基于LabVIEW的心音声发射信号分析仪

利用声发射技术直接测量心音信号,将虚拟仪器技术应用于心音信号的分析,开发了基于LabVIEW的心音发射信号分析仪。该仪器通过对采集到的信号进行分析处理,可实时显示心音信号频率与幅度随时间的动态变化特性。采用图形语言编写程序,程序界面友好,便于操作,易于临床诊断心脏及心血管疾病。     

单路单周期心音混叠信号欠定盲分离方法

结合现有的单路混叠盲分离算法和心音信号的周期特性,提出了一种基于dwt_ica的单路单周期心音混叠信号欠定盲分离算法.该算法首先得到一组单周期独立心音子波,然后把该独立心音子波加入到一个单路单周期心音混叠信号中,从而将一路信号变成一个多路信号,接着再利用ICA方法分离该多路信号,可获得源心音信号的一种估计.心音混叠信号的盲分离仿真实验表明,该算法是行之有效的.     

基于LabVIEW的心音采集处理系统设计

本文介绍了一种心音分析虚拟仪器的处理系统方案,为开发出适合个人在PC机上使用的心音分析仪器打下了基础。该仪器是以LabVIEW为硬件开发平台,以HKY06B微音传感器和计算机自带声卡为基础,共包含了心音采集、小波去噪、心音分析三个模块。采用了用傅里叶变换,通过包络,求出两个相邻的最近的机制点的时间差的方法,计算心跳频率和第一心音与第二心音之间的时间间隔,提高了系统的容差能力和计算精度。该仪器突破了传统听诊的局限性,可供医学院的学生们使用,也可作为临床心脏诊断的辅助仪器。     

基于LabVIEW的心音身份识别系统

文中以LabVIEW 2012为开发平台,设计、实现了一种心音身份识别系统.该系统包括心音采集、数据处理和身份识别3个主要模块.心音采集模块利用自制传感器采集心音并去噪;数据处理模块完成心音特征提取和建立心音特征数据库;身份识别模块采用两种算法对心音特征数据进行分类识别,并使用决策层融合算法提高识别率.文中根据心音信号s1、s2的频谱特性和虚拟仪器的特点,提出了一种低频加强型梅尔倒谱系数和频域分段相关系数的特征提取算法,重点分析了基于矢量化欧式距离和最小相关距离分类识别方法.实际应用的结果证明该系统界面友好、操作方便、运算速度快、辨识效率高,具有一定的推广应用价值.     

驻极体传声器在心音采集中的应用

详细介绍了驻极体传声器在心音信号采集中的方法,包括心音信号提取的方案、原理、规则及传声器的阻抗变换问题.同时,为了不使环境电磁噪声埋没有临床价值的心音,对传声器进行了屏蔽保护.临床实验表明,利用驻极体传声器基本上能采集到正常的第一、第二心音,但对有病理信息的第三、第四心音却不易正确采集到,这与患者性别和胖、瘦等因素均有关系.     

基于小波变换的心音信号去噪方法

心音信号在采集的时候常常会受到噪声的干扰,因此对心音信号的去噪声处理成为众多研究者关心的一个问题。本文分析了基于小波变换的心音信号去噪方法的性能,以及小波基函数和分层系数的选择问题。实验表明采用Daubechies小波并进行6层分解,心音信号的去噪效果最优,在保持原始心音信号的成分后还能有效的滤除噪声。     

心音信号的测量与处理

本文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。     

基于匹配追踪算法的信号复杂度在心音分段定位中的应用

分析心音信号的关键是如何有效地提取心音信号的有效成分(第一心音S1、第二心音S2)。文中结合心音信号的自身特点,把心音信号看成含有冲击成分的冲击信号,将匹配追踪算法引入到心音信号分析中,基于该算法提出利用相关结构复杂度对心音信号进行特征参数的提取方法。首先将心音分段,然后计算每段信号的分解次数,将分解次数定义为信号的相关结构复杂度。根据复杂度曲线可以有效地定位出S1、S2,还可以提取心音信号的一些典型特征参数。     

基于声卡的虚拟信号发生器和频谱分析仪

LabVIEW 是一种图形化编程软件,使用灵活方便,在该环境中, 用户能够根据实际需要构造各种虚拟仪器.本文介绍一种在LabVIEW 环境中设计的基于声卡的信号发生器以及信号的频谱分析测试仪的设计方法,利用该仪器可以方便产生信号和对信号进行频谱分析.     

