【摘要】：根據(jù)國(guó)家心血管病中心發(fā)布的《中國(guó)心血管病報(bào)告》,我國(guó)心血管病患病人數(shù)已達(dá)2.9億。心血管病死亡占居民疾病死亡構(gòu)成40%以上,因此對(duì)心血管疾病進(jìn)行精確而有效地診斷具有重要的意義。目前較常用的診斷方法包括超聲心動(dòng)圖和磁共振成像(Magnetic Resonance Imaging,MRI)等技術(shù),雖然這些技術(shù)為診斷心血管疾病提供了更為直接和準(zhǔn)確的證據(jù),但該類(lèi)技術(shù)所使用的設(shè)備成本高昂,體積龐大且操作復(fù)雜。作為一種非侵入性診斷方法,聽(tīng)診在心臟檢查中是成本低廉的有效手段,然而對(duì)聽(tīng)診中的主觀(guān)依賴(lài)性強(qiáng),對(duì)醫(yī)師的臨床經(jīng)驗(yàn)要求高。隨著深度學(xué)習(xí)和機(jī)器學(xué)習(xí)的出現(xiàn),提供了輔助診斷手段,降低了聽(tīng)診的依賴(lài)性。心音信號(hào)分析是對(duì)心臟進(jìn)行診斷的一種有效且方便的方法,然而信號(hào)分析中的自動(dòng)心音分類(lèi)仍然是一個(gè)具有挑戰(zhàn)性的問(wèn)題,主要體現(xiàn)對(duì)心音信號(hào)進(jìn)行特征提取�，F(xiàn)在的提出的特征只是考慮了心音信號(hào)的間隔和在時(shí)頻上的變化,沒(méi)有考慮心音信號(hào)幅值的變化。心音信號(hào)幅值變化反映了心臟活動(dòng)的情況,而順序統(tǒng)計(jì)量可以捕捉到這種幅值變化的規(guī)律。因此為了對(duì)心音分類(lèi)提取更有效的鑒別特征,本文提出了一種基于順序統(tǒng)計(jì)量特征的心音分類(lèi)方法。本文研究的主要內(nèi)容:1、心音信號(hào)的預(yù)處理:用小波對(duì)心音信號(hào)進(jìn)行去噪處理,去除了一些頻率與心音信號(hào)頻率有重合的噪聲。心音分割:基于邏輯回歸和半隱馬可夫模(Logistic Regression-Hidden Semi-Markov Models,LR-HSMM)的方法把心音信號(hào)分割成心音的四個(gè)組成部分第一心音(S1)、收縮期、第二心音(S2)、舒張期。2、心音信號(hào)的特征提取:包括順序統(tǒng)計(jì)特征、時(shí)域特征、頻域特征、卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)特征這四個(gè)特征的提取。順序統(tǒng)計(jì)特征的提取(26維特征向量):對(duì)預(yù)處理后心音信號(hào)進(jìn)行差分排序得到心音幅值的差分向量X,用直方圖表示X的數(shù)值分布,將統(tǒng)計(jì)所得的分布向量(21維向量)作為特征;取向量X的最大值,最小值,均值,四分之一位數(shù),四分之三位數(shù)(5維向量)作為對(duì)X的采樣特征。時(shí)域特征和頻域特征的提取:對(duì)心音信號(hào)進(jìn)行預(yù)處理,然后進(jìn)行心音分割,使用漢明窗和離散時(shí)間傅里葉變換來(lái)提取時(shí)域和頻域特征。CNN特征的提取:在預(yù)處理之后,進(jìn)行心動(dòng)周期的提取,用帶通濾波的方法對(duì)頻帶進(jìn)行分割,然后提取CNN特征。3、心音信號(hào)的分類(lèi):支持向量機(jī)(Support Vector Machine,SVM)雖然是一個(gè)二層神經(jīng)網(wǎng)絡(luò),但它能夠凸優(yōu)化,找到全局最優(yōu),所以本文選擇支持向量機(jī)作為心音分類(lèi)器。使用時(shí)域特征、頻域特征、CNN特征和順序統(tǒng)計(jì)量特征用于測(cè)試和訓(xùn)練SVM分類(lèi)器。然后比較分析使用這些特征組合的分類(lèi)結(jié)果。本文中使用的心音數(shù)據(jù)是來(lái)源于2016年的PASCAL心音分類(lèi)挑戰(zhàn)賽。數(shù)據(jù)集由五個(gè)數(shù)據(jù)庫(kù)(A至E)組成,共包含3,126個(gè)心音錄音,持續(xù)時(shí)間從5秒到120秒。本文使用評(píng)價(jià)指標(biāo)是敏感性(Sensitivity,Se)、特異性(Specificity,Sp)和平衡錯(cuò)誤率(balanced error rate,BER)。實(shí)驗(yàn)結(jié)果表明,與其他的特征相比,本文提出的順序統(tǒng)計(jì)特征取得了比較好的效果。
【學(xué)位授予單位】：廣東工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：R540.4
【圖文】：

