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。     

基于心音香农能量包络的实时心率检测的研究和实现

心音信号通常用于获取心脏瓣膜的功能信息和节律活动信息,本研究提出一种利用心音信号来测量实时心率的方法。将采集到的心音信号做归一化处理,基于香农能量算法计算心音信号的能量,再将香农能量信号做移动平均滤波,提取能量信号包络。经过处理的心音信号衰减了其中的背景噪声和杂音信号,突出了第一心音(S1)信号。选择一个合适的时间窗口并在其范围内寻找心音峰值,根据相邻峰值之间的距离计算出心率。本方法在硬件平台上用C语言进行了实现,与心电图机测量的心率进行对照,准确率达到97%以上。     

基于小波多分辨分析的第一第二心音提取

在心音信号的分析中,为了有针对性的分析第一心音(S1)、第二心音(S2)、第三心音(S3)、第四心音(S4),首先需要将它们从采集的心音信号中分离出来.本文提出一种方法,利用小波多分辨分析,提取第一心音及第二心音的同步信号,从而完成对第一心音和第二心音的实时分离.该方法区别于传统的依靠心电信号进行同步提取第一心音和第二心音的方法,避免了采集心音信号的同时需采集心电信号的麻烦,也提供了一种实现信号自同步的思路.用本方法对28例心音信号进行了仿真实验,1、S2均能被正确地分离出,表明该方法是可行的.     

便携式心脏储备参数监测系统的设计与实现

心脏储备参数能客观量化反映人体心脏的潜能。研制以TMS320F2812 DSP为核心的便携式心脏储备监测系统,包括心音检测放大、液晶显示、数据存储等组成部分。采用db6小波对心音信号进行四阶分解去噪以准确提取香农能量包络,实现了第一心音(S1)和第二心音(S2)的自动识别;利用采集心音中间部分的4～5个心音周期计算心脏储备参数值(HR、D/S、S1/S2)。采集42例心音信号(健康大学生心音30例,中老年心音12例)进行系统验证。S1、S2平均检测率分别达到90.1%和87.3%;HR、D/S、S1/S2平均检测率分别为90.57%,85.7%和85.7%。该系统可无创、快速、低成本地量化测评心脏的变力性和变时性状态,其便携式的设计方便心血管病人、孕妇、运动员和普通健康人随时对心脏储备指标进行检测和评估。     

Progress on heart sound recognition methods

有效提取心音信号中的第1、2心音(S1和S2)是心音信号研究的关键点.本文介绍了心音信号识别的研究现状,通过比较谱分析、小波变换、神经网络以及数学形态学方法等几种心音研究方法,讨论了心音信号识别的研究重点和发展方向,为进一步的心音研究奠定基础.     

心音信号分段规则的探讨

目的 如何有效提取心音信号的有效成分（第一心音S1、第二心音S2）是分析心音信号的关键。为提取心音信号的有效成分,必须明确心音信号的分段规则。方法 首先对目前心音研究领域中常用的两类心音分段方法进行分析和比较。根据现有文献资料,结合作者对实际采集的829例心音实例的研究,提取心音的各时域特征并进行统计分析,最后对心音信号分段规则进行了探讨。结果 心音信号的S1、S2及收缩期、舒张期等时域特征呈现一定规律性。结论 可按照上述时域特征对心音信号进行自动分段,并借助心音分段规则进行进一步识别和分析。     

心音信号识别研究方法进展

有效提取心音信号中的第1、2心音（S1和S2）是心音信号研究的关键点.本文介绍了心音信号识别的研究现状,通过比较谱分析、小波变换、神经网络以及数学形态学方法等几种心音研究方法,讨论了心音信号识别的研究重点和发展方向,为进一步的心音研究奠定基础.     

