本文關(guān)鍵詞：基于盲源分離的心肺音信號分離方法研究與應(yīng)用

  更多相關(guān)文章： 盲源分離 心肺音 非負(fù)矩陣分解 時頻掩碼 分類訓(xùn)練

【摘要】：在現(xiàn)代醫(yī)學(xué)中,聽診是一種檢查心肺系統(tǒng)健康狀況有效、非侵入的醫(yī)療手段。通過聽診能夠得到表征心臟和肺部器官健康狀況的心肺音信號。心肺音信號包含了心臟和呼吸器官豐富的生理和病理學(xué)信息。但是在實(shí)際臨床檢查中,聽診器采集到的聲音信號不僅包含了心音信號,也包含了肺音信號和外部的環(huán)境噪聲。這種混合了心音、肺音和環(huán)境噪音的聲音信號很難用于精細(xì)化的病癥分析,從而妨害了的醫(yī)生的診斷效果。由于心音與肺音在時域和頻域上都相互混迭在一起,即使在沒有噪聲的環(huán)境中,依靠聽診也無法獲得理想的效果。怎樣將獲取的聽診混迭信號分離成為獨(dú)立的心音和肺音信號已經(jīng)被廣大的研究人員認(rèn)定為一個盲源分離問題。盲源分離(BSS)即盲信號分離技術(shù)已經(jīng)在語音信號處理、圖像處理、醫(yī)學(xué)信號處理、地球信號處理、雷達(dá)信號處理、通信信號處理等等眾多領(lǐng)域取得了廣泛的應(yīng)用。所謂盲源分離,即在混合過程和被混合信號均未知的情況下,如何對傳感器觀測信號進(jìn)行分析,并從觀測值中恢復(fù)或估計(jì)出源信號。這樣一個看似不可能解決的問題,在一定的假設(shè)下取得了巨大的成功,很多新穎而有效的解決方案層出不窮。本文為心肺音混合聲信號提供了一種新的盲源分離方法,該方法利用了非負(fù)矩陣分解、聚類分析以及時頻掩碼技術(shù),并成功的將混迭的臨床聽診聲信號分離為心音和肺音兩個獨(dú)立的聲信號。該方法分為三個階段：1、分離階段—將混合聲信號的時域信號通過短時傅里葉變換得到心肺音時頻信號,再將時頻信號通過非負(fù)矩陣分解技術(shù)降維,得到心音或者肺音源信號的獨(dú)立分量集；2、聚類階段—利用所提出的聚類分析技術(shù)對源信號獨(dú)立分量集進(jìn)行分類訓(xùn)練,得到心音和肺音的時頻譜信號；3、重構(gòu)階段—利用時頻掩碼技術(shù)和逆短時傅里葉變換將心音和肺音的時頻譜信號重構(gòu)為時域上的心音和肺音信號；本文實(shí)驗(yàn)數(shù)據(jù)來自開源數(shù)據(jù)集,將開源聽診胸音信號通過MATLAB進(jìn)行仿真得到的實(shí)驗(yàn)結(jié)果證明了該方法的可行性。與此同時,為了驗(yàn)證心肺音盲源分離的實(shí)際應(yīng)用可行性,我們制作了一個Android應(yīng)用程序,并取得了很好的效果。本文還就心肺音盲源分離的相關(guān)技術(shù)做了闡述,其中主要介紹了盲源分離技術(shù)中的分類情況、典型代表獨(dú)立成分分析技術(shù)和單通道盲源分離問題。
【關(guān)鍵詞】：盲源分離 心肺音 非負(fù)矩陣分解 時頻掩碼 分類訓(xùn)練
【學(xué)位授予單位】：廣東工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TN912.3;R443
【目錄】：

• 摘要4-5
• Abstract5-13
• 第一章 緒論13-21
• 1.1 研究背景及意義13-14
• 1.2 國內(nèi)外研究現(xiàn)狀14-18
• 1.2.1 國內(nèi)外盲源分離研究現(xiàn)狀14-17
• 1.2.2 國內(nèi)外心肺音分離研究現(xiàn)狀17-18
• 1.3 論文的主要研究內(nèi)容及結(jié)構(gòu)安排18-20
• 1.4 本章小結(jié)20-21
• 第二章 心肺音盲源分離的相關(guān)技術(shù)21-35
• 2.1 盲源分離原理及其數(shù)學(xué)模型21
• 2.2 盲源分離分類21-26
• 2.2.1 線性瞬時混合模型23-24
• 2.2.2 線性卷積混合模型24-25
• 2.2.3 非線性混合模型25-26
• 2.3 獨(dú)立成分分析26-30
• 2.3.1 約束條件27
• 2.3.2 預(yù)處理過程27-28
• 2.3.3 常用目標(biāo)函數(shù)28-30
• 2.4 單通道盲源分離30-34
• 2.4.1 稀疏分解30-32
• 2.4.2 時頻掩碼32-33
• 2.4.3 相關(guān)系數(shù)33
• 2.4.4 信噪比33-34
• 2.5 本章小結(jié)34-35
• 第三章 心肺音盲源分離算法方案設(shè)計(jì)35-45
• 3.1 心肺音盲源分離算法方案設(shè)計(jì)流程圖35-36
• 3.2 心肺音盲源分離步驟36-43
• 3.2.1 心肺音源信號數(shù)學(xué)模型36-37
• 3.2.2 短時傅里葉變換37-38
• 3.2.3 非負(fù)矩陣分解38-40
• 3.2.4 訓(xùn)練樣本分類40-42
• 3.2.5 源信號重構(gòu)42-43
• 3.3 本章小結(jié)43-45
• 第四章 心肺音盲源分離算法的仿真實(shí)驗(yàn)45-53
• 4.1 實(shí)驗(yàn)環(huán)境45
• 4.2 實(shí)驗(yàn)數(shù)據(jù)45-46
• 4.3 實(shí)驗(yàn)流程46
• 4.4 實(shí)驗(yàn)過程46-51
• 4.5 本章小結(jié)51-53
• 第五章 心肺音盲源分離應(yīng)用實(shí)現(xiàn)53-59
• 5.1 心肺音盲源分離算法的c/c++實(shí)現(xiàn)53-55
• 5.2 Android App應(yīng)用設(shè)計(jì)55-57
• 5.2.1 Android NDK介紹55-56
• 5.2.2 App設(shè)計(jì)流程56-57
• 5.3 應(yīng)用效果57-58
• 5.4 本章小結(jié)58-59
• 結(jié)論與展望59-61
• 總結(jié)59-60
• 未來展望60-61
• 參考文獻(xiàn)61-67
• 攻讀學(xué)位期間的科研成果67-71
• 致謝71-73
• 附錄Ⅰ 心肺音盲源分離算法主程序73-79
• 附錄Ⅱ 非負(fù)矩陣分解、分類學(xué)習(xí)、時頻掩碼程序79-81

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 郭海燕;楊震;朱衛(wèi)平;;一種新的基于稀疏分解的單通道混合語音分離方法[J];電子學(xué)報;2012年04期

2 羅志增;曹銘;;基于最大信噪比盲源分離的腦電信號偽跡濾波算法[J];電子學(xué)報;2011年12期

3 權(quán)友波;王甲峰;岳e，

本文編號：526798