基于STMHT算法的心音分割研究

第一心音（S1）和第二心音（S2）的定位和提取是利用心音分析诊断心脏病时的首要任务。鉴于此,本研究提出一种基于STMHT的心音分割法,分别提取S1和S2。本研究分为以下3个阶段:第一阶段,采用小波分解对心音信号进行预处理,保留心音信号的有效成分（21.5~689.0 Hz）;第二阶段,用Viola积分波形法提取心音包络;最后,基于STMHT算法自动定位和提取S1和S2。对30例心音信号的提取结果进行评价,结果表明,S1和S2提取的准确率高达97.37%,优于其它已实现的有效方法。     

基于简单度的包络提取算法在心音分段中的应用

有效提取心音包络对于检测S1、S2，分离杂音进而判断心脏病类型和严重程度具有重要意义。我们应用动力学复杂性，给出一种有效的心音包络提取方法及仿真结果。该方法能够有效分离二尖瓣关闭不全信号的S1、S2和杂音，明显突出肺动脉瓣关闭不全信号中幅度较低的S2，准确判断二尖瓣狭窄杂音持续时间。经验证，该方法具有对幅度变化的鲁棒性，在信号不同成分交界处，包络边沿变化陡峭，降低了后期心音成分提取和辨识工作的难度。     

基于简单度的包络提取算法在心音分段中的应用

有效提取心音包络对于检测S1、S2,分离杂音进而判断心脏病类型和严重程度具有重要意义.我们应用动力学复杂性,给出一种有效的心音包络提取方法及仿真结果.该方法能够有效分离二尖瓣关闭不全信号的S1、S2和杂音,明显突出肺动脉瓣关闭不全信号中幅度较低的S2,准确判断二尖瓣狭窄杂音持续时间.经验证,该方法具有对幅度变化的鲁棒性,在信号不同成分交界处,包络边沿变化陡峭,降低了后期心音成分提取和辨识工作的难度.     

基于小波变换和经验模式分解的心音信号研究

针对经验模式分解（EMD）中的端点效应问题,本研究提出先用小波去除噪声干扰,再用EMD方法提取心音信号的特征。对于EMD的端点延拓,采用一种新的自适应波形匹配端点延拓方法。通过小波去噪,克服了直接运用EMD分解时无用频率分量带来的干扰,有效地减少EMD的分解层数,自适应波形匹配延拓方法充分考虑了心音信号的内在规律与端点处的变化趋势,较之传统的延拓方法更加合理。用所提出的方法对心音信号进行EMD分解,并用双阈值法对分解后的信号进行第一心音(S1)第二心音(S2)的定位分析,通过对40例心音信号定位分析,S1和S2的检出率分别达到97.05%和97.12%。表明该分析方法能够有效地抑制端点效应,提高EMD分解的准确性和时效性,为后续心音的分析提供准确的参考信息。     

基于经验模式分解的心电特征提取算法

本研究应用基于经验模式分解的心电特征提取方法,利用第一本征模函数(intrinsic mode function,IMF)分量对QRS波进行定位,并通过减少分解层数、筛选次数、处理区域等策略实现了快速算法。利用MIT-BIT心律失常数据库的数据进行算法测试,取得较高的检测率,检测速度也有明显提高。实验结果表明,经验模式分解算法在QRS波定位中具有相当的优越性,临床应用中取得了良好的检测效果。     

心音图自动识别算法的设计研究

目的：开发出实现心音自识别的算法,通过该算法对输入的心音信号进行识别、降噪、包络提取及定位等系列操作,获得真实平滑的心音包络曲线,并在曲线上定位第一心音、第二心音等心音参数。方法：采用Matlab平台设计,对模拟心音信号进行重采样后,通过高通滤波进行信号的降噪,使用小波分解等方法获取平滑且不失真的心音包络曲线,并对所得包络曲线进行双阈值定位,找出心音特征点,并计算相关参数。结果：算法可以获取平滑的心音包络,包络线能真实反映心音的情况,并可由此进行高精度的心音定位,获取第一、第二心音的持续时间,计算心率、心音时限比等参数,为医生的心音诊断提供依据。结论：算法可实现对心音的自动定量分析,并通过阈值降噪等方法减少识别误差。相比于传统心音听诊,具有可观性强,频带宽等特点,并可记录患者的病理特征,通过治疗前后的对比为诊疗过程提供评估依据,相较于传统的心音听诊,算法的引入能够降低医生主观因素带来的诊断误差,使诊断结果客观可靠。     

