吴玉春[1]2009年在《心音信号自动识别算法的研究》文中进行了进一步梳理心音是包含有重要生理、病理信息的医学信号之一,对心音信号进行分析是基于心力-心音关系的心脏储备无创监测系统的关键环节。一个完整的心动周期按时间顺序主要分为4个部分:第一心音(S1)、收缩期(S)、第二心音(S2)、舒张期(D)。第叁心音与第四心音一般很微弱,相关的研究比较少。虽然心电分析是心脏变时性和变传导性的最佳监测方法,但不能用来检测心脏的变力性。第一心音的幅值是心肌收缩能力的标准量度,因此可以用心音图来对心肌收缩能力进行评估。如果心脏器官某一部位发生病变,则在心音相应组成成分上会有所反映,如冠状动脉狭窄会在心音的舒张期产生杂音。在对心音信号做进一步分析处理之前,对心音进行分段是必需的。心音信号虽然有一定的特征以及规律,但由于受各种因素的影响,在临床上表现出的形态极为复杂,给心音的准确定位带来相当大的难度。在心音的采集过程中,噪声的引入是不可避免的,因此,要准确的对心音成分进行识别,首先需要对采集到的心音样本信号进行去噪处理。针对心音的非平稳性,本文分析了各种时频方法、小波分析以及数学形态学方法在心音信号处理中的应用,引入了自适应提升小波方法进行去噪,取得了良好的效果。对去噪后的心音提取信号包络,结合心音相关的生理学知识以及大量临床心音数据的统计分析结果,对心音信号进行识别,自动将S1,S2,收缩期和舒张期进行区分,以便于心音相关特征参数的提取和进一步的处理。针对不同类型的心音信号进行了专门的分析和处理,利用S1、S2的幅值特征和收缩期、舒张期特征,分析了心律不齐和二联律两类异常心音信号的特点,并专门针对这两类心音信号设计了识别方法,用大量实际心音数据进行了验证,并用MATLAB-GUIDE工具箱编制用户交互式界面程序,对所设计的算法进行了仿真实验。利用本文提出的算法对212例心音信号进行了分析测试,心音的来源为实际采集的心音数据。本算法对S1与S2识别的准确率达到了98%,特别对心律不齐和早搏二联律心音的识别正确率都达到了95%以上。实验结果表明,本论文提出的算法对S1与S2的识别准确率较高,为进一步的心力变异性分析以及临床诊断的应用奠定了良好的基础。
陈剑[2]2003年在《心音信号自动分析与识别算法的研究》文中提出心音听诊被广泛用于评估病人的心功能。由于心音的频率较低而且非常微弱，这种医务人员通过听诊器根据自己的知识和经验对听得的心音做出主观的分析判断的方法并不一定可靠。研究发现第一心音的幅值是心肌收缩力的标准量度，因此可以用心音图来对心肌收缩能力进行评估。但普通心音图仪仅仅能记录受检者处于静态时的且为时甚短的心音资料，检查过程仅为短暂的几分钟，对于受检者在睡眠、各种活动、体育运动、工作劳累或情绪激动等状态下出现的症状和变化，无法记录当时的心音图形。因此研制可用于实时研究人体心音的变化规律，并实时分析病人在各种状态下的心力变异性的心音检测系统具有十分重要的意义。本文提出了一种基于蓝牙技术的心音检测方案。利用蓝牙技术的短距离无线通讯特性，将心音数据动态地传到计算机中，由计算机实时处理。检测出每一心动周期中的第一心音相对幅值(S1)，由此进行心力变异性分析，达到对心力储备的量化测评。由于在对心音进行任何进一步分析之前，首先要进行心音识别，对心音的各个不同成分进行定位。而在提取心音信号时噪声对信号有比较大的影响，用普通方法进行识别准确率不高。本文提出一种基于数学形态学的心音包络提取方法，并在提取出的心音包络信号中识别第一心音(S1)与第二心音(S2)。经试验证明，这种方法有效抑制了噪声的干扰，取得了较好的识别准确率。进而用提取出的第一心音的相对幅值进行心力变异性分析以评估人体的心肌收缩能力。利用本文的方法对80例心音信号进行了分析测试，心音的来源有实际采集的健康人和病人的心音、心音磁带以及通过Internet获取的其它心音数据。本文的算法对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更是达到了100%。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，为进一步的心力变异性分析奠定了良好的基础。