使用二分支卷积神经网络识别第一心音与第二心音

心音听诊是一种重要的用于心脏疾病诊断的方法。心音中可以听见的部分主要为第一心音(S1)和第二心音(S2)。在一个心动周期中,不同阶段的杂音往往对应不同的心脏疾病,因此心音分割是利用心音进行疾病诊断的前提。S1和S2分别出现在心脏收缩期和舒张期的开始阶段,准确定位S1和S2有利于心音的正确分割。本文研究了一种不利用收缩期和舒张期的时间特征,而仅使用S1和S2本身特性的分类方法。将训练集中带有标注的S1和S2进行短时傅里叶变换得到时频图,然后构建有分支的双层卷积神经网络,使用时频图对卷积神经网络进行训练,得到可用于S1和S2分类的神经网络。神经网络对测试集中S1和S2的分类准确率最高为91.135%,高于传统的方法。神经网络的敏感性和特异性最高分别为91.156%和92.074%。该方法无需预先提取心音的特征,计算简单,有利于心音的实时分割。     

基于经验模式分解的心音自动分段算法

与原始信号相比,心音包络能够更好地显示心音的特征.心音包络的提取是对心音进行时域分析的基础.本研究提出利用希尔伯特-黄变换提取心音包络的方法.首先利用黄变换提取心音信号的固有模态函数,然后利用希尔伯特变换提取心音包络.在希尔伯特.黄变换提取的心音包络基础上,对50例正常人心音样本进行了第一心音、第二心音识别,正确率达到了92%,为下一步的心音分析及诊断奠定了基础.     

基于最大Lyapunov指数的心音信号混沌特性分析

目的寻求无创伤的且能自适应信号变化的方法区分正常和异常的心音信号,为临床诊断提供更简捷的参考方法。方法本文以心音信号非线性时间序列最大Lyapunov指数为主线,根据心音信号不同阶段特性的统一性,提出了对信号分阶段进行研究的方法。首先对7种具有代表性的正常和异常心音信号的S1、S2心音分别分3阶段进行相空间重构,然后结合各阶段求得的相空间重构参数计算对应的最大Lyapunov指数,最后对正常、异常心音信号最大Lyapunov指数均值进行比较分析。结果正常S1心音信号的最大Lyapunov指数均值0．1450,远大于异常S1心音信号,正常S2心音信号的最大Lyapunov指数均值也比异常s2心音信号大很多。结论心音信号中确实存在混沌现象,且正常（健康）心脏运动到S1和S2阶段的混沌程度要比异常（病态）时高。     

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。     

一种新的HHT在心音包络提取中的应用

目的：心音包络比原始心音可以更好地显示心音的特征,是进行心音识别的基础。希尔伯特一黄变换（HHT）是一种提取心音包络的有效方法,它首先利用经验模态分解算法提取心音信号的固有模态函数,然后利用希尔伯特变换提取心音包络。常规的希尔波特一黄变换在分解过程中会引起端点效应和过冲等问题。方法：本文提出了一种基于改进型希尔伯特一黄变换的心音包络提取新方法。结果：该方法首先采用包络线性延拓法抑制端点飞翼问题,然后采用l一次贝塞尔分段插值算法替代原始经验模态分解算法中的三次样条插值算法减小分解过程中的误差。结论：仿真实验和实际采集的心音信号实验证明了该方法的有效性。     

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。     

心音包迹标测图的临床应用——附124例报告

心音包迹标测图是运用自行研制的专用记录仪，在受检者胸前３０个标测点分期同步录制的心音包迹图，以阵列方式把３０个心音包迹图显示在一张图上，经６０例正常心音受检者和６４例有心音异常患者的初步应用，并与同期所作的普通心音图进行对比研究，结果表明：（１）ＨＳＥＣＭ具有形象直观，信息丰富，能按实测方位全面地展示胸前３０个部位的心音包迹形态，并构成一幅心音音场态势图；（２）便于对各标测部位的心音形态进行对比研     

一种循环频率域内的心音包络合成方法

在循环频率域内分析心音的特性,提出一种新的心音包络合成方法.采用循环统计量,研究心音的循环平稳特性,把心音包络表示为循环频率的线性和,线性系数由循环谱估计.以心音分裂为例,进行包络提取仿真.在加性高斯白噪声和随机干扰环境下,对各种包络提取方法进行对比分析.仿真结果表明,心音包络可以在循环频率域内合成.心音具有显著的循环平稳特征,心音包络可以表示成循环频率的线性和.所提出的方法不仅对心音包络的合成与分解给出物理解释,而且具有一定的抗噪声和抗干扰能力.     

