结合SVM和香农能量的HSMM心音分割算法

针对基于逻辑回归的隐半马尔可夫模型中希尔伯特（Hilbert）变换提取的心音包络具有较大毛刺,提出一种结合支持向量机（Support vector machine, SVM）和香农能量的隐半马尔可夫模型（Hidden semi-Markov model, HSMM）心音分割算法。首先采用小波降噪的方法对心音进行降噪,接着根据R峰和T波标记心音,提取香农能量包络等特征,然后对结合逻辑回归模型（Logistic regression, LR）的HSMM相关参数进行训练,并借助Viterbi算法推测出最可能的状态。最后,通过SVM模型识别第一心音S₁和第二心音S₂。该算法无需设置硬阈值,有效地抑制了噪声,更有助于包络的提取。实验结果表明,提出的算法分割精确度较参考算法得到显著的提升,具有良好的抗噪性能,取得了更好的分割效果。     

基于小波和高斯-马尔可夫随机场的纹理分割

为了提高纹理分割的准确性和区域一致性，降低分割的错误率，在文献[5]的基础上，提出了一种基于小波和高斯．马尔可夫随机场(GMRF)的纹理分割方法。该方法首先对图象进行Gabor小波分解，得到一系列分辨率不同的子图象，然后采用基于GMR的K-均值聚类算法从最低分辨率图象进行聚类，一直到最高分辨率为止，这样就得到一个原始图象的初始分割，最后引入特征加权算法^[7]，进行后分割，得到最终分割结果，并对仿真结果与文献[5]的算法进行了比较，表明该算法是比较有效的．     

基于HMM和WNN的心音信号身份识别研究*

将隐马尔可夫模型（HMM）与小波神经网络（WNN）相结合,提出了一种基于心音信号的身份识别方法。该方法首先利用HMM对心音信号进行时序建模,并计算出待识别心音信号的输出概率评分;再将此识别概率评分作为小波神经网络的输入,通过小波神经网络将HMM的识别概率值进行非线性映射,获取分类识别信息;最后根据混合模型的识别算法得出识别结果。实验采集80名志愿者的160段心音信号对所提出的方法进行验证,并与GMM模型的识别结果进行了对比,结果表明,所选方法能够有效提高系统的识别性能,达到了比较理想的识别效果。     

基于集合经验模态的低SNR下信源数估计方法

针对经验模态分解在提取阵列信号特征时对噪声非常敏感和过低信噪比会使模式混叠更加复杂的问题,提出了一种基于集合经验模态分解和BP神经网络的信源个数估计方法。所提方法在经验模态分解中加入均值为零的高斯白噪声,通过白噪声的频谱均匀分布的特性,使不同时间尺度的信号分量自动映射到相应的IMF上,将提取到的阵列信号瞬时相位特征放入BP神经网络中训练,得到能进行信源个数估计的分类器模型。最后,射频消音室实验证明,即使在低信噪比和信源总数少于或仅少于天线总数一个的极端情况下,所提方法也能获得良好的检测性能。     

基于层次HMM的运动目标分割

提出对差分图像用三层统计模型表示的思想：前景运动汽车层、背景运动汽车层和运动阴影层,并分别建立了各层的统计模型,应用HMM对运动图像序列进行模型参数估计,通过模型进行运动汽车分割。HMM利用图像序列帧之间的图像像素空间相关性和时间相关性,从而完成模型参数的识别。通过MAP算法完成模型参数具体化,不但用模型完成图像前景目标的分割,同时在分割中自然区别了背景运动目标和阴影,实现了复杂背景图像的运动汽车分割。实验结果表明方法能够有效地完成分割目的。     

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。     

基于LSA-HMM的新闻主题分割

主题分割技术是快速并有效地对新闻故事节目进行检索和管理的基础。传统的基于隐马尔可夫模型(HiddenMarkov Model,HMM)的主题分割技术仅使用主题和主题之间的转移寻找主题边界进行新闻分割,并未考虑各主题中词与词之间存在的潜在语义关系。本文提出一种基于隐马尔科夫模型的改进算法。该算法使用潜在语义分析(Latent Se-mantic Analysis,LSA)对词频向量进行特征提取和降维,考虑了词与词之间的上下文关系,通过聚类得到文档类别信息,以LSA特征和主题类别作为HMM的观测和隐状态,这样同时考虑了主题之间的关系,最终实现对文本主题分割。数据实验表明,该算法具有较好的分割性能。     

一种基于混合概率模型的视频分割方法

该文提出一种新的基于混合概率模型视频分割方法。这个方法主要利用两个概率模型：隐马尔可夫模型和概率图模型建立一个混合的贝叶斯网概率模型,对视频输入中背景变化的时间和空间局部相关性（同现性）进行学习。在建立正确模型参数的基础上,贝叶斯信念传播算法根据图像输入预测当前背景状态的后验分布。并根据预测得到的背景状态对输入图像进行分割,实验结果显示方法的有效性和在复杂背景变化下的鲁棒性。     

基于层级图分割的视频分割

我们提出了一个全新的视频分割的方法。它不仅效率很高,而且,可以为任意长的视频生成结果。首先,我们将每一帧图像利用超像素的方法进行预分割。然后,利用基于图的层级分割的方法,将每一帧的预分割进一步分割成不同的区域。预分割中光流分析的方法保证了分割结果的时间空间一致性。在利用这种方法对视频进行分割的时候,我们只要根据上一帧的结果就可以计算下一帧,所以,我们可以针对任意长度的视频进行分割。     

