隨著人們對健康日益增長的需求,在身體可能出現(xiàn)不正常狀況時得到警示以及時就醫(yī)成為了一個保持健康的良好方式。但是大多數(shù)人群并不會評估自己的健康狀況,無法及時了解自己身體健康狀況變化的征兆。在疾病出現(xiàn)征兆時,及時的預防才是最好的方式。因此,讓機器學習人體健康指標的特征,對使用者健康監(jiān)測成為了當下一個重要的研究方向。心音信號就是非常利于采集和監(jiān)測的一種重要的人體的健康指標,它能夠表征心臟的健康狀況。采用神經網(wǎng)絡模型對心音信號這類不易直接描述的特征進行分類是一種行之有效的判斷方式。本文研究了心音信號的特點,以及在醫(yī)學上的各種健康與不健康心音的先驗知識,構建了神經網(wǎng)絡模型進行預測。本文的主要工作包括:1.提出了基于巴特沃斯濾波器和小波變換的心音信號去噪方法。心音信號的特征是頻率集中在低頻區(qū)和能量集中,由此,本文提出了使用巴特沃斯低通濾波器提取心音信號的低頻部分,然后通過小波分解重構的方法使能量集中的部分更加突出的心音信號去噪方法。對比單一的心音信號去噪方法,這種綜合濾波的方法能排除心音信號中大量的干擾信號,更加突出心音信號的有效部分。2.研究提出了基于Mel頻率倒譜系數(shù)的心音信號特征提取方法。與直... 

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究背景及意義
    1.2 心音的概念與階段劃分
    1.3 心音診斷研究歷史背景
    1.4 本文主要工作及創(chuàng)新
    1.5 本文組織結構
第二章 相關工作
    2.1 心音信號噪聲來源及特性
    2.2 希爾伯特黃變換
    2.3 Mel頻率倒譜系數(shù)
    2.4 神經網(wǎng)絡基礎
    2.5 本章小結
第三章 基于巴特沃斯濾波器和小波變換的心音信號去噪
    3.1 心音信號去噪框架
    3.2 心音信號的巴特沃斯濾波
        3.2.1 低通濾波器的選擇
        3.2.2 低通濾波器的參數(shù)設置
    3.3 基于小波的心音信號處理
        3.3.1 S1、S2 信號的小波分解
        3.3.2 基于無偏估計的小波去噪
    3.4 本章小結
第四章 基于MEL系數(shù)的心音信號特征提取
    4.1 基于能量包絡的S1、S2 特征提取及周期計算
    4.2 基于Mel系數(shù)的特征提取方法
    4.3 實驗結果
        4.3.1 基于S1、S2 心音聚類的特征提取方法
        4.3.2 基于閾值的劃分
    4.4 結果對比
    4.5 本章小結
第五章 心音信號的深度神經網(wǎng)絡建模
    5.1 神經網(wǎng)絡模型框架
        5.1.1 循環(huán)神經網(wǎng)絡處理不定長特征
        5.1.2 構建神經網(wǎng)絡模型
    5.2 心音信號數(shù)據(jù)集
    5.3 訓練神經網(wǎng)絡模型
    5.4 分類效果分析
    5.5 本章小結
第六章 可視化展示
第七章 總結與展望
    7.1 總結
    7.2 下一步工作展望
致謝
參考文獻
攻碩期間取得的研究成果


【參考文獻】：
期刊論文
[1]心音信號特征分析與識別方法研究[J]. 周克良,王亞光,葉岑.  廣西師范大學學報(自然科學版). 2015(03)



本文編號：3706856