本文選題：心音信號 + 心臟瓣膜病　； 參考：《重慶大學(xué)》2012年碩士論文

【摘要】：心臟瓣膜病日益成為危害人類健康的最重要的心臟病之一，伴隨著老年化的加劇，其發(fā)病率日漸增加。心音是人體重要的生理信號之一，包含了心臟瓣膜大量的生理病理信息，其雜音特征對于心臟瓣膜病的檢查和診斷至關(guān)重要。一直以來，人們對非線性、復(fù)雜的心臟系統(tǒng)采用抽象簡化，通過建立理想線性模型，并用時域、頻域及時頻域聯(lián)合分析。雖然取得了很好的效果，，但人們同時發(fā)現(xiàn)，采用線性方法分析并不足以研究本質(zhì)為非線性、非平穩(wěn)的生命系統(tǒng)。為研究心臟瓣膜病的心音信號，本課題從非線性復(fù)雜度的角度對其分析，以期利用非線性動力學(xué)方法提取其特征，實現(xiàn)基于心音信號的心臟瓣膜病計算機(jī)輔助診斷。 論文闡述了正常心音和心臟瓣膜病心音信號的產(chǎn)生機(jī)理，并介紹了心音在心臟瓣膜病診斷中的應(yīng)用。在分析了心臟瓣膜活動和心音關(guān)系的基礎(chǔ)上，采用了平均經(jīng)驗?zāi)Ｊ椒纸?Ensemble Empirical Mode Decomposition, EEMD)的自適應(yīng)濾波方法進(jìn)行了心音消噪研究，并對消噪的心音進(jìn)行Lemple-Ziv復(fù)雜度分段；其次采用非線性復(fù)雜度方法對瓣膜性心音信號進(jìn)行分析，并將EEMD和近似熵復(fù)雜度相結(jié)合來提取心音中的生理病理特征；最后運(yùn)用二叉樹向量機(jī)技術(shù)對常見的幾種心臟瓣膜病心音信號進(jìn)行分類識別，為心臟瓣膜病的早期診斷和治療提供了一種有效的手段。 本文研究分析了經(jīng)驗?zāi)Ｊ椒纸獾乃惴ㄔ砗筒蛔悖槍δB(tài)混疊問題提出了基于EEMD閾值的自適應(yīng)消噪方法，分析了臨床采集到的心音信號，通過對比分析消噪前后的心音信號，可以有效的去除噪聲并解決了模態(tài)混疊的問題，并進(jìn)一步提出了基于Lemple-Ziv復(fù)雜度的心臟瓣膜病心音的分段算法，結(jié)果表明其分段準(zhǔn)確率高，且不需要額外的生理信號來輔助。 為了提高心音信號的識別精度和分類準(zhǔn)確性，在分析心臟瓣膜病心音信號特點和復(fù)雜性的基礎(chǔ)上，選擇基于EEMD和近似熵復(fù)雜度的心音非線性動力學(xué)算法來進(jìn)行特征提取，首先對其進(jìn)行EEMD分解得到反映心音本體特征的固有模態(tài)函數(shù)（Intrinsic Mode Function，IMF）；然后計算每階IMF的非線性復(fù)雜度特征，通過互相關(guān)系數(shù)準(zhǔn)則對IMF進(jìn)行篩選，組成心音的特征向量，結(jié)果表明該方法能有效揭示了心臟瓣膜病變引起的瓣膜缺損和病變信息。 本文選取二叉樹支持向量機(jī)（Binary Tree SVM，BT-SVM）來實現(xiàn)心臟瓣膜病心音信號的識別。首先分析了SVN對多子類分類問題研究和核函數(shù)的選擇，提出了基于BT-SVM的心臟瓣膜病心音信號的分類和識別算法，對5種臨床常見的心臟瓣膜病心音信號和正常心音信號進(jìn)行識別，其中心臟瓣膜病心音信號包括二尖瓣關(guān)閉不全心雜音、二尖瓣狹窄心雜音、主動脈瓣關(guān)閉不全心雜音、主動脈狹窄心雜音、室間隔缺損心雜音共計90例，實驗結(jié)果驗證了所提出的常見瓣膜性心音信號分類方法的可行性，正確率可以高達(dá)93.23%，從而為心臟瓣膜病的診斷和臨床應(yīng)用提供有力的根據(jù)。
[Abstract]:Heart sound is one of the most important heart diseases which is harmful to human health . It is one of the most important physiological signals of human body . Heart sound is one of the most important physiological signals of human body . It is very important for the examination and diagnosis of valvular heart disease .