叶岑[3]2014年在《心音信号特征分析与识别方法研究》文中提出心音信号是心脏及心血管系统机械状况的反映，是包含了人类心脏各部分的生理和病理信息的重要信号。目前通过心音信号诊断疾病的方法主要是人工听诊，如果能够研究出一套行之有效的算法对采集到的心音进行自动识别分类，当发现病变的心音时能自动做出判断提示甚至发出报警信号，这对心脏疾病的临床研究具有极其重要的研究价值，本课题正是根据这一需求来开展的。本文主要做了如下工作。①本论文首先从生理学角度对心音信号的产生进行了阐述，并分析了心音信号的主要成分及其时频特性、心音信号中常见的心杂音及其时频特性。作为心音信号自动识别系统的数据采集部分，本文采用HKY-06B心音传感器采集心音信号，通过CoolEditPro2.1录音软件实现对心音信号的格式转换和储存。②心音信号的预处理。这个过程包括心音信号的分帧、心音信号端点检测以及心音信号去噪。心音信号的分帧是利用滑动的矩形窗对心音信号进行处理的。采用双门限检测法对心音信号进行端点检测，去噪采用的是小波分析法。文章通过讨论与分析小波分析法中基函数、分解层次、阈值等的选取，结合心音信号的特点，选择合适的方法进行预处理过程。通过实验可以证明，利用系数可调节阈值法，选用sym7小波函数对心音信号进行5层分解，能够达到理想的去噪效果。③用两种方法对心音信号的特征参数进行了提取，分别是对心音信号进行EMD分解以及提取心音信号的Mel频率倒谱系数（MFCC参数）。通过对比得出了MFCC参数能够比EMD分解取得更好的识别效果，并大大缩短模型训练的时间。④心音信号的识别。对心音信号的识别方法研究，本文采用的是高斯混合模型法。即建立一个由44例正常心音建立的高斯混合模型库。对于待识别的心音信号，对其建立高斯混合模型输入模型库进行识别，识别结果输出被识别心音在高斯混合模型库中的最大后验概率。当此概率大于95%，认为此被测心音属正常心音，若低于95%，认为被测者心音信号出现异常，建议接受进一步的检查。实验结果验证了心音信号模式识别系统的可行性，对正常心音和病理性心音的正确识别率均高于90%。
李婷[4]2015年在《基于循环平稳信号理论的心音信号处理方法研究》文中认为心音是心脏血流动力与心脏相互作用而产生的机械振动,反映了心脏各心腔、瓣膜及大血管的运行状态,对评估心血管系统功能有重要应用价值。心音(包括杂音)在每一个心动周期内重复产生。这种重复性在信号处理理论中表现为“循环平稳特性”。本文基于循环平稳信号理论,系统地研究了心音信号循环平稳特性的定量评估、心音信号的瞬时循环频率和心音的自动分割等方法及应用,主要创新工作如下：(1)研究了定量评估心音信号循环平稳特性的方法及其应用。心音信号不是严格的循环平稳信号,而是准循环平稳信号。本文根据循环平稳信号理论,提出了“循环平稳程度”(Degree of cyclostationarity)统计量和计算方法,定量地评估心音信号在任意时段循环平稳特性的强弱。当心音信号中存在噪声和干扰时,心音信号的循环平稳程度会减弱。因此,可用心音信号的“循环平稳程度”反映心音信号的质量,评判心音信号中含有噪声或干扰的多少,从心音信号中自动地找出没有噪声(或噪声最小)的一段(即最佳子序列),排除噪声或干扰较多的部分。该方法无需人工干预,全自动运行,解决了计算机自动分析心音信号的一个工程实际问题。另外,还通过增强心音信号的循环平稳程度,提出了心音信号的降噪声方法。