圖 2-2 正常心音圖Fig.2-2 normal phonocardiogram在通常的情形下，成人的心率是每分鐘跳動(dòng) 75 下，心率和心動(dòng)周期是互為倒數(shù)的，所以基本上每個(gè)心動(dòng)周期的時(shí)間是 0.8S[24]。當(dāng)心臟跳動(dòng)得速度很快的時(shí)候，例如當(dāng)一個(gè)人在進(jìn)行比較需要肺活量的活動(dòng)的時(shí)候，那么心動(dòng)周期會(huì)被減小，但在通常情形下，舒張期的時(shí)間與收縮期的時(shí)間相比，前者時(shí)間更長(zhǎng)。除了時(shí)間域的特征以外，從圖 2-2 中正常的心臟聲音波形圖，也能夠得到與正常心臟聲音信號(hào)的強(qiáng)度相關(guān)的信息。而且能夠清楚地看到 S2 的強(qiáng)度小于 S1 的強(qiáng)度。人體的聽(tīng)診地方一般分為以下四個(gè)地方[25]，如圖 2-3 所示：（1）主動(dòng)脈聽(tīng)診區(qū)：這是右胸骨的第二肋骨之間的空間。這一區(qū)域是主動(dòng)脈瓣狹小和封閉不充分，主動(dòng)脈血流加多，升主動(dòng)脈伸展，頸動(dòng)脈畸形，由此產(chǎn)生的雜音和主動(dòng)脈噴發(fā)的聲音記錄結(jié)果最好。

圖 2-3 心音聽(tīng)診位置示意圖[25]Fig.2-3 schematic diagram of cardiophonic auscultation[2域特性S1 音相對(duì)較低，其持續(xù)時(shí)間長(zhǎng)于 S2 的連續(xù)時(shí)間里面，S1 的平均頻率大約在 40 赫茲-60 赫茲的頻率比較高，并且基本上分散在低頻率、中勻的頻率是 60 赫茲到 120 赫茲左右[26]。由此可頻率相比于第二心音頻率較小，但兩者的頻率析更加艱巨。心音的復(fù)雜性和隨機(jī)性證明了不程度上的有部分起伏。例如，在不一樣的測(cè)試測(cè)試者的心率樣本具有適當(dāng)?shù)碾S機(jī)頻率[27]。

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李建偉;;心血管疾病危險(xiǎn)因素的預(yù)防[J];中國(guó)醫(yī)藥導(dǎo)刊;2015年06期

2 張磊邦;唐榮斌;蔣建波;張帥;池宗琳;王威廉;;心音信號(hào)的預(yù)處理與包絡(luò)提取算法研究[J];生物醫(yī)學(xué)工程學(xué)雜志;2014年04期

3 龐春穎;韓立喜;劉記奎;;HHT和提升小波包相結(jié)合的心音信號(hào)識(shí)別研究[J];信號(hào)處理;2014年01期

4 辛邁;劉璐;方亞杰;蔣曜;;基于LabVIEW2011對(duì)心音信號(hào)DWT濾波的實(shí)現(xiàn)[J];電子測(cè)試;2013年20期

5 陳天華;韓力群;邢素霞;郭培源;;基于小波變換的心音信號(hào)濾波方法研究[J];計(jì)算機(jī)仿真;2010年12期

6 粱天昱;;運(yùn)動(dòng)對(duì)心臟機(jī)能及心肌能量代謝的影響綜述[J];中國(guó)校外教育;2010年10期

7 胡玉良;王海濱;陳健;江鐘偉;喬軍選;;心音時(shí)域分析的新方法研究[J];生物醫(yī)學(xué)工程學(xué)雜志;2010年02期

8 邵婷婷;王吉富;韓少波;;基于小波多分辨率分析的一維信號(hào)閾值去噪[J];山西電子技術(shù);2009年04期

9 張國(guó)華;袁中凡;李彬彬;;心音信號(hào)特征提取小波包算法研究[J];振動(dòng)與沖擊;2008年07期

10 魏寶琴;李白萍;;最優(yōu)小波基的選取原則[J];甘肅科技;2007年10期

相關(guān)博士學(xué)位論文 前1條

1 趙治棟;基于舒張期心音信號(hào)分析與特征提取的冠心病無(wú)損診斷研究[D];浙江大學(xué);2004年

相關(guān)碩士學(xué)位論文 前6條

1 李宏全;基于EMD的舒張期心雜音信號(hào)的分析與識(shí)別研究[D];重慶大學(xué);2016年

2 劉麗萍;基于AR模型參數(shù)譜估計(jì)的先心病特征提取及分類(lèi)識(shí)別研究[D];云南大學(xué);2015年

3 江海;心音信號(hào)特征提取及分類(lèi)研究[D];昆明理工大學(xué);2015年

4 張文英;基于LabVIEW的心音信號(hào)分類(lèi)識(shí)別系統(tǒng)設(shè)計(jì)[D];重慶大學(xué);2014年

5 解倩倩;舒張期心音信號(hào)在冠心病診斷中的研究與應(yīng)用[D];內(nèi)蒙古大學(xué);2011年

6 陳國(guó)強(qiáng);心音信號(hào)的提取和處理研究[D];西安電子科技大學(xué);2009年

本文編號(hào)：2727269