發(fā)布時間：2020-10-14 00:34

　　 隨著現(xiàn)代醫(yī)療科技的快速發(fā)展,肺音信號分析作為肺部疾病診斷最主要的方法之一,已逐漸成為人們研究的熱點(diǎn)。肺音信號是一種聲音信號,蘊(yùn)含著豐富的生理、病理及器官機(jī)能信息,也是一種典型的非線性非平穩(wěn)的多分量信號。肺音信號的采集、去噪處理、分類識別的研究與應(yīng)用對于醫(yī)師實現(xiàn)高效的診療具有很重大的臨床意義。EMD(Empirical Mode Decomposition,經(jīng)驗?zāi)Ｊ椒纸?算法是一種優(yōu)秀的分析多分量非線性非平穩(wěn)信號的自適應(yīng)數(shù)據(jù)驅(qū)動方法,被廣泛應(yīng)用于時頻分析領(lǐng)域。因此,本文對EMD算法及肺音信號的處理與分析進(jìn)行了詳細(xì)的研究,主要內(nèi)容如下:(1)提出了一種基于相關(guān)系數(shù)的RPSEMD改進(jìn)算法,并與小波軟閾值結(jié)合對肺音信號進(jìn)行了去噪方面的研究。首先針對EMD算法中的模態(tài)混疊問題,分析了模態(tài)混疊問題產(chǎn)生的原因及解決模態(tài)混疊問題的兩種思路,分別對這兩種思路的典型算法包括EEMD(Ensemble Empirical Mode Decomposition,集合經(jīng)驗?zāi)Ｊ椒纸?,RPSEMD(Regenerated Phase-Shifted Sinusoid-Assisted Empirical Mode Decomposition,再生相移的正弦波輔助經(jīng)驗?zāi)Ｊ椒纸?進(jìn)行了深入的研究,總結(jié)了兩種典型算法的特點(diǎn),并在RPSEMD過程中嵌入循環(huán)去相關(guān)操作,更好地解決了模態(tài)混疊問題,減少了細(xì)節(jié)信息的丟失。最后,在上述研究的基礎(chǔ)上,結(jié)合肺音信號處理中的去噪問題,將改進(jìn)后的RPSEMD算法與小波軟閾值相結(jié)合對肺音信號進(jìn)行去噪處理,通過對采集到的肺音信號的實驗,驗證了該方法的有效性。(2)基于希爾伯特-黃變換對肺音信號特征提取進(jìn)行了研究,針對現(xiàn)有的信號分析方法在時頻分析方面的不足,分析了希爾伯特-黃變換的算法思想,該算法在EMD算法的基礎(chǔ)上,對分解得到的一系列基本模式分量進(jìn)行希爾伯特變換,可以得到完整的有關(guān)時間、頻率和幅值的三維時頻譜圖。在此基礎(chǔ)上,以3種肺音信號(正常音、啰音、哮鳴音)為樣本數(shù)據(jù),對每類肺音信號的一個呼吸周期數(shù)據(jù)進(jìn)行希爾伯特-黃變換,得到希爾伯特邊界譜,可以發(fā)現(xiàn)三類肺音信號的希爾伯特邊界譜有很明顯的差異,并對其進(jìn)行理論分析,從中提取出有效的特征向量,并基于人工神經(jīng)網(wǎng)絡(luò),支持向量機(jī)和K最近鄰算法分別構(gòu)建分類器,對3種肺音信號進(jìn)行識別與分類,實驗表明,該方法能夠有效地識別出正常音,啰音和哮鳴音。
【學(xué)位單位】：江蘇大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TN912.3;R563
【部分圖文】：

圖 2.1 仿真信號 x (t )EMD 分解的例子Fig 2.1 An example of simulation signal by EMD分辨率和自適應(yīng)的濾波特性三個方面：自適應(yīng)性的分解過程指的是，EMD 方法在分解過程中無需先驗知識和預(yù)定義基函數(shù)，是基于信號自身特征完全自適應(yīng)的分解過程。自適應(yīng)的IMF頻率分辨率是指通過EMD分解獲得的一系列基本模式分量是具有不同特征時間尺度的，不同的基本模式分量含有不同的頻率分辨率，而這些都是來自于自適應(yīng)分解。第i個基本模式分量的瞬時頻率分辨率可以表示為：max iffN（2.15）其中，imaxf 表示第 個基本模式分量中的最高頻率，N 表示信號的采樣個數(shù)。從上式可以看到，EMD 分解得到的基本模式分量的頻率分辨率與時間無關(guān)。

r t 的線性疊加能夠恢復(fù)得到原始信號。把圖 2.1 中的經(jīng)過 EMD 分解的仿真信號 x (t )作為原始信號，根據(jù)公式（2.13）對其進(jìn)行信號重構(gòu)，并計算重構(gòu)誤差，其結(jié)果如圖2.2所示。從圖中可以發(fā)現(xiàn)得到的重構(gòu)信號幾乎完整地恢復(fù)了原信號，重構(gòu)誤差在 10-15數(shù)量級上，Huang 證明該誤差主要是由計算機(jī)的精度誤差造成的，可以忽略。圖 2.2 信號經(jīng) EMD 分解的完備性舉例Fig 2.2 An example of completeness of signal decomposition by EMD（3）近似正交性EMD 算法的正交性到目前為止仍沒有得到嚴(yán)格的理論證明，但從實際意義上來講，EMD 分解得到的 IMF 在局部上應(yīng)該是兩兩相互正交的，因為每個 IMF都是由待分解信號與其上下包絡(luò)均值之差獲得的，所以就有：( y (t ) y (t )) y (t ) 0（2.16）其中

