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。     

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。     

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。     

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。     

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。     

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。     

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EMD的左右手运动想象脑电信号分析研究

基于经验模态分解(EMD)理论,提出一种左右手运动想象脑电信号分析方法.首先利用时间窗对脑电信号数据进行划分,对每段数据通过经验模态分解法将其分解为一组固有模态函数IMF,提取主要信号所在的IMF层去除信号中的噪声.对含有主要信号的几层IMF进行Hilbert变换,得到瞬时频率与对应的瞬时幅值.再提取左右手想象的特定频段mu节律和beta节律的能量信号作为特征,分别利用支持向量机(SVM)和Fisher进行了分类比较.对EMD和小波包在去噪和特征提取进行了比较.结果表明,EMD是一种很有效的去噪方法,经过EMD分解后提取的能量信号在区分左右手想象上更具有优势,识别率高.     

自适应噪声完备经验模态分解排列熵结合支持向量机的心音分类方法研究

针对心音信号非平稳性、非线性的特征,为了更直观地把心音信号的特征显示出来,提高分类识别的高效性,提出了一种自适应噪声完备经验模态分解（CEEMDAN）排列熵作为心音信号的特征向量,通过支持向量机（SVM）进行心音分类识别的方法。首先,将原始心音信号进行CEEMDAN,得到若干从高频到低频的模态分量（IMF）。其次,利用IMF分量与原始信号的相关系数、能量因子和信噪比来优选IMF做Hilbert变换,得到分量信号的瞬时频率,再计算各IMF排列熵值组成特征向量。最后,将特征向量输入SVM二分类器进行正常与异常心音信号的分类识别。对源自2016年PhysioNet/CinC挑战赛的100例心音样本进行正常与异常的分类,准确度达到87%。研究表明本文方法相比于常用的EMD和EEMD排列熵的方法准确度提高了18%～24%,可见,CEEMDAN排列熵结合SVM的方法能够有效识别正常和异常心音。     

心音特征在慢性心力衰竭分型辅助诊断中的应用研究

提取心音时域和时频域特征,比较分析射血分数降低型心衰(HFrEF)和射血分数保留型心衰(HFpEF)患者各特征之间的关系。共采集了72列HFrEF患者和172列HFpEF患者20分钟的心音数据,提取第一心音与第二心音时限之比(TS1/TS2)、第一心音与第二心音幅值之比(S1/S2)、舒张期时限与收缩期时限之比的总体标准差(SDDS)、S1间期总体标准差(SDSSI)等4个时域特征。S变换分析其时频域特性,提取第一心音能量与第二心音能量之比(ES1/ES2),低频能量分数(EF-LF)、高频能量分数(EF-HF)、收缩期低频能量分数(EF-SLF)和高频能量分数(EF-SHF)、舒张期低频能量分数(EF-DLF)和高频能量分数(EF-DHF)7个时频域特征,分别进行统计学分析和聚类分析。TS1/TS2、S1/S2、SDDS、SDSSI、ES1/ES2、EF-SLF、EF-DLF在两组间均有统计学差异(P＜0.05);EF-LF、EF-HF、EF-SHF、EF-DHF无统计学意义(P＞0.05)。选择其中4个相对独立的特征值进行聚类分析,区分HFrEF组和HFpEF组的灵敏性和特异性分别为93.06%和84.88%。提取的心音特征反映了两组信号的差异性,为心音信号在慢性心力衰竭分型辅助诊断中的应用提供了理论依据。     

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。     

基于多通道经验模式分解的脑机接口特征提取

针对脑机接口(BCI)系统中的多通道非平稳脑电(EEG)信号和脑磁(MEG)信号,本文提出一种基于多通道经验模式分解(MEMD)与功率特征结合的信号特征提取算法。首先将多通道脑信号经MEMD算法分解为一系列多尺度多元固有模态函数(IMF)近似平稳分量,然后对每个IMF分量提取功率特征,并利用主成分分析(PCA)降维处理,最后使用线性判别分析分类器对信号特征分类。实验采用第三次和第四次国际BCI竞赛的数据进行验证,对皮层EEG信号和MEG信号运动想象任务的识别正确率分别达到92.0%和46.2%,均位于竞赛第一名水平。实验结果表明本文所提方法有较好有效性和稳定性,为脑信号特征提取提供了新思路。     

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HHT的生物电阻抗胃动力信号分析方法

目的 采用HHT时间序列分析方法处理从人体采集到的胃动力信号.方法 通过经验模态分解(EMD)技术将一非线性、非稳态过程的原始胃动力序列分解为一组内在模态函数(IMFs),对每一个IMF进行Hilbert 变换,得到信号的瞬时频率,然后选择与胃动力相关的频率成分,即0.03-0.06 Hz之间的IMF进行重构提取胃动力...     

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。     

基于IMF能量熵的脑电情感特征提取研究

为提高脑电信号情感识别分类准确率,结合经验模态(EMD)分解和能量熵提出一种新的脑电特征提取方法。本研究主要介绍了EMD分解的基本原理,分析了传统EMD算法中的"端点效应",采用分段幂函数插值算法改善了EMD分解的精度和性能,然后将改进后的算法应用到脑电信号特征提取,获取脑电信号的IMF分量后计算出IMF能量熵作为情感识别的特征,最后通过分类实验对比改进后的EMD算法和传统EMD算法对脑电情感特征的分类准确率。实验结果显示改进的EMD算法能使识别率提高15%左右,并且以IMF能量熵为特征的平均识别率在80%以上,实验结果表明将IMF能量熵用于脑电信号情感识别是可行的。