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。     

心音信号的预处理与包络提取算法研究

本文介绍了一种心音信号预处理新方法,利用小波变换对心音信号进行多层分解,对分解后的每层进行双参数阈值去噪,最后对阈值处理得到的层进行重构,以达到滤波的目的。对重构后的心音信号,分别采用了小波变换、希尔伯特-黄变换(HHT)、数学形态学、归一化平均香农能量等算法进行包络提取,对提取后的包络作了初步分析,并对每种算法提出改进方案。用以上方法对随机选取的30例原始心音数据进行预处理,得到了满意的结果。利用改进后的方法进行了包络提取,所提取的包络与原信号有很高的吻合度,不论是低频部分还是高频部分的信息均能很好地反映,原信号的更多信息得到了保留。     

基于改进经验模态分解与能量包络的S1/S2提取

本文提出了一种改进型的经验模态分解算法用于心音图(PCG)信号去噪,结合PCG的规则平均Shannon能量包络算法,可有效提取PCG中的S1/S2成分。首先,通过小波变换和经验模态分解结合算法对PCG信号进行滤波预处理;然后,提取预处理后PCG信号的固有模函数(IMF)时域、频域特性及能量包络;最后,结合信号的Shannon能量包络和IMF相关特性准确定位出S1和S2。运用该方法对30例PCG信号进行测试,得到S1/S2成分的综合识别率达99.75%。实验结果表明,本文算法运用于S1/S2成分提取具有较好的效果,为进一步研究心音身份识别奠定基础。     

基于希尔伯特-黄变换的心音包络提取在LabVIEW上的实现

研究基于希尔伯特黄变换(HHT)的心音包络提取系统在LabVIEW上的完整实现。首先使用声卡采集心音信号,并在LabVIEW上实现了完整的基于HHT的心音采集、预处理和包络提取功能的系统程序,最后使用案例证明了该系统能够简便地实现心音信号采集、预处理和包络提取。该系统较好地保留和显示了心音包络特征,并且其程序和方法对振动、语音等的研究有重要的参考价值。     

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。     

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。     

基于经验模态分解自适应滤波的胎儿心电信号提取

目的提出了一种基于经验模态分解自适应滤波的胎儿心电信号提取法。方法首先利用经验模态分解算法对孕妇腹部信号进行分解得到一组内模函数(IMF),然后将这组IMF作为自适应滤波器的主输入信号,并将孕妇胸部信号作为参考输入信号。通过学习算法自适应组合IMF,滤除母体心电信号成分,从而提取胎儿心电信号。结果与结论基于仿真和临床的实验结果表明,该方法提取的胎儿心电信号误差小,性能优于传统的最小均方和归一化最小均方自适应滤波算法。     

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.     

Heart sound cancellation from lung sound recordings using time-frequency filtering

During lung sound recordings, heart sounds (HS) interfere with clinical interpretation of lung sounds over the low frequency components which is significant especially at low flow rates. Hence, it is desirable to cancel the effect of HS on lung sound records. In this paper, a novel HS cancellation method is presented. This method first localizes HS segments using multiresolution decomposition of the wavelet transform coefficients, then removes those segments from the original lung sound record and estimates the missing data via a 2D interpolation in the time-frequency (TF) domain. Finally, the signal is reconstructed into the time domain. To evaluate the efficiency of the TF filtering, the average power spectral density (PSD) of the original lung sound segments with and without HS over four frequency bands from 20 to 300 Hz were calculated and compared with the average PSD of the filtered signals. Statistical tests show that there is no significant difference between the average PSD of the HS-free original lung sounds and the TF-filtered signal for all frequency bands at both low and medium flow rates. It was found that the proposed method successfully removes HS from lung sound signals while preserving the original fundamental components of the lung sounds.     

基于Hilbert-Huang变换的医学超声信号去噪

目的:探求一种基于Hilbert-Huang变换的医学超声信号去噪方法。方法:提出了一种基于Hilbert-Huang变换的医学超声信号去噪方法。首先对含噪超声信号进行经验模式分解,得到各阶IMF分量,然后对高频的IMF分量用阈值方法进行处理,把经过阈值处理的高频的IMF分量和低频IMF分量进行叠加,得到重构的去噪信号。结果:仿真实验表明,基于Hilbert-Huang变换的医学超声信号去噪方法可以有效地降噪。结论:Hilbert-Huang变换的医学超声信号去噪方法在自适应性和先验性方面优于基于小波的去噪方法。     

Heart Rate Extraction of Ballistocardiogram Based on Hilbert-Huang Transformation

Objective: Ballistocardiogram(BCG) is a kind of signal that reflects the movement of human body caused by the mechanical activity of cardiovascular system,especially during the heart contraction. Compared to other methods on assessing vascular healthy condition, the acquisition of BCG didn't need any direct contact with human body.This paper uses Hilbert-Huang transformation(HHT) to calculate the heart rate and detect the artifacts. Methods: HHT was a newly-developed method for non-linear data analysis, and ensemble empirical mode decomposition(EEMD) based HHT was a modified HHT method which used white noise to improve the analysis result. A device that could record BCG signal and ECG signal synchronously was built in our lab and 10 subjects' signals were collected and analyzed. EEMD based HHT was applied to BCG signal to calculate the heart rate. Heart rate calculated using ECG was used as a standard value to verify the result calculated from BCG. Besides, BCG was easily affected by the body movement, so we tried to use HHT to detect the artifacts in the BCG signal.Results: Our research showed that EEMD based HHT with a proper white noise level could be used to calculate the heart rate in BCG. Artifacts in the decomposition component were enhanced in the decomposition components of EEMD and became easier to detect than that in original BCG signal. Conclusion: Therefore, HHT could help to calculate the heart rate, enhance and detect artifacts caused by movements of human body in BCG signal.     

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.     

基于小波变换和经验模式分解的心音信号研究

针对经验模式分解（EMD）中的端点效应问题,本研究提出先用小波去除噪声干扰,再用EMD方法提取心音信号的特征。对于EMD的端点延拓,采用一种新的自适应波形匹配端点延拓方法。通过小波去噪,克服了直接运用EMD分解时无用频率分量带来的干扰,有效地减少EMD的分解层数,自适应波形匹配延拓方法充分考虑了心音信号的内在规律与端点处的变化趋势,较之传统的延拓方法更加合理。用所提出的方法对心音信号进行EMD分解,并用双阈值法对分解后的信号进行第一心音(S1)第二心音(S2)的定位分析,通过对40例心音信号定位分析,S1和S2的检出率分别达到97.05%和97.12%。表明该分析方法能够有效地抑制端点效应,提高EMD分解的准确性和时效性,为后续心音的分析提供准确的参考信息。     

分体式蓝牙无线听诊器设计

目的传统听诊器存在数据无法记录、传音距离有限、不能消除外界杂音和无法放大音量等问题。为了在一定程度上解决上述问题,设计一款分体式蓝牙无线听诊器。方法首先选择压电传感器作为心音信号接收装置,再利用蓝牙技术与收音设备及上位机通信,采用TMS320VC5416作为主控芯片以控制各模块间的数据传输。然后完成上位机软件设计以实现心音可视化。外观设计采用分体式,包括头部端与手持端两部分。最后,进行初步验证。结果分体式蓝牙无线听诊器心音信号清晰,同时可在上位机软件中看见心音信号波形,体积与重量符合设计预期。结论分体式蓝牙无线听诊器集声音采集、信号处理、无线传输、心音信号可视化于一体,摆脱诊断距离的限制,可为信息共享、专家会诊、医院教学等工作提供支持。