心音信号的时-频分析

与心脏有关的各种疾病的信息常常反映在心音中.心音的改变和心脏杂音的出现,往往是器质性心脏病的最早体征.心音信号是非平稳信号,为全面了解心音信号的特性,文中探讨了短时傅立叶变换和小波分析两种时频分析方法;并利用它们对正常和非正常心音信号进行了分析,通过对比分析结果,比较了各自的优劣.     

基于LabVIEW的心音多功能分析仪

基于LabVIEW开发了一种集心音的采集、多功能处理和心音信号发生器于一体的心音分析仪。该仪器是在普通PC机上开发,使用自制的无线心音采集装置和心音信号采集子系统配合提取心音信号,然后利用小波去噪子系统清除背景噪声,最后可利用时域分析子系统和频域分析子系统对心音信号进行各种分析。心音信号发生器子系统可以根据需要产生一种合成心音信号,供用户学习使用。为使仪器达到最佳使用效果,已经为每一个功能模块中的参数寻找到最佳值并设为默认值,而且每一个参数都是可调节的。实际使用效果证明该仪器能够采集到清晰的心音信号,能有效去除干扰噪声,快速准确地计算出心音的各个特征值,能根据用户参数设置快速生成相应的心音信号并播放。     

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ZigBee网络的心音无线检测系统设计

针对众多连线的心音检测仪给病人带来心理上的干扰问题,介绍了基于Z igBee的无线传感器网络在心音信号传输中的应用,设计了一种心音无线检测系统,包括心音传感器、信号预处理、A/D转换电路、网络节点、检测基站和数据采集及自动分析部分.根据心音信号属于非平稳信号的特点,提出了基于复杂度的心音分析方法.实验结果表明,本系统能够对心音信号进行实时采集和有效传输,基于复杂度的算法能够成功地从心音信号提取S1和S2,并获取了3项医学指标:心率,第一心音与第二心音幅值比(S1/S2)和舒张期与收缩期时限比(D/S),初步实现了心音信号的自动识别.     

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 .     

基于高斯混合模型的心音信号识别

为了准确区别各种心音信号, 获得更理想的心音识别效果, 提出一种基于高斯混合模型(GMM)的心音信号识别模型. 首先采用小波变换对原始心音信号进行去噪处理, 消除噪声对心音信号特征提取的干扰; 然后对心音信号进行特征提取, 并采用高斯模型构建心音信号分类和识别模型; 最后采用心音信号数据对模型的性能进行验证. 结果表明, 该模型的心音信号平均识别率超过95%, 且心音信号识别结果优于其他模型.     

基于Hilbert-Huang变换的第一心音信号时频分析

根据瓣膜原理,第一心音(S1)是在心脏收缩期由二尖瓣和三尖瓣关闭时引起的振动产生的,含有多个频率分量.对第一心音信号的分析研究,在临床上对心脏疾病的诊断有重要意义.本文用一种全新的时频分析方法:Hilbert-Huang变换(HHT),对30例心音数据进行心音分析实验.实验结果表明:HHT方法可以有效的分析心音信号;S1含有二尖瓣M1及三尖瓣T1两个主要成份;异常S1的M1和T1的频率比正常S1有升高.     

高斯混合模型心音信号自动识别

为了提高心音信号自动识别的准确性,该文提出一种高斯混合模型心音信号自动识别方法。首先收集心音信号进行预处理,提取心音信号的Mel频率倒谱系数作特征参数,采用高斯模型库进行心音信号自动实别,最后利用仿真实验对其性能进行测试和分析。实验结果表明,该文方法可以准确描述心音信号变化特点,相对其他心音信号自动识别方法,其识别率大幅提高,可应用于心脏疾病的诊断中。     

基于变值逻辑与深度学习模型的心音分类研究

针对目前心音分析算法识别率不够高的问题,提出了一种基于变值逻辑模型的先心病心音分类算法.首先,对心音信号进行预处理,去除非病理性噪声并提取心音包络;然后,对心音信号的包络数据进行变值逻辑运算,对包络数据进行标记将其转换为伪DNA序列,并转换为可视化分析的测度数据;最后,使用Inception_Resnet_v2等深度学习模型对常见先心病心音信号进行多分类测试,并与其它已有的算法进行对比.研究所用的正常和异常心音样本共1 000例,其中在测试集上进行多分类的平均准确率为0.931.实验结果表明,该算法优于目前已有的几种算法,有望用于先心病初诊的机器辅助诊断.     

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。     

基于Simulink的自适应心音增强

记录心音的过程中,不可避免地要引入很多种噪音.这些干扰噪音对记录的心音波形产生不利因素,甚至会严重影响心音分析的结果.在对心音信号进行进一步的处理之前,必须对噪声加以抑制.针对心音信号的非平稳性,提出了以自适应滤波方法来消除干扰,并提出了以心音间隙期的样值作为参考噪声的分析方法.运用动态系统仿真工具Simulink,建立了LMS自适应滤波的心音增强模型.实验结果表明,该方法能有效地抑制噪音,达到增强心音的目的.     

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.     

时频表达在心音研究中的应用

心音是一种非平稳信号,用时频分析方法可以获得这种信号的一些重要的特征,为此提出了不同时频表达在心音研究中的几个性能指标：频谱的聚集度,时间包络的覆盖率、均方误差和规则性.基于这些指标比较了心音信号的短时傅立叶变换、连续小波变换、S变换、Wigner-Ville分布等时频表达的性能,并给出了具体应用的例子．     

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.     

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     

基于短时傅立叶变换和连续小波变换的先天性心脏病心音比较分析研究

介绍了将短时傅立叶变换(STFT)和连续小波变换(CWT)用于先天性心脏病(房间隔缺损、室间隔缺损、动静导管未闭)心音信号进行时频分析、特征提取的研究.两种方法都能较好的识别先天性心脏病人,总有效率为85%.论文对两种方法的优缺点进行了比较.小波变换比短时傅里叶变换能更有效的识别正常人与病人的心音信号的特征,可分性更好.但是短时傅里叶变换能量范围更集中,动态范围变化也更小一些.     

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。     

5种小波在心音信号处理中的分析与比较

小波分析凭借其特性,非常适合作为一种工具对心音信号进行分析处理。但由于不同小波各有其特点,导致处理效果存在一定的差别。文中特根据心音信号的特征构造一种小波,并与db5小波、bior5.5小波等4种小波进行比较。结果证明自构小波在进行心音去噪、分解重构以及分类上都有非常良好的效果。并进一步证明了根据一类信号的特点构造一种小波是提高分析效果的可行方法。