无论噪声是有色的、非高斯的,还是非平稳的,只要心音与噪声在循环频率域内没有交集,理论上可将心音信号中的噪声彻底去除。(2)研究了心音信号的瞬时循环频率及其应用。基于循环平稳信号理论,提出了心音信号的瞬时循环频率及计算方法,反映了心脏机械振动的瞬时重复频率。本文中,“瞬时循环频率”(Instantaneous cycle frequency)有叁方面应用。一是心音信号的自动心动周期检测。通常情况下,分割心音信号的心动周期需要参考心电信号的R波。本文提出了心音信号的瞬时循环频率的概念,并从心音信号中提取出了反映心动周期的瞬时相位,从而精确地估计出心动周期。二是分离心肺音混合信号中的心音信号。在采集心音信号的过程中,呼吸音(肺音)是常见的噪声干扰之一。为了得到纯净的心音信号,有必要将其分离出来。鉴于心音与肺音在时域、频域都重迭在一起,理论上限制了时频域分离方法的应用。但是,心音与肺音的循环频率显着不同。于是,基于瞬时循环频率的差异,可将它们有效分离。叁是估计胎儿的心率。临床上所采用的超声多普勒胎心监护仪,由于其超声辐射,长期监测时可能会对胎儿造成影响。本文提出用胎儿心音的瞬时循环频率估计胎儿的心率,仅被动接收胎儿心音,对胎儿无伤害,估计准确。以上叁种应用仅需要心音信号一个信号源,不需要其它参考信号,有利于心音信号的计算机自动分析。(3)研究了心音信号的自动分割方法。在心音分析中常常需要标定出心音在信号中的位置,即分割出心音。基于心音信号的循环平稳特性,本文提出了两种自动心音分割方法。一,提出了心音信号的循环平稳包络及基于循环平稳包络的心音分割方法。二,提出了在单周期内利用动态聚类实现心音分割的方法。实验表明,分割准确率达到了96%以上。本文在循环平稳信号处理理论的指导下,系统深入地研究了心音信号的循环平稳特性及其在心音信号处理中的应用。这些研究和应用有效地发掘了心音信号的循环平稳特性,取得了有价值的研究结果,为计算机自动分析心音信号提供了有力的技术途径。
周酥[5]2012年在《心音信号特征分析及其在辅助诊断中的价值》文中指出听诊是检查心脏的重要方法，也是较难掌握的方法，心音图检查能够获得比心脏听诊更加丰富的信息，对医生的经验要求相对较低，是心脏疾病辅助诊断的有效手段。心音图研究，尤其是心音信号特征分析与模式识别，是近年的研究热点，但由于心音生理机制复杂，导致研究难以深入、进展缓慢。本文在提取信号包络曲线的基础上，对心音信号进行特征参数计算和模式识别，并提出基于心音的心脏疾病辅助诊断系统设计方法。首先，采用小波变换技术提取心音信号的包络曲线，借助小波包络来计算特征参数。利用小波变换对采样频率为250Hz的低频心音进行3层分解，重构第3层的近似系数，得到信号的包络曲线。通过与其他心音包络提取方法对比发现，小波包络具有算法简便、曲线光滑、特征点突出等优点。继而借助小波包络来进行心音定位，可以有效识别S1、S2的起止位置及峰值点，通过计算得到心率、第一心音与第二心音最大幅值比（S1/S2）、舒张期与收缩期时限比（D/S）等有意义的心功能指标参数。其次，建立支持向量机和神经网络预测模型对心音信号进行模式识别。选取70例心音样本，提取样本信号的小波包络，以包络面积和小波能量为特征值，建立支持向量机预测模型对信号进行二分类，识别准确率达到90%以上。进而采用功率谱信息熵对包含二尖瓣杂音的高频信号进行分析，对杂音进行叁层小波包分解，以8个子频段的功率谱信息熵为特征值构成八维特征向量，分别建立支持向量机和神经网络模型对信号进行分类，结果表明功率谱信息熵在杂音识别中具有重要作用。最后，提出心音辅助诊断系统实例设计方法。采集人体的心音信号，无线发送至计算机处理系统进行信号分析与识别，计算出各种指标参数，从而判断心音是否存在异常。将获得的信息反馈给医生，医生结合门诊病历、患者其他参数检测结果及自身经验进行综合分析，可得到更为准确的诊断结果。此设计旨在通过心音检测及特征分析，为心脏疾病的诊断及预防提供辅助作用。