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.     

Detection of the third heart sound using a tailored wavelet approach

The third heart sound is normally heard during auscultation of younger individuals but disappears with increasing age. However, this sound can appear in patients with heart failure and is thus of potential diagnostic use in these patients. Auscultation of the heart involves a high degree of subjectivity. Furthermore, the third heart sound has low amplitude and a low-frequency content compared with the first and second heart sounds, which makes it difficult for the human ear to detect this sound. It is our belief that it would be of great help to the physician to receive computer-based support through an intelligent stethoscope, to determine whether a third heart sound is present or not. A precise, accurate and low-cost instrument of this kind would potentially provide objective means for the detection of early heart failure, and could even be used in primary health care. In the first step, phonocardiograms from ten children, all known to have a third heart sound, were analysed, to provide knowledge about the sound features without interference from pathological sounds. Using this knowledge, a tailored wavelet analysis procedure was developed to identify the third heart sound automatically, a technique that was shown to be superior to Fourier transform techniques. In the second step, the method was applied to phonocardiograms from heart patients known to have heart failure. The features of the third heart sound in children and of that in patients were shown to be similar. This resulted in a method for the automatic detection of third heart sounds. The method was able to detect third heart sounds effectively (90%), with a low false detection rate (3.7%), which supports its clinical use. The detection rate was almost equal in both the children and patient groups. The method is therefore capable of detecting, not only distinct and clearly visible/audible third heart sounds found in children, but also third heart sounds in phonocardiograms from patients suffering from heart failure.     

Cardiac sound murmurs classification with autoregressive spectral analysis and multi-support vector machine technique

In this paper, a novel cardiac sound spectral analysis method using the normalized autoregressive power spectral density (NAR-PSD) curve with the support vector machine (SVM) technique is proposed for classifying the cardiac sound murmurs. The 489 cardiac sound signals with 196 normal and 293 abnormal sound cases acquired from six healthy volunteers and 34 patients were tested. Normal sound signals were recorded by our self-produced wireless electric stethoscope system where the subjects are selected who have no the history of other heart complications. Abnormal sound signals were grouped into six heart valvular disorders such as the atrial fibrillation, aortic insufficiency, aortic stenosis, mitral regurgitation, mitral stenosis and split sounds. These abnormal subjects were also not included other coexistent heart valvular disorder. Considering the morphological characteristics of the power spectral density of the heart sounds in frequency domain, we propose two important diagnostic features Fmax and Fwidth, which describe the maximum peak of NAR-PSD curve and the frequency width between the crossed points of NAR-PSD curve on a selected threshold value (THV), respectively. Furthermore, a two-dimensional representation on (Fmax, Fwidth) is introduced. The proposed cardiac sound spectral envelope curve method is validated by some case studies. Then, the SVM technique is employed as a classification tool to identify the cardiac sounds by the extracted diagnostic features. To detect abnormality of heart sound and to discriminate the heart murmurs, the multi-SVM classifiers composed of six SVM modules are considered and designed. A data set was used to validate the classification performances of each multi-SVM module. As a result, the accuracies of six SVM modules used for detection of abnormality and classification of six heart disorders showed 71-98.9% for THVs=10-90% and 81.2-99.6% for THVs=10-50% with respect to each of SVM modules. With the proposed cardiac sound spectral analysis method, the high classification performances were achieved by 99.9% specificity and 99.5% sensitivity in classifying normal and abnormal sounds (heart disorders). Consequently, the proposed method showed relatively very high classification efficiency if the SVM module is designed with considering THV values. And the proposed cardiac sound murmurs classification method with autoregressive spectral analysis and multi-SVM classifiers is validated for the classification of heart valvular disorders.