Based on the analysis of the relationship between heart valve activity and heart sound , an adaptive filtering method based on empirical mode decomposition ( EEMD ) is used to study the heart sound and noise , and the Lemple - Ziv complexity segmentation is carried out on the noise elimination heart sound .
Secondly , nonlinear complexity method is used to analyze the valvular heart sound signal , and the physiological and pathological characteristics of heart sounds are extracted by combining EEMD and approximate entropy complexity .
Finally , using binary tree vector machine technique to classify the common heart sound signals of valvular heart disease , provides an effective means for early diagnosis and treatment of valvular heart disease .

In this paper , the principle and disadvantage of the empirical mode decomposition are analyzed . Based on the EEMD threshold - based adaptive noise elimination method , this paper analyzes the sound signals collected in clinic , analyzes the sound signals before and after noise elimination , effectively removes noise and solves the problem of modal aliasing , and further proposes a segmentation algorithm based on Lemple - Ziv complexity heart sounds . The results show that the segmentation accuracy is high , and no extra physiological signal is needed to assist .

In order to improve the recognition accuracy and classification accuracy of the heart sound signal , based on the analysis of the characteristics and complexity of the heart sound signal of the valvular heart disease , a nonlinear dynamic algorithm based on EEMD and approximate entropy complexity is selected to extract feature extraction , which is firstly decomposed by EEMD to obtain the intrinsic mode function ( IMF ) which reflects the characteristic of the heart sound body ;
Then the nonlinear complexity of the IMF is calculated , and the IMF is screened by the correlation coefficient criterion to form the characteristic vector of the heart sound . The results show that the method can effectively reveal the valve defect and the lesion information caused by the heart valve disease .

In this paper , we choose binary tree SVM ( BT - SVM ) to realize the recognition of heart sound signal of valvular heart disease . Firstly , we analyze the classification and recognition algorithm of heart sound signal of valvular heart disease based on BT - SVM .
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2012
【分類號】：R542.5;R318.0

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳萌輝;葉大田;陳江天;;基于信號包絡(luò)及短時過零率的心音分段算法[J];北京生物醫(yī)學(xué)工程;2007年01期

2 駱懿;趙治棟;;一種便攜式心音信號記錄儀研究[J];杭州電子科技大學(xué)學(xué)報;2011年04期

3 蔡立羽,王志中,張海虹;表面肌電信號的復(fù)雜度特征研究[J];航天醫(yī)學(xué)與醫(yī)學(xué)工程;2000年02期

4 吳東宇;蔡劌;尹嶺;賈寶森;;近似熵和復(fù)雜度分析在麻醉深度監(jiān)測中的應(yīng)用[J];解放軍醫(yī)學(xué)雜志;2005年12期

5 郭興明;柯明;肖守中;;3σ規(guī)則和μ律閾值法在心音信號去噪中的應(yīng)用[J];計算機(jī)工程;2010年07期

6 陳曉平,和衛(wèi)星,溫軍玲;基于腦電波復(fù)雜度的麻醉深度監(jiān)測[J];江蘇大學(xué)學(xué)報(自然科學(xué)版);2003年06期

7 戴桂平;;基于EMD近似熵和LS-SVM的機(jī)械故障智能診斷[J];機(jī)械強(qiáng)度;2011年02期

8 溫軍玲,和衛(wèi)星,陳曉平;監(jiān)測麻醉深度的腦電信號的近似熵特征研究[J];計算機(jī)測量與控制;2003年09期

9 吳玉春;;心音信號包絡(luò)提取和識別方法的比較分析研究[J];蘭州石化職業(yè)技術(shù)學(xué)院學(xué)報;2010年02期

10 李志亮;羅芳;;模糊模式識別的基本方法及其應(yīng)用[J];寧德師專學(xué)報(自然科學(xué)版);2007年03期

相關(guān)碩士學(xué)位論文 前4條

1 鐘麗莎;心音信號特征分析與識別算法的研究[D];重慶大學(xué);2011年

2 楊磊;心音信號分析與識別算法的研究[D];重慶大學(xué);2004年

3 劉鶴立;基于線性規(guī)劃算法的支持向量機(jī)及其應(yīng)用[D];上海海事大學(xué);2006年

4 孫樹平;基于自適應(yīng)時頻分析方法的心音信號分析研究[D];西華大學(xué);2009年

本文編號：2049883