心音信号的分析及其特征提取方法的研究

心音的改变和心脏杂音的出现，往往是器质性心脏病的最早体征。本研究讨论了一种全面的、综合性的心音信号分析方法，从多个角度对方法进行了探讨，提取心音的特征值，区分不同的心音。分析和仿真结果证明该方法能有效地区分不同的心音，有助于器质性心脏病的辅助诊断。     

基于信号包络及短时过零率的心音分段算法

心音能有效地反应心脏尤其是瓣膜活动状况,研究基于心音的心脏病决策系统具有重大意义.心音分段是建立心音决策系统的基础和前提,其目的是定位心音的主要成份,为特征提取与模式识别提供定位基准.本文通过使用双门限、迭代等方法,改进了基于信号能量的分段算法,并首次引人短时过零率以更准确地定位分段边界.实验结果表明,该算法对正常心音及常见异常心音分段效果良好.     

正常心音的第一、第二心音频率检测

为了观察心音的改变和心脏杂音的出现,从而分辨正常和异常心音,本研究针对第一心音和第二心音的频率特性进行了分析。我们分别采用小波变换和Choi-Williams分布两种方法对六例正常第一、第二心音和一例异常心音的频率特性进行了研究。两种分析方法的实验结果表明：正常心音的第一、第二心音频率成份主要集中在20-100Hz以内,与文献中提到的频率范围十分相似,由此验证了这两种方法对心音频率分析的正确性及可行性。     

运动和呼吸对心率及心音幅值影响的探讨

目的用数字心音图探索运动和呼吸对心率及心音幅值的影响.方法运动前后分别同时记录心力和心动周期信号,用相继各心动周期的标准差(SDNN)作为心率变异性的一个指标,用相继各第一心音幅值的标准差(SDS1)作为心力变异性的一个指标;记录呼吸和屏气状态下的心率变化.结果 34名受试者运动前的SDNN为±18ms,SDS1为±1.63,运动后的SDNN为±10ms,SDS1为±10.61,运动前后心率变异性和心力变异性的差异非常显著(P<0.01);屏气状态下心率变化小于呼吸周期内的心率变化.结论运动后心率变异性减小,而心力变异性增高;屏气状态下仍然存在心率变化.     

胎儿心音分析用以实现胎儿心率监护的研究

作者分析了胎儿心音频谱特点。通过带通数字滤波及匹配滤波等方法,正确检测胎儿心率,为建立胎儿心音的胎儿心率监护仪提供了基础。     

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.     

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.     

基于蓝牙的心音采集系统中串行数据通信的研究和实现

研究心音可宏观认识心脏的健康水平和运动潜能,通过蓝牙技术将心音研究领域从静态拓展到动态检测领域,能获取更多研究信息.根据ACL蓝牙链路对心音信号采集和传输的有效性,本文使用串行数据采集和串行数据传输技术,实现了心音信号采集到PC机显示和保存,为后续分析评价工作奠定了基础.相应介绍了硬件接口电路及单片机C8051F000编程实现方法,并在上位机中讨论如何使用C Builder和Windows API函数进行串行接口编程.     

基于多尺度詹森香农分叉的抑郁症脑磁图研究

为探讨脑磁图在抑郁症诊断及治疗中的作用,本研究首先使用詹森香农分叉算法和多尺度詹森香农分叉算法在负性、正性和中性情绪刺激下,对抑郁症组和健康对照组的脑磁图信号进行分析,并采用SPSS软件对实验结果进行独立样本t检验,计算三种情绪刺激下区分度最好的通道和多尺度因子;最后,采用误差棒图分析三种情绪刺激下,抑郁症组和健康对照组的脑磁图信号。结果表明,詹森香农分叉算法和多尺度詹森香农分叉算法均可区分抑郁症组和健康对照组的脑磁图信号,两者脑磁图信号存在一定差异。在三种情绪刺激下,抑郁症组在大多数通道的统计复杂度比健康对照组高,且在中性情绪刺激下,区分度最高。该算法可为抑郁症的辅助诊断和治疗提供帮助。     

基于心冲击信号的心率检测方法

针对现有基于心冲击描记图进行心率检测存在的抗干扰性不足问题,提出一种鲁棒的心率检测模型,首先对原始信号中受干扰的片段进行补偿重构,然后将J峰作为特征波形,通过基于J峰频段的滤波与差分增强处理放大特征,并设计改进的峰值提取算法定位心跳点,进而得到心率估计值。实验结果表明,所用模型对于不同情形下的心冲击描记图信号均表现出良好的适应性,逐拍检测平均覆盖率为98.3%,平均准确率为98.4%。心率输出结果与金标准一致性高,误差范围控制在[±]5%以内,且运算实时性好,可以为临床或家庭保健提供良好的心率检测方案。     

基于非负盲分离的胎儿心率检测方法

胎儿心率监测是一种有效评估胎儿当前健康状况的重要参考依据。为了可以快速准确地获取胎儿心率,该文提出一种基于非负盲分离的胎儿心率检测方法。该方法首先对采集得到的腹壁信号进行预处理,平稳小波变换后重构出母亲心电信号;接着,采用相减法去除母亲心电信号,再把剩下含有噪声的胎儿心电信号通过时频变换得到Born-Jordan分布;最后,利用非负矩阵分解得到胎儿心电的特征信号,检测其R波位置求得胎儿瞬时心率。实验结果表明,该方法可以快速、准确有效地获得胎儿地瞬时心率数据。     