基于数学形态学的心音信号识别方法

为实现对第一心音 (S1)和第二心音 (S2 )的自动识别提出了一种新方法。首先对原始心音信号进行预处理 ;然后利用数学形态学方法提取心音信号的包络 ;最后使用差分法并结合心音的医学知识对其进行识别。利用该方法对 80例心音信号进行了分析测试 ,结果显示对 S1与 S2识别的准确率达到了 86 % ,其中对于正常心音信号的识别准确率达到了 10 0 %。试验结果表明 ,文中提出的方法对 S1与 S2的识别准确率较高 ,为进一步的心音信号分析奠定了良好的基础。     

基于小波变换的心音包络提取算法及应用

背景：心音信号包含了大量心脏瓣膜活动的生理信息,心音分析对诊断心脏疾病具有重要的临床意义。 目的：旨在通过心音的包络提取,分析心音信号的各种特征,进而判断心音中是否包含杂音,以改善传统听诊技术高度依赖医生经验、听诊范围受限的缺点。 方法：提出了一种采用小波变换来提取心音包络的方法,通过与采用希尔伯特-黄变换、数学形态学、平均香农能量等心音包络求解方法进行对比,证明这种方法具有算法简便、曲线光滑、特征点突出等优点。 结果与结论：将该方法用于临床真实心音的包络提取,利用支持向量机来训练所提取心音包络的面积和小波能量两个特征参数,判别心音信号是否明显包含杂音。选用35例心音数据对算法进行验证,结果表明该算法的准确率达到95%,具有很强的实用性。     

用于心力变化趋势评价的基于概率神经网络的心音识别算法

讨论了用于评估心力变化趋势的心音识别算法，包含了对不同运动条件下记录的心音样本的识别。尤其是讨论了对剧烈运动负荷后记录的心音进行的识别。提出的算法包括两个相互联系的方法。第一个是基于概率神经网络的算法，用于识别静息状态和轻微运动状态；第二个是基于心音本身特点的算法，用于对剧烈运动（本研究中约定的全运动量）后心音的识别。最后，使用该算法对45个在静息状态和轻微运动（1／4运动量）状态下记录的正常和异常心音的样本，以及28个剧烈运动后记录的心音样本进行了识别。结果表明94％的样本可被正确识别和分类。这个识别算法为后续的心音分析研究提供了可靠基础。     

基于周期提取的心音分段方法

目的心音分段是心音分析的基础,传统方法是利用心音基本成分进行识别,而病变的心音信号中含有的杂音使识别受到干扰,易产生误分段。本文提出了基于周期提取的信号分段方法,可以避免对心音基本成分的识别。方法以虚拟仪器Lab VIEW为开发平台,首先利用小波变换对原始心音进行去噪预处理,然后利用快速Hilbert变换提取心音包络,再利用其自相关分析函数求出心动周期,进而从原始心音信号中提取整周期的信号,避免对心音基本成分的识别。结果对30例心音信号做实验验证,得到的心动周期长度能够直观显示,正确率达98%以上。结论作为一种无需识别心音基本成分的分段方法,此方法为后续的特征提取等研究打下了坚实基础。     

基于经验模态分解和Hilbert变换的QRS综合波检测算法

提出一种新的有效结合经验模态分解(EMD)和Hilbert变换的QRS综合波检测算法。采用EMD将心电信号分解成一系列内蕴模式分量(IMFs),舍去对应于高频噪声的IMF1和IMF2,舍去对应于低频噪声的最后两个IMFs和趋势项,能有效地抑制高频噪声和基线漂移。将降噪后的信号进行Hilbert变换,得到对应的解析函数,利用其包络,进一步抑制高大P波、T波等对QRS综合波检测的影响,采用自适应阈值进行QRS综合波检测。经MIT-BIH Arrhythmia Database全部数据检测验证,平均正确检测率可达到99.78%,表明本算法具有较高的正确检测率和良好的抗噪性能。     

Tissue Artifact Removal from Respiratory Signals Based on Empirical Mode Decomposition

On-line measurement of respiration plays an important role in monitoring human physical activities. Such measurement commonly employs sensing belts secured around the rib cage and abdomen of the test object. Affected by the movement of body tissues, respiratory signals typically have a low signal-to-noise ratio. Removing tissue artifacts therefore is critical to ensuring effective respiration analysis. This paper presents a signal decomposition technique for tissue artifact removal from respiratory signals, based on the empirical mode decomposition (EMD). An algorithm based on the mutual information and power criteria was devised to automatically select appropriate intrinsic mode functions for tissue artifact removal and respiratory signal reconstruction. Performance of the EMD-algorithm was evaluated through simulations and real-life experiments (N = 105). Comparison with low-pass filtering that has been conventionally applied confirmed the effectiveness of the technique in tissue artifacts removal.     

