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。     

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.     

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.     

基于持续时间隐马尔可夫模型的心音分割算法

心音分割指对所获取的心音信号按心动周期对收缩期、舒张期等进行分隔,是进行心音分类前的关键步骤。针对不依赖心电图对心音信号直接分割准确度有限的难题,提出了一种基于持续时间隐马尔可夫模型的心音分割算法。首先对心音样本进行位置标注;然后采用自相关估计法对心音的心动周期持续时间进行估计,通过高斯混合分布对样本的状态持续时间进行建模;接着通过训练集信号对隐马尔可夫模型进行优化并建立基于持续时间的隐马尔可夫模型(DHMM);最后使用维特比算法对心音状态进行回溯得出S₁、收缩期、S₂、舒张期。使用500例心音样本对本文算法性能进行测试,平均评估精度分数(F₁)为0.933,平均灵敏度为0.930,平均精确率为0.936。同其他算法相比,本文算法各项性能指标均有明显提升,证实了该算法具有较高的鲁棒性和抗噪声性能,为临床环境下所采集心音信号的特征提取与分析提供了一种新方法。     

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。     

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。     

Heart sound and lung sound separation algorithms: a review

Breath and cardiac sounds are two major bio sound signals. In this, heart sounds are produced by movement of some body parts such as heart valve, leaflets and the blood flow through the vessels, whereas lung sounds generates due to the air in and out flow through airways during breathing cycle. These two signals are recorded from chest region. These two signals have very high clinical importance for the patient who is critically ill. The lung functions and the cardiac cycles are continuously monitored for such patients with the help of the bio sound signal captured using suitable sensing mechanism or with auscultation techniques. But these two signals mostly superimpose with each other, so the separation of these heart sound signals (HSS) and the lung sound signals (LSS) is of great research interest. There are so many different techniques proposed for this purpose. In this paper, a study is carried out on different algorithms used for the separation of HSS from LSS, and also the results of major four separation algorithms are compared.     

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。     

最优改进对数谱幅度估计与小波结合的心音降噪

小波阈值降噪为心音降噪的一种常用方法。本文提出了使用最优改进对数幅度谱估计与小波阈值降噪相结合的方法对心音降噪。在正常心音和一些常见疾病的心音中加入不同强度的白噪声和粉红噪声,构造不同信噪比的心音信号,并将本文所提出的方法和仅用小波阈值降噪方法的去噪效果进行了定量的对比。结果表明本文方法降噪效果总体优于仅使用小波阈值降噪达到的效果。     

A hybrid algorithm for heart sounds segmentation based on phonocardiogram

Abstract

For many years, heart function has been measured by the electrocardiogram (ECG) signal, while sounds produced in the heart can also contain information indicating normal or abnormal heart function. What has caused to restrict the use of the phonocardiography (PCG) signal was the lack of mastery of experts in the interpretation of these sounds, as well as its high potential for noise pollution. PCG is a non-invasive signal for monitoring physiological parameters of cardiac, which can make heart disease diagnostics more efficient. In recent years, attempts have been made to use PCG to detect heart disease independently without a need to match with the ECG. We propose a hybrid algorithm including empirical mode decomposition (EMD), Hilbert transform and Gaussian function for detecting heart sounds to distinguish first (S1) and second (S2) cardiac sounds by eliminating the effect of cardiac murmurs. In this article, 250 normal and 250 abnormal sound signals were examined. The overall positive predictivity of normal and abnormal S1 and S2 is 98.98%, 98.78, 98.78 and 98.37, respectively. Our results showed that the proposed method has a high potential for heart sounds determination, while maintains its simplicity and has a reasonable computational time.     

First heart sound spectra in relation to anterior mitral-leaflet closing velocity

A mathematical model is presented to relate mitral valve leaflet closing velocity to the subsequent vibrational magnitude following valve closure. This relationship is investigated experimentally by means of phonocardiographic and echocardiographic recordings from 17 human subjects. Fast Fourier transform analysis of digitised first heart sounds from each subject reveals that the sound intensities in different frequency bands are not uniformly related to the valve-leaflet closing velocity, obtained from the anterior mitral leaflet echocardiogram. It is found that, in the frequency range up to 150 Hz, closing velocity correlates best with sound intensity in the 30–45 hz bandwidth.     

A robust heart sound segmentation algorithm for commonly occurring heart valve diseases

The first step towards detection of valvular heart diseases from heart sound signal (phonocardiogram) is segmentation. A segmentation algorithm provides the location of the first and second heart sounds which in turn helps to locate and analyse the murmur. Established phonocardiogram based segmentation methods use an electrocardiographic (ECG) signal as a continuous auxiliary input in a complex instrumentation setup. This paper proposes an automatic segmentation method that does not require any such auxiliary signal. Compared to other approaches without auxiliary signal, this work extensively utilizes biomedical domain features for reduction of time and computational complexities and is more accurate. The performance of the algorithm is evaluated for nine commonly occurring pathological cases and normal heart sound for various sampling frequencies, recording environments and age group of subjects. The proposed algorithm yields an overall accuracy of 97.47% and is compared with two competing techniques. In addition, the robustness of the algorithm is shown against additive white Gaussian noise contamination at various SNR levels.     

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。