LabVIEW在心音信号研究中的应用

心音信号是人体重要的生理信号之一,它可以直接反应人体的生理病理信息。在本文中利用LabVIEW对心音信号进行采集、去噪,并利用功率谱估计对心音信号进行分析处理,可以明显的区分出正常与异常的心音信号,为正确诊断心血管疾病提供一定的帮助。     

利用小波变换分析心音信号

心音信号可以用于诊断一些心脏瓣膜和心肌的疾病，心音信号是一种非平稳信号，而小波变换中数字信号处理技术适合于分析非平稳信号。文章阐述了一种利用小波变换分析心音信号的方法。通过对计算机模拟的心音信号的分析实验，分析利用小波变换可以有效地分析心音信号，从而为利用心音信号诊断心脏疾病提供了一种新的方法。     

三种时频分析方法在心音信号分析中的应用

文章介绍了一种新的时频分析方法—— Hilbert谱分析 ,并将其应用到心音信号的时频分析中 ,分析对比了短时 Fourier变换 ,小波分析和 Hilbert谱分析这三种方法在处理心音信号时的性能差异 .传统的基于 Fourier的方法不能有效的分析非平稳信号 .文章分析证明了这种新方法在分析像心音信号这种非平稳信号的有效性 ,它能对信号的时频分布做出比短时 Fourier变换和小波分析更为精确的描述 .用这种方法 ,我们能提取心音信号中频率变化的信息 .     

基于自适应阈值的心音分段算法研究

心音信号可以反映人体心脏瓣膜活动情况,对心音进行分类可以区别出不同心音的病理性信息,这对于临床上诊断不同的心脏疾病具有重要的意义.心音分段是进行心音分类的前提,通过心音分段可以定位出心音中的第一心音(S1)和第二心音(S2),为心音特征参数提取与心音分类提供定位基准.为此,本文提出了一种新的自适应阈值选取心音分段算法.该方法首先利用小波变换默认阈值法对心音信号进行去噪;然后使用归一化香农能量来提取较为平滑的心音包络;接着对包络进行有效地峰值检测,从而确定初始大阈值TH1,并通过迭代法得到最终稳定的双阈值;最后进行心音分段以及分段结果分析.针对部分异常心音分段结果,如心音分裂等的分段结果,利用心音时域、能量等特性实现心音段的合并或去除,保证了分段结果的准确性.实验结果表明,本文方法对正常及异常心音分段准确率分别为97.24%和91.83%,总体分段准确率为95.56%,分段准确率高于传统的阈值选取分段方法.     

基于循环平稳包络的心音分割方法

提出了一种基于循环平稳包络的心音分割算法,自动把第一心音(S1)和第二心音(S2)从每个周期中分别提取出来。计算心音信号的循环平稳包络,选择一个阈值来区分S1和S2。不需要参考信号,而且不受噪声干扰,即使是在有噪声的情况下,也能正确区分出S1和S2。处理了来自20个样本的心音信号(包括15个正常心音和5个异常心音,共715个周期),结果显示,分割的正确率超过96%。     

心音信号的时频分析

首先对几种典型信号的计算结果进行了分析，并比较研究了短时傅里叶变换和连续小波变换在心音信号时频分析方面的性能差异．指出了应用这２种方法应该注意的问题，并对一例正常和一例非正常的心音信号的时频分析进行了讨论     

心音信号分析方法及应用性研究

阐述了心音信号的产生机理、组成成分以及人体微弱心音信号检测的关键技术,介绍了心音信号处理技术在心血管疾病无创诊断中的意义,结合应用分析了经典心音信号谱分析方法的局限性,对现代心音分析中的常用的时频分析方法的特点进行了探讨,并展望了心音信号识别技术的应用与发展前景.     

基于新进化优化BP学习算法的心音识别方法

为提高人工智能辅助诊断心音识别的准确率, 根据心音信号的周期性特点, 提出以快速主成分分析算法对心音信号降维和提取特征, 同时基于单形进化算法, 优化BP神经网络学习算法的输出与期望的误差函数, 以改进BP神经网络的学习性能, 实现对心音信号高准确度的分类识别. 针对正常心音及8类异常心音信号进行性能分析与测试, 实验结果表明, 各类心音的平均识别率为95.96%, 改进算法比其他对比算法识别率分别提高了4.9%,3.9%,1.9%, 表明该算法能更有效地分类识别心音信号, 提高人工辅助诊断的识别率.     

基于新进化优化BP学习算法的心音识别方法

为提高人工智能辅助诊断心音识别的准确率, 根据心音信号的周期性特点, 提出以快速主成分分析算法对心音信号降维和提取特征, 同时基于单形进化算法, 优化BP神经网络学习算法的输出与期望的误差函数, 以改进BP神经网络的学习性能, 实现对心音信号高准确度的分类识别. 针对正常心音及8类异常心音信号进行性能分析与测试, 实验结果表明, 各类心音的平均识别率为95.96%, 改进算法比其他对比算法识别率分别提高了4.9%,3.9%,1.9%, 表明该算法能更有效地分类识别心音信号, 提高人工辅助诊断的识别率.     

电子心音听诊器的研制

提出了一种改进传统听诊器功能的可行方案.首先,采用Matlab来处理心音数据(由蒙特利尔研究院提供),包括数字滤波、陷波和频谱分析.然后,根据心音的特点(振幅小和波段宽),设计心音传感器、放大和滤波电路.最终,研制了一款电子心音听诊器,既能实时播放心音,又能在LCD上同步显示心音波形,同时也能存储与回放心音信号.