基于非线性混沌的心律失常心音信号分析

本文基于非线性混沌理论,对正常及心律失常心音信号的关联维数及最大Lyapunov指数进行了计算和混沌特性分析,从而提出一种新的心律失常分析方法。对30例健康人和30例心律失常患者的分析结果显示,正常心音和心律失常心音的关联维数和最大Lyapunov指数具有显著性差异。由于心律失常心音信号时序上的不规则性,导致其可预测性下降,与正常心音信号相比,具有较高的复杂度,从而具有比正常心音更大的关联维数和最大Lyapunov指数值。故关联维数和最大Lyapunov指数可用于分析心律失常心音信号及其特征提取。     

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。     

冠心患者与健康人同步12导联ECG信号的李雅普诺夫指数谱比较研究

本研究首次计算了60名具有窦性心率的冠心患者(Coronary atrery disease:CAD)和60名健康老年人的同步12导联心电图信号的李雅普诺夫指数谱.发现对同一个人,从不同导联得出的Lyapunov指数是不同的,具有明显的空间分布特性.所有导联的ECG信号的最大Lyapunov指数L1均为正数,其余指数为负,心电信号表现出明显的混沌特征.同一导联相比较,冠心患者的最大Lyapunov指数L1低于健康正常人的最大Lyapunov指数L1,提示在心肌缺血的情况下,心电信号的混沌程度下降了,重构相空间中ECG信号的奇异吸引子的动力学复杂性降低了.结果表明,在估算Lyapunov指数时,有必要指明导联的位置.在Lyapunov指数谱中,最大Lyapunov指数可以将冠心患者与健康正常人区分开来,在心脏疾病诊断中具有潜在的应用价值.     

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。     

HAI实验中EEG信号的非线性动力学研究

采用一维时间序列相空间重构技术和混沌的定量判据，对缺氧窒息而引起的中枢神经损伤（Hypoxic-Asphyxic Injury，HAl）实验中仔猪的脑电（Electroencephalogram，EEG）信号进行了分析与计算。通过对生理和损伤状态下仔猪EEG信号的相图、功率谱、关联维数和Lyapunov指数的对比研究，得出如下结论：（1）EEG的相图、功率谱、关联维数和Lyapunov指数反映了大脑的总体动态特征，它们可作为一种定量研究EEG的新方法进行脑损伤的早期诊断；（2）在正常的生理状态下EEG是混沌的，而在损伤状态下则趋于有序。     

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.     

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.     

基于独立分量分析算法研究儿童癫痫脑电的混沌动力学特征

首先采用独立分量分析(Independent component analysis,ICA)算法,将儿童癫痫信号从复杂的背景脑电(Electroencephalogram,EEG)中分离出来;然后采用了一维时间序列相空间重构技术和混沌的定量判据,对分离出来的独立分量信号进行了分析与计算.通过对生理和癫痫状态下独立分量信号的相图、功率谱、关联维数和Lyapunov指数的对比研究,得出如下结论:(1)EEG独立分量的相图、功率谱、关联维数和Lyapunov指数反映了大脑的总体动态特征,它们可作为一种定量指标衡量大脑的健康状态;(2)在正常的生理状态下EEG是混沌的,而在癫痫状态下则趋于有序。     

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.     

基于小波变换心音定位

目的：本介绍一种在心音图（PCG）中定位第一心音（S1）和第二心音（S2）的算法。方法：利用小波变换多分辨分析将PCG信号分解成不同的频带，然后按时间顺序分段计算频段的规一化香农能量，能量大于某一合适阈值的时刻作为S1和S2的候选点，结合心音的特点确定S1和S2。结果：在对2880个心动周期的运用中，正确定位率达到了96％以上。结论：小波变换多分辨分层后的分段算法能对S1和S2定位；如果不分段处理，求整体香农能量，那么也可确定心音和心脏杂音的频率范围。     

心音时域分析的新方法研究

为快速、准确地判断心音的正常与否,本文提出一种新的心音时域分析方法——心音特征波形法。通过数字听诊器将采集到的心音数据由USB接口传输到计算机,建立单自由度分析模型提取心音特征波形,计算出心音特征参数来判别正常与异常的心音。文中通过对正常/异常心音案例分析,验证了心音特征波形法的有效性。另外,为检验已提出的心音时域分析方法对正常与异常的心音判别准确率,选用已采集的40组正常与20组异常的心音数据进行实验及统计分析,准确率分别达到92.5%和95.0%。     

