和数据库模板心音的差异,给用户直观的判断和感受,进一步认证识别的结果。系统界面简洁,操作方便,识别速度较快,实现了真机运行,并达到了预期效果。     

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.     

深度卷积神经网络在心音分类方法中的应用

通过分析心音信号对心脏早期的病理状态进行确诊具有重要的意义。提出了一种基于深度卷积神经网络的心音分类方法。将心音信号转化成具有时频特性的梅尔频谱系数（Mel Frequency Spectral Coefficient,MFSC）特征图,将其作为深度卷积神经网络模型的输入;利用深度卷积神经网络对MFSC特征图进行训练,引入中心损失函数建立最优的深度学习模型;测试阶段,先将心音信号转换成多张二维MFSC特征图,然后利用训练好的深度学习模型对其分类,最后利用多数表决原则判断心音信号的类别。针对人工标注的训练样本有限,导致模型训练正确率不高的问题,以心音的二维MFSC特征图为对象分别从时间域和频率域进行随机屏蔽处理进而扩充训练样本。实验结果表明,该方法在PASCAL心音数据集上进行测试,对正常、杂音、早搏三种心音的分类性能明显优于现有最好的方法。     

基于CNN和RNN联合网络的心音自动分类

为充分利用心音的全局信息,提出不依赖于分割的心音自动分类方法。对目前的心音分类方法进行总结,分析单阶段和两阶段方法的优势与不足,提出以深度学习提取更好的全局特征作为提升分类效果的新方向。使用精调的卷积神经网络和循环神经网络分别提取心音的频域和时域特征,辅以数据增强的方法进行训练。该方法在测试集的平均分类准确率达到了85.7%,达到了目前单阶段心音分类方法中的最好效果。     

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。      

胎心音检测系统中滤波电路的设计

胎心音检测在胎儿监护中占有极其重要的地位。胎心音的主要频率范围集中在60~180Hz,因此在对信号进行A/D采样之前,应先设计滤波电路,滤除50Hz工频的谐波分量以及母体噪音。滤波电路采用OPA2277双运放芯片,设计具有正反馈的双T型陷波器滤除工频谐波,利用巴特沃斯滤波原理设计高通滤波器和低通滤波器滤除母体噪音。通过Mu ltisim软件对所设计的陷波电路和滤波电路进行频响特性仿真,得到的频响特性曲线表明:所设计电路可成功滤掉工频干扰和母体噪音干扰。     

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...     

智能服装中光纤Bragg光栅心音检测方法的研究

研究基于光纤光栅智能服装心音检测的理论和方法.根据光纤光栅应变效应和圆形膜片振动原理,建立了心音传感数学模型,推导出心音灵敏度计算公式.设计了光纤光栅心音传感器结构并制作出样品,其灵敏度理论值为957.11 pm/kPa.用所设计的传感器对人体心音进行实测,反射波长变化范围约70pm.在体温不变的情况下,光纤光栅反射波...     

基于自适应阈值的心音分段方法仿真研究

针对心音信号频率低、易受干扰并含有大量杂音的特点,提出了一种心音分段新方法。首先,采用dB6小波进行5层小波分解做心音信号降噪处理;然后,采用了一种提取降噪后心音信号连续平均能量包络的方法;最后,根据连续平均能量包络及自相关函数提出了一种自适应阈值心音分段方法。仿真结果表明,该方法所提取的心音信号包络特征更稳健,提出的分段算法与基于短时能熵比法和短时自相关函数法等心音分段算法相比,本文所提算法分段准确度更高。     

基于深度卷积神经网络的心音分类算法

针对现有心音分类算法普适性差、依赖于对基本心音的精确分割、分类模型结构单一等问题,提出采用大量未经过精确分割的心音二维特征图训练深度卷积神经网络(CNN)的方法;首先采用滑动窗口方法和梅尔频率系数对心音信号进行预处理,得到大量未经过精确分割的心音特征图;然后利用深度CNN模型对心音特征图进行训练和测试;根据卷积层间连接方式的不同,设计了 3种深度CNN模型:基于单一连接的卷积神经网络、基于跳跃连接的卷积神经网络、基于密集连接的卷积神经网络;实验结果表明,基于密集连接的卷积神经网络比其他两种网络具备更大的潜力;与其他心音分类算法相比,该算法不依赖于对基本心音的精确分割,且在分类准确率、敏感性和特异性方面均有提升.