裴驭力[6]2005年在《心音信号的数字化处理系统》文中进行了进一步梳理心音信号中包含了心脏血管系统活动过程的重要信息,可以作为诊断心脏血管系统疾病的依据。特别是,动物实验以及有创和无创临床对照研究表明,第一心音幅值的大小与心肌收缩能力的强弱密切相关, 故可以用第一心音幅值的变化趋势来评估心力储备、心脏耐力。运动人体科学和医学一样也应用了多种心功能测试手段和心功能评估方法。例如,目前, 心电图检查是心脏变时性和变传导性的最佳监测方法,但不能用来监测心脏的变力性。心导管检查测定心功能虽然客观、量化,但属于有创伤检查,需在导管室无菌操作下进行,且不宜重复使用;超声心动图能通过对心腔直径从舒张期到收缩期的变化程度和速度以及射血分数等的测算来评估心肌的功能状态,但不便于现场应用,且某些指标敏感性较差;放射性核素心血池显影的敏感性、特异性都高,但价格昂贵,难以推广;最大氧摄入量及无氧代谢阈测定虽属客观、实用、可靠,但又受呼吸功能的影响,且不适于在日常条件下应用。鉴于上述,作者提出了“心音信号的数字化处理系统”课题。本课题进行并完成了以下研究工作。从心音信号中由计算机自动提取心力信号的关键是识别第一心音。为快速准确测出心力和心率的心音基本指标的数值,我们研制了心音信号的数字化处理系统(包括硬件与软件系统)。能实时显示并录制多种心音信号波形。利用鼠标读数,从心音图可以准确读出心动周期,以及心音图上的两点间的时限。并能准确地读出第一心音、第二心音的幅值(如果心音图上存在第叁音和第四心音也能读出),以及心音图上任一点的瞬时值。利用已经建立的心音信号数字化处理系统,首先对心音信号的一些基本指标有关的规律进行了研究,对大量的(包括不同个人及不同状态下的)静息及运动心音样本进行了测试,得出了收缩期与心动周期、收缩期与心率、舒张期与收缩期的变化关系曲线。在此基础上,建立了用于正常和运动心音的快速,自动识别S1 和S2 并计算与心力,心率有关的基本特征指标的方法。它是用规格Shannon 平均能量法,提取能量包络线,再由能量包络线提取心音信号短时平均幅值包络线,并由S1 和S2 的短时平均值有S1>S2,解决了对所有正常及运动心音信号计算初始位置的定位这一难点。其次,根据心音信号的心动周期、心率、收缩期、舒张期都有明显的数值范
邓德淼[7]2013年在《心电与心音信号检测系统研究》文中指出心脏疾病给人类身体健康带来极大危害同时，也一直是世界范围内的临床医学难题之一。目前医学临床无创诊断中，对于人体各种心脏疾病检测与诊断的方法，主要有心电图和心音图。该技术诊断手段各自具有其长短处，如利用心电图机对人体心脏功能状态进行诊断，虽然它能有效地检测人体心脏血管与血液循环相关的生理疾病，但是对心脏畸形等病类缺乏预测判断能力；而心音图机却有着心电图机明显的优势，能够通过心脏中的心音变化，对心电图机无法预测的心脏器官变形，心脏瓣膜受损等疾病进行准确识别与诊断。因此结合心电与心音信号两者的优缺点，设计了以嵌入式系统为核心的心电与心音信号研究方案。本文首先提出了以Easy-Cortex-M3-1300开发平台为核心控制芯片LPC134的硬软件设计方案，将嵌入式技术应用于生理信号处理系统中，具有成本功耗低、运算速率快、操作方便及环保等特性，能够很好的实现生理医学工程技术与嵌入式系统的相互交融。对于心电与心音信号提取与识别的算法，提出了小波变换与BP神经网络方法分别对心电和心音信号进行去噪与识别，该方法具有强大的抗干扰、扩展能力及系统性与完整性等显着优点，有效地提高了系统对心电与心音信号特征波形的区分与识别，改善整个系统稳定性与准确性。心电与心音信号数据采集硬件电路，采用了独立模块化设计，具有良好的稳定与扩展性能，便于系统硬件和软件升级。软件部分就程序的编写，系统开发平台，数据显示处理界面等进行了设计。选择了集成开发环境Keil uVision4，利用其强大的软件仿真调试工具对系统进行编译与调试。本文基于嵌入式系统的心电与心音信号研究，初步满足了预期的目标，系统在可靠实现对冠以病，心血管等心脏疾病进行诊断的同时，还能准确地对心脏畸形及房室瓣膜受损进行预测分析。将生物医学与嵌入式技术互相结合渗透的应用方法，为今后研究人体生理信号提供了良好的平台与方向，奠定了生物电子医学技术向智能化，人性化发展的基础。
