本文介紹了一種心音信號預處理新方法,利用小波變換對心音信號進行多層分解,對分解后的每層進行雙參數閾值去噪,最后對閾值處理得到的層進行重構,以達到濾波的目的。對重構后的心音信號,分別采用了小波變換、希爾伯特-黃變換(HHT)、數學形態學、歸一化平均香農能量等算法進行包絡提取,對提取后的包絡作了初步分析,并對每種算法提出改進方案。用以上方法對隨機選取的30例原始心音數據進行預處理,得到了滿意的結果。利用改進后的方法進行了包絡提取,所提取的包絡與原信號有很高的吻合度,不論是低頻部分還是高頻部分的信息均能很好地反映,原信號的更多信息得到了保留。
本研究的目的是把生物化學指標肌鈣蛋白與心音學指標結合起來對家兔進行心臟疲勞的綜合評估,分析運動誘發的心臟疲勞和心肌損傷。選用新西蘭白兔進行多輪負重游泳實驗,達到力竭狀態,觀察和檢測運動應激后第1心音對第2心音幅值比值(S1/S2)、心率(HR)、肌鈣蛋白的變化趨勢以及變化在24~48 h后是否恢復。實驗終點是完成3次力竭實驗或力竭致死。所有實驗家兔在靜息狀態下從其血液中檢測出肌鈣蛋白I[(0.02±0.01) ng/mL],一般說來,這是一種肌鈣蛋白的生理性釋放。家兔首次力竭后肌鈣蛋白I和S1/S2升高,休息24 h后,S1/S2、HR和肌鈣蛋白I都向基線值回復,意味著經歷了心臟疲勞過程。反復力竭實驗能觀察到家兔心臟負荷過重現象,并導致11只家兔中3只死亡,意味著心肌損傷;其肌鈣蛋白的升高可用病理性釋放來解釋。心肌損傷的評估不能單獨依據肌鈣蛋白水平的高低,而須依靠綜合分析。
研究基于希爾伯特黃變換(HHT)的心音包絡提取系統在LabVIEW上的完整實現。首先使用聲卡采集心音信號, 并在LabVIEW上實現了完整的基于HHT的心音采集、預處理和包絡提取功能的系統程序, 最后使用案例證明了該系統能夠簡便地實現心音信號采集、預處理和包絡提取。該系統較好地保留和顯示了心音包絡特征, 并且其程序和方法對振動、語音等的研究有重要的參考價值。
胎心音是一種非線性非平穩信號,采集時含有大量噪聲,信號處理時需要一種良好的除噪方法。本文先用截止頻率為200 Hz的巴特沃斯低通濾波器和重采樣做預處理,再使用經驗模態分解法(EMD)做信號分解,選擇含有目標信號的分量進行類小波軟閾值自適應算法除噪,最后組合重構得到除噪后的胎心音信號。模態分解時,使用添加掩模信號等方法消除模態混疊,用鏡像延拓法消除端點效應,并引用Rilling的研究設定停止規則。該除噪方法一次性地消除了基線漂移和噪聲,同小波變換(WT)、數學形態學(MM)和傅里葉變換(FT)比較,信噪比(SNR)明顯改善,均方根誤差(RMSE)最小,能夠滿足實際應用的需要。
為了提高可穿戴設備中血壓測量的準確性,本文提出了一種基于多脈搏波參數的人體血壓檢測方法,該方法通過對脈搏傳輸時間(PWTT)、每搏心輸出量、波形系數、升支平均斜率、脈率等多脈搏波參數的多元線性回歸分析,建立了基于多脈搏波參數的人體血壓計算模型,利用該模型計算出血壓值;以心音信號為參考計算PWTT(PWTTPCG),克服了以心電信號為參考計算PWTT(PWTTECG)需要更換電極、有導連線穿戴不方便的不足。分別對基于PWTTPCG和多脈搏波參數的人體血壓計算模型計算血壓進行了實驗驗證,實驗結果表明利用PWTTPCG作為PWTT計算人體血壓的可行性;利用該模型計算的收縮壓和舒張壓的平均誤差分別為1.62 mm Hg和1.12 mm Hg,較單一參數分別提高了57%和53%,具有較高的測量精度。
