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。     

心音信号的聚类分析

通过对ＡＲＴ２神经网络进行改进，构造了适合于对信号的时变谱进行分类的二维ＡＲＴ神经网络，而后根据心音信号的特点，我们选择了心音的小波变换谱作为网络的输入特征。调整网络的参数，使之能够将输入的心音信号特征聚类成为两类，实验结果表明我们所设计的分类系统能够从连续３２个正常人的心音信号中区分出两个正常分裂的心音。这个结果在基础生理研究和临床诊断上都有一定的应用价值。     

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。     

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.     

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.     

心音信号识别的意义及其方法的研究

本概述了心音信号识别的意义，并对心音自动识别技术的发展进行了介绍，最后总结了今后工作可能的研究方向。     

应用小波变换进行心音三维时频分析的研究

应用小波变换分析方法,对正常人和典型心脏病人的心音数据分组进行不同尺度的小波变换,得出了综合反映心音的时间,频率和强度三维信息的彩色三维心音图,经小波变换的三维心音图更为直观详尽地反映出各组心音信号在不同时域、频域与强度范围内细节性的信息。对提取的时频参数进行分析,各组间存在显著性差异,该研究为临床心脏病诊断和辅助教学提供了一个有效的工具,为心音分析的进一步提供了基础资料与方法。     

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。     

基于功率谱密度相似性的最佳心音信号选择

心音采集过程中混入的干扰噪声影响着心音诊断,目前多通过手动方式选择干扰较少的信号段做后续分析。为从采集信号中筛选出干扰最少、稳定性最强的最佳心音信号,提出一种最佳心音信号的自动选择方法。对采集的25例正常和119例患先天性心脏病儿童的心音信号,基于离散小波变换与哈达玛积相结合定位心动周期。根据心动周期信号的周期稳定性及功率谱密度相似性计算质量因子,将质量因子最大的连续3个心动周期信号作为最佳心音信号。由心脏病专家通过音频回放对信号选择的成功率和有效性进行评估。结果表明,最佳心音信号自动选择的成功率为95.83%,选择成功信号均包含对应疾病的典型听诊特点。该方法选择性能良好且自动执行,为心音信号的全自动分析提供参考。     

心音信号识别的意义及其方法的研究

本文概述了心音信号识别的意义,并对心音自动识别技术的发展进行了介绍,最后总结了今后工作可能的研究方向。     

基于极限梯度提升和深度神经网络共同决策的心音分类方法

心音是诊断心血管疾病常用的医学信号之一。本文对心音正常/异常的二分类问题进行了研究,提出了一种基于极限梯度提升(XGBoost)和深度神经网络共同决策的心音分类算法,实现了对特征的选择和模型准确率的进一步提升。首先,本文对预处理后的心音信号进行心音分割,在此基础上提取了5个大类的特征,前4类特征采用递归特征消除法进行特征选择,作为XGBoost分类器的输入,最后一类为梅尔频率倒谱系数(MFCC),作为长短时记忆网络(LSTM)的输入。考虑到数据集的不平衡性,本文在两种分类器中皆使用了加权改进的方法。最后采用异质集成决策方法得到预测结果。将本文所提心音分类算法应用于PhysioNet网站在2016年发起的PhysioNet心脏病学挑战赛(CINC)所用公开心音数据库,以测试灵敏度、特异性、修正后的准确率以及F得分,结果分别为93%、89.4%、91.2%、91.3%,通过与其他研究者应用机器学习、卷积神经网络(CNN)等方法的结果比较,在准确率和灵敏度上有明显提高,证明了本文方法能有效地提高心音信号分类的准确性,在部分心血管疾病的临床辅助诊断应用中有很大的潜力。     

Intelligent methods for identifying respiratory cycle phases from tracheal sound signal during sleep

We present two methods for identifying respiratory cycle phases from tracheal sound signal during sleep. The methods utilize the Hilbert transform in envelope extraction. They determine automatically a patient-specific amplitude threshold to be used in the detection. The core of one method is designed to be amplitude-independent whereas the other method uses solely the amplitude information. The methods provided average sensitivities of 98% and 99%, respectively, and positive prediction values of 100% on the total of 1434 respiratory cycles analysed from six different patients. The developed methods seem promising as such or as tools for analysing sleep disordered breathing.     

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.     

一种基于短时傅立叶变换的心音分裂时间计算方法

目的应用现代信号处理的方法定量计算心音分裂的时间间隔，为某些心脏早期器质性病变的诊断提供数据依据。方法在频率分辨率较高的情况下，利用短时傅立叶变换（STFT）声谱图和香农能量，提取出第1心音（S1）的主要成分二尖瓣关闭音（M1）、三尖瓣关闭音（T1）及第2心音（S2）的主要成分主动脉瓣关闭音（A2）、肺动脉瓣关闭音（P2）。然后，在时间分辨率较高的情况下，通过瞬时能量密度包络图，计算出心音分裂的时间间隔。结果对南开大学医学院提供的心音数据的仿真结果表明该方法能够较精确地计算出房间隔缺损（ASD）、右束支传导阻滞（RBBB）及其他常见心音分裂类型的分裂时间。结论笔者提出的计算心音分裂时间间隔的方法比已有的方法更简单快捷，其结果能够为某些心脏早期器质性病变的诊断提供定量依据。     

A filter bank-based source extraction algorithm for heart sound removal in respiratory sounds

In this paper, we consider the problem of heart sounds (HS) removal from respiratory sounds (RS), and a novel semi-blind single-channel source extraction algorithm is proposed. The proposed method is able to extract the underlying pure RS from the HS corrupted noisy input signals by incorporating the filter banks and template-based matching using FIR filters. For performance evaluation of the presented method, the average power spectral densities (PSD) of the input RS segments without HS have been compared with the PSD of the reconstructed signals over six selected frequency bands from 20 to 800 Hz. The proposed method is tested for various types of RS recordings and found effective by yielding an overall maximum spectral difference of for a frequency range below 800 Hz.     

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。     

Time-frequency analysis of the first heart sound. Part 1: Simulation and analysis

The authors propose a simulated first heart sound (S1) signal that can be used as a reference signal to evaluate the accuracy of time-frequency representation techniques for studying multicomponent signals. The composition of this simulated S1 is based on the hypothesis that an S1 recorded on the thorax over the apical area of the heart is composed of constant frequency vibrations from the mitral valve and a frequency modulated vibration from the myocardium. Essentially, the simulated S1 consists of a valvular component and a myocardial component. The valvular component is modelled as two exponentially decaying sinusoids of 50 Hz and 150 Hz and the myocardial component is modelled by a frequency modulated wave between 20 Hz and 100 Hz. The study shows that the simulated S1 has temporal and spectral characteristics similar to S1 recorded in humans and dogs. It also shows that the spectrogram cannot resolve the three components of the simulated S1. It is concluded that it is necessary to search for a better time-frequency representation technique for studying the time-frequency distribution of multicomponent signals such as the simulated S1.