胡泊[8]2010年在《智能电子听诊器设计与实现》文中指出心音和呼吸音是反映心脏和肺部生理及病理的一项重要指标,目前对心音和呼吸音的听诊仍然是心脑血管和呼吸系统疾病的主要诊断手段。但是这些声信号对于人耳听诊而言,声波太复杂。传统听诊器难以捕捉一些微弱的生理声音信号且诊断结果容易受听诊者主观经验的影响,因而准确性较差。因此临床上需要建立一种能准确高效的记录、储存、显示和进行纵向与横向客观比较的心肺音分析与识别系统,以便让临床医生在听诊的同时能对病人的病变做出更加准确的判断。如果能深入分析出心肺音中所包含的病变信息,就可有效利用简单的听诊技术早期发现疾病,大幅度降低复杂检查所需的医疗费用,具有广泛的应用前景。本毕业设计提出运用希尔伯特黄变换等数字信号处理算法对声音信号进行分析处理,将声音的时频特性以图形形式表示出来,变听诊为视诊,并使用经验模式分解提取出一种新的特征参数供模式识别使用,通过神经网络实现初步的自动诊断。论文介绍了现代数字信号处理中时频分析技术和神经网络算法,并详细阐述了其应用于心音呼吸音的信号采集、数字滤波、包络提取、自动分段、时频域分析和神经网络模式识别等功能的完整实现。
贾丽会[9]2007年在《分形理论在心音信号的分析与识别中的应用研究》文中指出心音信号是人体最重要的声信号之一，它包含着心脏各部分的生理和病理信息，是心脏及心血管系统机械运动状况的反映。在心血管疾病尚未发展到足以产生临床及病理改变时，心音中出现的杂音和畸变就是重要的诊断信息。因此，准确地分析和识别心音信号对心血管系统疾病的诊断具有重要的意义。论文将分形理论引入到心音信号的研究中，以分形维数为基础进行心音信号的分析与识别，为心血管疾病提供一种新的无损诊断方法。首先对两种分形维数估算方法：方差分形维数法和二进盒维数法进行研究，并通过实验对两种估算方法进行验证和比较；接着对心音信号的分形特征进行研究，并对正常心音和病态心音的分形维数进行比较；然后给出心音信号分形维数轨迹的构造算法，讨论时间窗口参数对心音信号分形维数轨迹产生的影响，并分析心音信号分形维数轨迹的特征；最后结合心音信号分形维数轨迹的特征和心音信号的时域特性，提出一种基于分形维数轨迹的心音信号自动分段算法，给出了分段算法的策略和具体步骤，并用大量病例对分段算法的性能进行了验证。研究结果表明，心音信号存在无标度区间，具有明显的分形特征；分形维数能够定量地描述心音信号的复杂程度，显着地区分正常心音和病态心音；基于分形维数轨迹的心音信号自动分段算法无需依赖任何参考信号，准确率高，鲁棒性强，具有良好的分段效果。
周承文[10]2009年在《基于心力—心音关系的人群心脏储备检测和评估方法研究》文中提出心音信号的分析和研究对心脏储备能力的评估有重要意义。大多数心力衰竭病人的主要问题是心肌收缩力的降低。先天心脏瓣膜受损,心电传导组织病变化引起的心脏机械活动障碍也能由心音反映出来,而且心血管系统的病变在导致ECG信号出现异常前,往往会首先出现心脏杂音和心音变异。因此心音在心脏储备能力的评估方面具有心电不可替代的诊断信息。本论文对基于心音信号检测和公用电话网络传输的无创心脏储备测试方法及技术进行了研究,深入分析了S1/S2的变异性特征并将其应用于心脏储备能力的评估。论文所涉及的研究课题对心血管疾病的临床诊断、运动员心脏功能监测、健康人体质评估具有重要的理论价值和应用前景。