本文提出了一種改進型的經驗模態分解算法用于心音圖(PCG)信號去噪,結合PCG的規則平均Shannon能量包絡算法,可有效提取PCG中的S1/S2成分。首先,通過小波變換和經驗模態分解結合算法對PCG信號進行濾波預處理;然后,提取預處理后PCG信號的固有模函數(IMF)時域、頻域特性及能量包絡;最后,結合信號的Shannon能量包絡和IMF相關特性準確定位出S1和S2。運用該方法對30例PCG信號進行測試,得到S1/S2成分的綜合識別率達99.75%。實驗結果表明,本文算法運用于S1/S2成分提取具有較好的效果,為進一步研究心音身份識別奠定基礎。
本文以心音特征為基礎，實現了連續的左心室收縮壓預測。通過對 3 只比格犬進行實驗，以腎上腺素誘發心臟血流動力學發生變化，然后同步采集實驗犬的心音、心電、左心室血壓等信號，共獲取了 28 組有效數據。通過提取心音特征，借助人工神經網絡實現了反推左心室收縮血壓，獲得了較好的預測效果。本研究在較大的血壓動態變化范圍內，得到了絕對誤差均值僅為 7.3 mm Hg、預測血壓與測量血壓的平均相關系數為 0.92 的實驗結果。研究結果顯示，本文所述方法有助于實現無創的左心室血流動力的連續監測。
針對基于小波分析和經驗模式分解的降噪方法本質上不能追蹤并消除噪聲且容易造成心音失真的問題，本文提出了一種融合改進最小值控制遞歸平均和最優修正對數譜幅度估計的心音降噪方法。該方法采用短時窗平滑動態追蹤、估計噪聲最小值，并將噪聲估計用于獲取最優頻譜增益函數，通過最小化干凈心音與估計的干凈心音的差異來最大限度地抑制噪聲。此外，結合心音時頻圖主觀分析和對正常與異常心音分類系統貢獻性的客觀分析，提出了一種更為嚴格的評價機制。實驗結果表明，本文提出的方法有效地改善了心音信號的時頻特征，并在正常與異常心音分類系統中獲得了更高的評分。本文提出方法能夠幫助醫務工作者提高聽診的準確性，對計算機輔助診斷系統的構建與應用也具有十分重要的參考價值。
心音分割指對所獲取的心音信號按心動周期對收縮期、舒張期等進行分隔，是進行心音分類前的關鍵步驟。針對不依賴心電圖對心音信號直接分割準確度有限的難題，提出了一種基于持續時間隱馬爾可夫模型的心音分割算法。首先對心音樣本進行位置標注；然后采用自相關估計法對心音的心動周期持續時間進行估計，通過高斯混合分布對樣本的狀態持續時間進行建模；接著通過訓練集信號對隱馬爾可夫模型進行優化并建立基于持續時間的隱馬爾可夫模型（DHMM）；最后使用維特比算法對心音狀態進行回溯得出 S1、收縮期、S2、舒張期。使用 500 例心音樣本對本文算法性能進行測試，平均評估精度分數（F1）為 0.933，平均靈敏度為 0.930，平均精確率為 0.936。同其他算法相比，本文算法各項性能指標均有明顯提升，證實了該算法具有較高的魯棒性和抗噪聲性能，為臨床環境下所采集心音信號的特征提取與分析提供了一種新方法。
心音聽診是一種重要的用于心臟疾病診斷的方法。心音中可以聽見的部分主要為第一心音（S1）和第二心音（S2）。在一個心動周期中，不同階段的雜音往往對應不同的心臟疾病，因此心音分割是利用心音進行疾病診斷的前提。S1 和 S2 分別出現在心臟收縮期和舒張期的開始階段，準確定位 S1 和 S2 有利于心音的正確分割。本文研究了一種不利用收縮期和舒張期的時間特征，而僅使用 S1 和 S2 本身特性的分類方法。將訓練集中帶有標注的 S1 和 S2 進行短時傅里葉變換得到時頻圖，然后構建有分支的雙層卷積神經網絡，使用時頻圖對卷積神經網絡進行訓練，得到可用于 S1 和 S2 分類的神經網絡。神經網絡對測試集中 S1 和 S2 的分類準確率最高為 91.135%，高于傳統的方法。神經網絡的敏感性和特異性最高分別為 91.156% 和 92.074%。該方法無需預先提取心音的特征，計算簡單，有利于心音的實時分割。