基于数学形态学和信号包络提取的QRS波检测

QRS波检测是心电自动分析的关键环节,检出的位置精度关系到后续处理和信号提取的正确性和准确性,同时对于长时间记录的心电信号,要求一定的处理速度。而目前的国际标准ANSI/AAMI EC38中对QRS波的检出要求是在标注时刻的150ms范围内。本研究提出一种数学形态学结合信号包络提取的QRS波检测算法,在标注时刻范围减小时,对MIT-BIH数据库检测能够获得较好的检出精度和效率。     

基于平均能量耗散的睡眠分期研究

目的 睡眠质量影响身体健康与工作效率,睡眠分期结果是衡量睡眠质量的重要指标和诊治睡眠障碍性疾病的重要途径.方法 通过提取相同个体相同时刻的清醒期和非快速眼动睡眠Ⅰ期的EEG信号,分别符号化后计算平均能量耗散,对两个睡眠阶段的相对熵进行统计分析及多样本验证.结果 研究结果表明,平均能量耗散很好地反映了睡眠状态的变化,在清醒期较大,在非快速眼动睡眠Ⅰ期较小,并通过差异显著性检验和多样本验证.结论 平均能量耗散可以作为睡眠自动化分期参数补充到睡眠分期研究中来,在临床上可通过多参数分析,提高睡眠分期的准确性.     

一种基于自相关和平均模差算法的胎儿心率提取方法

目的 胎儿心率是判断孕期胎儿健康状况的一项重要指标,使用超声多普勒测量胎心率是常用的无创方法.其中,自相关算法是常用的测量胎心率的算法,但是其抗噪性差,容易出错.方法 本文提出一种基于自相关与平均标准模差相结合的新算法,先通过自相关函数突显其周期性,然后用累计平均标准模差函数提取准确周期,最后通过使用该算法处理模拟器数据和临床数据,验证其精确度和抗噪性.结果 相比滑动窗算法,基于自相关和平均标准模差的算法具有更高的精确度和抗噪性.结论 改进后的算法可以有效计算出胎心率值.     

基于心率变异性分析的睡眠分期算法研究和验证

为实现睡眠分期,为穿戴式生理参数监测技术在慢病监测领域的应用提供技术支撑,发展基于心率变异性和支持向量机模型的睡眠分期算法。从心率时间间期序列中提取时域、频域和非线性等86个特征,将多导睡眠图仪的三分类结果(醒、快速眼动期、非快速眼动期)作为“金标准”,采用支持向量机作为多分类器模型;为保证训练集数据质量,使用开放睡眠数据库SHHS中由专家确认挑选的67例PSG样本作为训练集,实现特征筛选和模型参数训练。为验证模型的泛化性能,从SHHS数据库中进一步随机提取939例PSG样本,对模型性能进行测试。睡眠分期模型在训练集上的五折交叉验证的准确率为84.00%±1.33%,卡帕系数为0.70±0.03;在939例测试集上的准确率为76.10%±10.80%,卡帕系数为0.57±0.15。剔除RR间期异常(110例)和明显睡眠结构异常(29例)的样本后,测试集(800例)的准确率为82.00%±5.60%,卡帕系数为0.67±0.14。所提出的基于心率变异性分析的睡眠分期算法具有较高的准确性,大样本人群测试结果表明,该模型具有较好的普适性。     

基于小波变换和非线性能量算子的神经元放电检测

微电极导向的立体定向手术中,微电极记录的神经元放电信号噪声干扰严重,信噪比变化大,影响着神经元放电脉冲的分析。利用小波变换和非线性能量算子相结合的一种新的方法能检测出神经元放电。通过对临床不同病人、不同特点的神经元放电信号处理,结果表明:该方法能成功地检测出细胞放电,提取出放电波形。     

用同一设备检测心率变化趋势和心力变化趋势的方法及其应用的研究

为了研究用同一设备检测心力变化趋势和心率变化趋势的方法及其应用,我们对30名体育系学生和30名普通系学生进行了心肌收缩能力变化趋势和心率变化趋势的对照研究.方法是按双倍二级梯运动试验登梯次数的标准,让受试者完成规定的运动量,同时采集和记录心动周期和心力信息.把不同负荷下运动后S1幅值对安静时S1幅值增加的相应倍数定义为心力变化趋势.结果表明,两组受试者心力数据有非常显著的差异,而心率数据没有显著的差异.提示体育系学生高水平的心力变化趋势主要来自心肌收缩能力储备而不是心率储备.心力监护仪能同时采集和记录心动周期和心力信息,并具有无创、敏感性和特异性高、简便、快速、费用低、可重复采用和客观量化等特点,能在体育运动现场监测心力,该方法可用来量度心肌收缩能力、评估运动员和一般人的心力储备,为选拔运动员、安排训练和竞赛以及一般人体质评估提供一种客观量化的参考指标.