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.     

基于HHT和PPA的心音分段算法研究

心音是人体的一种重要的生理信号,它含有大量关于心脏病理状况的相关信息,反映了心脏及心血管结构及生理和病理信息。针对能否有效地提取第一心音(S1)、第二心音(S2),从而判断心脏是否病变,并且作为后续研究的基础,提出基于HHT和PPA的心音分段算法,包括首先利用希尔伯特-黄变换(HHT)进行心音包络的提取,然后利用中值滤波对包络进行平滑处理,最后通过峰逐层算法(PPA)来消除多余的低幅度峰值。通过对40例心音进行分段处理,可以对其中的39例进行正确分段。结果证明这种方法可以有效地提取心音信号的S1、S2,为后期的识别研究奠定了良好的基础。     

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。     

心音信号的测量与处理

阐述了心音信号的产生机制及成分,分析了心音信号的采集和预处理,最后对近年来心音信号的识别和分类进行了简要的说明。     

基于HKY06C传感器的心音信号检测与实现

根据人体心音信号噪声强、信号弱、随机性强,容易受到外界干扰的特点,设计了基于HKY06C新型传感器的心音检测系统,实现了对微弱心音信号的数据采集以及心音图的实时显示与保存,通过对不同个体的实测表明,该检测系统可以满足对人体心音信号的检测要求,通过心音图可以清晰的分辨出各种心音成分.     

基于小波变换的第二心音分裂检测

第二心音分裂在心脏疾病诊断中具有重要的意义.然而当分裂不是很明显时对信号直接分析不容易被检测出来.本文首先使用小渡降噪方法,滤除了信号中的噪声干扰.然后选用dmey小波,对信号进行了5层小波分解,在特定的层进行了重构,使二音分裂在该重构的层变得易于检测.最后用该方法对87个各类心音进行了检测试验,在保证对正常第二心音不发生误判的情况下.二音分裂的漏栓率仅为2.3%,表明该方法实用有效.     

心音检测识别技术在汽车主动安全中的应用

提出了一种基于心音特征分析的汽车主动安全技术,探讨利用心音信号对驾驶员现场健康状况进行监测的可行性和具体实施方法.首先分析了心音信号与汽车背景噪声的特点,提出了汽车环境中的心音信号模型,据此设计出一种汽车主动安全的汽车心音采集装置,然后给出了一种基于独立子波函数的心音信号分类识别方法.讨论了心音独立子波函数的构成准则,获取心音独立子波函数的算法,以及如何将心音独立子波函数作为一种新的统计特征参数,并且给出了一种心音确定度的新概念.最后通过一个实际的心音采集与分类识别实验,验证了本文方法的有效性和可行性.     

可视化心音诊断教学系统设计

为了帮助初学者从"听"和"视"两个方面来学习和掌握不同心音的特点,设计了一种可视化心音诊断教学系统。系统首先将读入的信号利用fir滤波器进行滤波处理,之后采用S变换提取信号包络,并分别从ARMA双谱分析、CWD分布两个不同方面进行分析,来提供心音信号的时频特征。以Delphi为开发平台,结合第三方组件DewLab Studio、AudioLab、PlotLab以及Python语言进行系统开发。与传统的以"听"为主的心音教学方法相比,系统从可视、可听两个方面进行教学,提高教学效果。     

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HHT的心音分段和医学指标提取

提出了一种希尔伯特黄变换(HHT)与香农能量相结合的包络提取方法,使包络更加平滑,分段更加准确。针对希尔伯特包络不平滑的问题,提出一种希尔伯特黄变换(HHT)与香农能量相结合的包络提取方法,使得所得包络更加平滑;针对经验模态分解(EMD)时采用三次样条插值而造成的端点效应问题,采用镜像闭合端点延拓方法予以解决。实验表明使用提出的新方法可以得到更好的结果。最后对心音信号进行包括心率、S1/S2和D/S在内的医学指标的提取和分析,这为临床上评估心脏储备提供了便利。     

心音中医学指标的提取

根据心音信号自身的特点,结合经验模式分解,提出了一种从心音信号中提取医学指标的方法。对心音信号进行预处理,然后对预处理后的信号采用黄变换,获取各阶固有模态函数（IMFs）,从中选取第一和第二阶IMF进行希尔伯特变换,得到心音的包络。利用双阈值法,并给出具体的阈值,实现了对第一心音（S1）和第二心音（S2）的定位,从心音信号中获取了心率S1和S2的幅值比（S1/S2）以及舒张期和收缩期的时限比（D/S）,为临床上评估心脏储备提供了便利。     

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。     

基于互相关时间延迟估计的心音源定位方法

提出一种用于正常噪声环境下的心音源定位方法。利用3个传感器同步记录胸前3个位置的心音信号,对自动识别出的心音成分采用互相关法,估计同一心音源发出的信号到达2个传感器的时间延迟。利用时间延迟和传感器坐标确定心音源在传感器连线上的投影点坐标,由投影点与心音源的关系定位心音源。实验结果显示,对于采集到的健康人心音信号,利用该方法可以定位第一心音源。     

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STC单片机和LabVIEW的心音信号检测系统

介绍了一种用于身份识别的心音信号采集和处理系统。该系统利用STC12C5A单片机作为核心控制器,通过自带的A/D对经过放大、滤波等预处理后的心音信号进行模数转换,然后通过RS232总线将信号传输到上位机进行处理,在上位机利用LabVIEW设计一套集数据采集、存储、回放和分析于一体的虚拟检测平台。实验结果表明,利用该系统采集三位被测试者60组心音信号,建立WPT+GA-SVM心音身份识别模型,其识别准确率达到了85%。     

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。     

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。     

基于广义指数分布的心音信号时频特性分析

利用广义指数分布方法对正常和异常第二心音信号进行时频分析，所得时频分布图清楚地描述了心音在时频域的动态变化特性，对于揭示心脏及心血管系统的生理、病理具有积极的作用，在理论研究和临床诊断中有一定的实用价值。     

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。     

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。