年龄对利用脉搏波估计心率和心率变异性的准确性的影响

由于测量简便,脉搏波被广泛用于替代心电计算心率和心率变异性,但其准确性颇受争议。该文探讨了年龄对利用脉搏波估计心率和心率变异性准确性的影响,实验招募了 100 名年龄广泛分布在 20～71 岁的健康者,同步采集静息脉搏波和心电图,利用脉搏波相邻峰值点的时间间隔序列,计算受试者的瞬时心率和心率变异性,并将其与利用心电相邻两个 R 波峰值点计算的心率/心率变异性(金标准)进行对比,计算利用脉搏波估计心率和心率变异性的误差。实验结果表明,心率估计误差在 40 岁以下的年轻人中较小(标准差在 0.3 搏/min 左右),在 40 岁以上的中老年人中较大(标准差在 0.7 搏/min 左右),时域的心率变异性参数的规律类似。因此,即使在静息条件下,利用脉搏波峰值点计算老年人的心率/心率变异性也要谨慎对待。     

基于两级神经网络的心音分割

心音信号是分析诊断心脏疾病的重要信号,而心音分割是对其进行分析处理之前必不可少的一步。本文通过将心音分割任务分离为定位与识别两个子任务,提出一种两级卷积神经网络,由定位网络和判别网络两级构成,分别完成心音信号的识别与定位。首先将原始信号通过滑动窗口进行分帧,然后通过短时傅里叶变换得到其频谱,再通过梅尔滤波器得到其梅尔频谱系数（Mel frequency spectral coefficient, MFSC）特征,输入第1个定位网络对其是否为心音段进行判断,如果是的话,再输入判别神经网络,识别第一心音与第二心音,从而实现心音的分割。最后利用多帧结果投票,减小误判。同时,在卷积神经网络中引入空间注意力机制,实验结果表明,这种加入了注意力机制的两级神经网络模型在心音分割任务上比使用单个卷积神经网络分类模型的准确率更高,也使得模型更加简单,轻量化。     

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。     

心脏病图像分割方法研究

研究心脏造影图像准确分割问题。心脏病变区域存在大量水状的囊肿,囊肿区域的像素会造成病变区域图像像素灰度大幅下降,与正常区域的灰度差减少。传统的图像分割方法多是基于边沿像素灰度差进行分割,大量来自水状病变区域的干扰像素使得病变区域边沿像素与正常区域像素发生灰度混淆,造成利用灰度差方法进行图像分割的准确率比较低的问题。为此提出了一种基于改进神经网络算法的心脏造影图像分割方法。提取图像中的关键细节特点,运用改进后的神经网络模型,对水状杂质像素的干扰进行迭代分割过滤。实验证明,运用神经网络方法能够有效提高心脏造影图像病变部位分割的准确率,具有很好的应用价值。     

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。     

Mining Physiological Conditions from Heart Rate Variability Analysis

This article presents a successfully developed methodology for mining physiological conditions from heart rate variability (HRV) analysis. The application of HRV analysis in both research and clinical settings has seen rapid development in the past decades. Unlike previous research, this study employed features derived from longterm monitoring of HRV indices, as these trends can best reflect the autonomic nervous system dynamics influenced by various physiological conditions. We proposed two methods for mining physiological conditions from HRV trends: a decision-tree learning method and a hybrid learning method that combines feature selection, feature extraction, and classifier construction processes. The proposed methods have been validated through a clinical case study: severity classification for Parkinson's disease. Our approach yielded classification accuracy greater than 90.0%, and high sensitivity, specificity, positive predictive values (PPV), and negative predictive values (NPV).     

心率变异的测量和分析

心率变异性实时测试系统由心电图机、Apple-II微型机、6522接口板和自制的接口电路组成. 将一系列心跳事件看作时间序列,并把发生在任意时刻,t_i的事件用其最接近的采样脉冲表示,则心跳序列可表示为     

心率变异时间序列的预处理算法

心率变异性(Heart rate variability,HRV)是近年来备受关注的无创性心电检测指标之一,但是HRV分析采用的心率变异时间序列(RR间期序列)由于受各类复杂因素的影响,会产生异常脉冲干扰及非平稳趋势波动,对后续的数据分析及有效信息提取产生很大的影响.针对该问题,本文提出一套用于心率变异时间序列预处理的算法,综合采用基于小波分解的去趋势方法和基于脉冲抑制滤波器、差分阈值滤波的方法去除原始间期序列中的非平稳趋势和异常脉冲干扰.通过时域频域对照分析及常用HRV统计指标的评估,结果表明,经本文所述预处理算法处理后的数据,有效抑制了脉冲干扰及非平稳趋势的影响,且主要信息无明显损失,各项常用HRV统计指标的诊断价值均得到了不同程度的提升.     

心脏CT图像分割方法

借助手术导航技术的微创消融将逐渐成为外科治疗房颤的主流方法。快速、准确地分割心室、心房是微创消融的关键技术之一。针对心脏CT图像的具体特征提出一种分割技术,将基于像素的传统方法和基于水平集的活动轮廓模型相结合,完成图像预分割。分割结果直接作为变分水平集的初始轮廓,经若干次迭代后,得到心室、心房的光滑轮廓。