论文具体研究内容和主要工作包括以下方面:1、研制了基于心力-心音关系的心脏储备无创监测系统。研制出基本达到临床实用水平的试验样机。在硬件开发上,完成了前端信号采集、通信网络模块(接口)的设计与制作。在软件开发上,进行了基于串口控件的心音数据采集程序的设计。性能测试表明该心脏储备无创监测系统能够满足在临床医学和运动医学等领域开展心肌变力性和变时性研究的需求。2、心音信号分析方法研究。通过对心音信号的直观分析,从复杂性这一角度本论文创新性地提出了一种基于动态系统理论的非线性时间序列心音信号分析方法,采用“简单性”这一概念作为心音信号分析的一个指标进行量化分析,并实现了基于心音信号“简单性”曲线包络的心音成分自动识别算法,并将该算法应用到心脏储备指标的评估系统中。这种方法在很大程度上克服了基于能量分割方法的无法解决的困难,对于提取心音信号主要成分具有很好的效果。另外该方法可以精确地检测出杂音信号的起始点,从而得到杂音信号的持续时间,这一点对于临床诊断具有重要意义。论文阐述了该方法的研究思路,算法实现步骤、MATLAB仿真实验以及实际心音数据验证实验。3、结合心力-心音关系的人群心脏状态检测和评估,提出了评价心脏储备能力的综合评价指标体系;进行了心脏状态变化检测和评估中新方法的探索,即S1/S2比值变异性及其变化趋势的研究。利用课题研发系统,对大学生、中老年、公务员等不同人群、不同年龄组人员,进行了大量心脏储备数据的调研和评估分析,提出了评价心脏储备能力的综合评价指标体系(心率、心力变化趋势(cardiac contract- ility change trend, CCCT)、舒张期时间/收缩期时间(D/S)、S1/S2及其变异性等指标),结果论证了设计系统及方法的可行性和有效性。在此基础上,进行了心脏状态变化检测和评估中新方法的探索,即进行S1/S2比值的变异性研究,设计了静息状态和屏气状态心音图试验(breath-holding phonocardiogram test, BHPCGT)。发现了心脏状态变化的一个新现象,即S1/S2比值的倒置现象(reversal of S1/S2 ratio, RS1/S2R)。为了进一步了解S1/S2比值的倒置现象的细节,提出了S1/S2比值变化趋势,S1/S2比值倒置频率,S1/S2比值倒置时间等有关新指标。综上,本论文研究了一种无创而有广泛应用前景的心音检测、传输技术并进行了实验测试;利用非线性时间序列理论对心音信号特征进行了分析研究,提出了评价心脏储备能力的综合评价指标体系;将S1/S2比值变异性及其变化趋势等特征应用于的心脏储备的测试,并通过大学生、中老年人、公务员等人群心脏储备的调研和评估分析验证了心音检测技术及心脏储备评估系统的可行性和有效性。
参考文献：
[1]. 心音信号自动识别算法的研究[D]. 吴玉春. 重庆大学. 2009
[2]. 心音信号自动分析与识别算法的研究[D]. 陈剑. 重庆大学. 2003
[3]. 心音信号特征分析与识别方法研究[D]. 叶岑. 江西理工大学. 2014
[4]. 基于循环平稳信号理论的心音信号处理方法研究[D]. 李婷. 大连理工大学. 2015
[5]. 心音信号特征分析及其在辅助诊断中的价值[D]. 周酥. 华南理工大学. 2012
[6]. 心音信号的数字化处理系统[D]. 裴驭力. 重庆大学. 2005
[7]. 心电与心音信号检测系统研究[D]. 邓德淼. 江西理工大学. 2013
[8]. 智能电子听诊器设计与实现[D]. 胡泊. 天津大学. 2010
[9]. 分形理论在心音信号的分析与识别中的应用研究[D]. 贾丽会. 中南大学. 2007
[10]. 基于心力—心音关系的人群心脏储备检测和评估方法研究[D]. 周承文. 重庆大学. 2009