基于EMD的左右手运动想象脑电信号分析研究

基于经验模态分解(EMD)理论,提出一种左右手运动想象脑电信号分析方法.首先利用时间窗对脑电信号数据进行划分,对每段数据通过经验模态分解法将其分解为一组固有模态函数IMF,提取主要信号所在的IMF层去除信号中的噪声.对含有主要信号的几层IMF进行Hilbert变换,得到瞬时频率与对应的瞬时幅值.再提取左右手想象的特定频段mu节律和beta节律的能量信号作为特征,分别利用支持向量机(SVM)和Fisher进行了分类比较.对EMD和小波包在去噪和特征提取进行了比较.结果表明,EMD是一种很有效的去噪方法,经过EMD分解后提取的能量信号在区分左右手想象上更具有优势,识别率高.     

利用整体经验模态分解和随机森林的脑电信号分类研究

癫痫脑电信号的自动监测与分类在临床医学上具有重要意义。针对脑电信号的非平稳特点,提出一种基于整体经验模态分解和随机森林相结合的脑电信号分类方法。选取波恩大学脑电信号数据集中癫痫发作间期和发作期的200个单通道信号,共819 400个数据作为样本。首先利用整体模态分解将癫痫脑电信号分解成多个固有模态函数,然后对各阶固有模态函数提取有效特征,最后分别用随机森林和最小二乘支持向量机对脑电信号的特征进行分类。将随机森林与最小二乘支持向量机分类正确识别率对比,结果表明,随机森林分类方法对发作期和发作间期的癫痫脑电信号的分类效果比较理想,识别精度为99.60％,高于最小二乘支持向量机的准确性。该方法的提出能有效提高临床癫痫脑电信号分析的效率。     

心音的分析

自上世纪70年代以来,由于计算机和现代数字信号处理技术的发展,生物医学工作者对心音进行了大量的分析研究,相继运用了谱分析、时频分析、小波变换和最优匹配法等方法.谱分析不适合对非平稳随机心音信号的分析.国内外工作者通过加核函数和采用模糊函数等方法来减少时频分布中的交叉项.具有自适应性时-频窗的小波变换可以得到更能反映心音病例特征的信息.最优匹配法是一种没有交叉项的时频分析方法.     

经验模式分解与代价敏感支持向量机在癫痫脑电信号分类中的应用

提取出脑电信号中微弱征兆信息,可以更好地了解脑电信号的特征,但由于各类外界信号的相互混叠,信号呈现出非线性、非平稳性,因此脑电信号的提取是个难题。为此本研究提出了优于小波分解的经验模式分解(EMD)算法对脑电信号进行分解,提取主要IMF分量的特征值,随后采取代价敏感支持向量机(CSVM)进行分类,并对参数进行寻优。在对癫痫患者脑电信号研究的实验中,分类准确率均达到90%以上,验证了本方法的可行性。     

基于功率谱信息熵的异常心音识别

目的：异常心音识别是心血管疾病检测的一种重要手段,为了探究异常心音频域的有用信息,提出了将不同频段的功率谱作为一个独立信源计算其信息熵,从而对房室瓣和动脉瓣异常信号进行判别的一种新方法。方法：实验先将心音信号进行小波包分解,然后利用改进的Welch方法计算信号的功率谱,进而求各频段的功率谱信息熵,再建立支持向量机预测模型来对两种异常心音进行识别。结果：选取二尖瓣狭窄、二尖瓣关闭不全、主动脉瓣狭窄、主动脉瓣关闭不全共27例心音信号进行算法仿真,其中房室瓣异常能够全部检测出来,动脉异常有3例被误判,正确率达到77％;在原有27例信号的基础上,增加3例房室瓣异常和3例动脉异常信号进行算法验证,房室瓣异常信号仍然能够全部被检测出来．动脉异常信号2例被误判。结论：从仿真结果可以看出,该算法对房室瓣异常和动脉异常两种心音信号有较高的识别率。尤其对房室瓣杂音能够完全识别,也表明功率谱信息熵在异常心音的识别中具有重要意义。     

基于数学形态学的心音包络提取与识别方法研究

心音包络比原始心音可以更好地显示心音的特征,是进行心音独立识别的基础.本文把数学形态学应用于心音包络的提取和识别的研究.首先利用形态学滤波和全波整流对原始心音进行预处理;然后利用形态学闭运算提取心音包络;最后应用形态学开运算来消除噪声包络.在数学形态学提取的心音包络基础上,对50例心音样本进行了第一心音、第二心音识别,全部20例正常心音的第一心音和第二心音被正确识别,27例包含心杂音的异常心音的第一心音、第二心音也被正确识别.为进一步的心音分析及心音诊断奠定了基础.