不同程度冠脉狭窄对心电及R-R间期序列Lyapun0V指数的影响

目的已有的研究表明,心脏的活动是混沌的。心电时间序列的非线性动力学数值指标可反映心脏的总体动态活动特征。本文试图探讨不同程度冠脉狭窄对心电及R-R间期序列Lyapunov指数的影响。方法通过对不同程度冠脉狭窄的冠心病患者和正常人的海电和R-R间期时间序列的Lyapunov指数计算,以期从医学数据统计中发现有价值的规律性。结果初步研究表明,正常人和冠脉重度狭窄患者心电序列的Lyapunov指数有显著统计差别,但正常人和冠脉轻度狭窄患者心电序列的Lyapunov指数无显著差别;正常人和冠脉轻、重度狭窄患者心电R-R间期时间序列的Lyapunov指数均有显著统计差别。结论R-R间期序列比心电图能提供更多心脏电活动的信息。而正常人和冠脉轻度狭窄患者R-R间期时间序列的Lyapunov指数的显著差别,提示在心电信号的异常波形尚不足以被识别时,可能利用该指数对心脏的健康状况进行早期评估。     

正常人与冠心病患者的第三心音分析

研究第三心音 (S3)在临床上的意义。在心前区采集心音数据 ,并采集一导心电信号来定位心音。采样频率为10 3 Hz。用小波变换时频分析方法 ,研究了 135例 (正常少儿 34例、正常成年人 31例、正常老年人 30例和冠心病老年人 40例 )心音图中的S3。表明所有正常人均有S3;正常老年人与老年一般冠心病患者的S3存在明显差异 (p =0 .0 16 4) ,后者S3的频谱主峰频率明显上移。S3的检测有重要的临床诊断意义     

利用Lyapunov指数提取心电动态生理及病理信息的研究

对心电信号的研究，一般都集中在对个别异常波形进行检测和识别从而判断心脏病变方面。而心电波形及其Ｒ－Ｒ间期序列的Ｌｙａｐｕｎｏｖ指数反映了心脏的总体动态特征。利用ＭＩＴ－ＢＩＨ数据库进行的初步研究表明：１）正常人、室性失常病人和束支传导阻滞病人的心电波形的Ｌｙａｐｕｎｏｖ指数有显著差别；２）正常人和室性失常病人的Ｒ－Ｒ间期序列的Ｌｙｓｐｕｎｏｖ指数有显著差别，正常人和束支传导阻滞病人的Ｒ－Ｒ间期序列的Ｌｙａｐｕｎｏｖ指数没有显著差别。值得指出的是，这一研究的前景在于，当心电信号中的异常波形还不足以被识别时，有可能利用Ｌｙａｐｕｎｏｖ指数进行早期诊断。     

动态心电图中R波峰序列的Lyapunov指数谱

本文介绍了计算机Ｌｙａｐｕｎｏｖ指数谱的方法,利用ＭＩＴ－ＢＩＨ心电数据库,计算了其中正常心律、起搏心律、室早搏心律和束支传导阻滞心律四组共２４例心电图数据中Ｒ波峰序列的Ｌｙａｐｕｎｏｖ心律以及异常心律之间,     

Analysis of the first heart sound using the matching pursuit method

It is acknowledged that the first heart sound S1 consists of two major, high-frequency components M1 and T1, corresponding, respectively, to the vibrations of the mitral and tricuspid valves and their surrounding tissues following valve closure in early systole. In this study, the matching pursuit (MP) method was used to decompose S1 into a series of time-frequency atoms. M1 and T1 were separated from the parameterised atoms of S1. The first two dominant frequencies of M1 were identified and used as features of a linear classifier to diagnose mitral valve abnormality. This method was applied to two sets of S1 data recorded from 15 patients with normal, and 15 patients with abnormal, bioprosthetic mitral valves, respectively. It was found that the two features exhibit significant differences between the normal and abnormal sets (p< 0.001). Using these two features, a correct classification of 93% was obtained. In addition, when the Wigner distribution of S1 was calculated from the decomposed atoms and compared with a spectrogram, the MP method provided better results. The study demonstrates that the MP method may be a promising technique for heart sound analysis.