基于 EMD 的肺音信號去噪及特征提取方法研究啰音的頻率范圍為 100-200HZ，持續(xù)時間小于 20 毫秒，在時域具有明顯的，包括：基本相同的波形，出現(xiàn)在每個呼吸周期的同一時期；波形一般持續(xù)0ms，由 4-6 個峰波組成；前半部(初期部)和后半部(衰減部)組成, 與正常呼相比，啰音初期波形呈沖擊波的特征，正常音的波形振幅很小，具有明顯的，衰減部則與正常音相同。Murphy 等人[57]提出了啰音的判斷標(biāo)準(zhǔn)，通常使模擬啰音的表達(dá)式為：( / )( ) sin(2 )a b t cg t ft t e （2.21其中 a=0.5，b=1.49，c=0.78，f=2.0。圖 2.20 是根據(jù)該表達(dá)式畫的模擬啰音。
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 郭鹿鳴;何良明;唐增;;基于盲源分離的心肺音信號分離方法[J];科技展望;2016年11期

2 姚小靜;王洪;李燕;崔建國;;肺音信號分析及其識別方法的研究進(jìn)展[J];重慶理工大學(xué)學(xué)報(自然科學(xué));2013年12期

3 趙守國,萬明習(xí),王素品,鄒原;肺音信號的非線性檢測與肺胸系統(tǒng)聲傳遞特征研究[J];聲學(xué)學(xué)報;2002年01期

4 黃小平,趙興群,殷凱生;肺音信號分析系統(tǒng)研制[J];上海生物醫(yī)學(xué)工程;1998年04期

5 呂揚(yáng)生;劉文暉;秦光俠;;肺音信號中心音干擾的自適應(yīng)消除[J];中國醫(yī)療器械雜志;1990年03期

6 徐涇平;陳啟敏;劉淑燕;吳勝舉;嚴(yán)碧歌;;肺音信號特征及數(shù)字處理[J];陜西師大學(xué)報(自然科學(xué)版);1991年01期

7 徐涇平;陳啟敏;閔一健;蔣大宗;;肺音信號檢測處理及其臨床應(yīng)用研究[J];國外醫(yī)學(xué).生物醫(yī)學(xué)工程分冊;1992年04期

8 鄭燕嬌;錢翔;周一平;張衛(wèi)星;葉大田;;基于單導(dǎo)肺音信號的呼吸氣相識別[J];清華大學(xué)學(xué)報(自然科學(xué)版)網(wǎng)絡(luò).預(yù)覽;2008年12期

9 徐涇平,閔一健,張伊立,張明鐸,張軍平,臧曉非;不同類型傳感器對檢測肺音信號譜特征的影響[J];應(yīng)用聲學(xué);1993年01期

10 劉喻;陳洪波;肖新華;;便攜式心肺音信號記錄儀的研究[J];電子測量技術(shù);2017年03期

相關(guān)碩士學(xué)位論文 前10條

1 高鳴蕾;基于EMD的肺音信號去噪及特征提取方法研究[D];江蘇大學(xué);2019年

2 周冬生;肺音信號的特征提取與模式識別[D];山東大學(xué);2005年

3 郭鹿鳴;基于盲源分離的心肺音信號分離方法研究與應(yīng)用[D];廣東工業(yè)大學(xué);2016年

4 鄭明杰;基于希爾伯特—黃變換的肺音信號識別方法研究[D];江蘇大學(xué);2016年

5 李小進(jìn);嵌入式系統(tǒng)低功耗優(yōu)化技術(shù)在肺音信號處理中的應(yīng)用[D];哈爾濱理工大學(xué);2014年

6 鐘美楠;便攜式肺音采集技術(shù)的研究[D];重慶大學(xué);2012年

7 吳健;基于虛擬儀器的肺音分析系統(tǒng)的設(shè)計與實現(xiàn)[D];南京郵電大學(xué);2012年

8 楊燕婷;基于Windows平臺的肺音聽診系統(tǒng)的設(shè)計與實現(xiàn)[D];電子科技大學(xué);2006年

9 姜艷艷;基于肺音的麻醉狀態(tài)下呼吸系統(tǒng)的建模與仿真[D];哈爾濱理工大學(xué);2013年

10 胡泊;智能電子聽診器設(shè)計與實現(xiàn)[D];天津大學(xué);2010年

本文編號：2839915