基于CEEMDAN排列熵的先心病心音特征提取与识别研究

发布时间：2020-05-28 04:59

【摘要】：心脏信号是人体重要的生理信号,心脏听诊是先心病初诊的主要手段,但听诊主要靠听诊专家经验而来,但仅仅依靠医生听诊,会导致判断结果不准确,不可避免发生误诊情况,所以对心音信号进行预处理、特征提取、分类识别等有利于先天性心脏病的诊断,本文希望能够通过信号处理、传统的模式识别、机器学习的方法去揭示先心病的潜在特征成分,为先心病的临床诊断奠定基础。本文的研究工作主要是以下三部分:1.心音信号的预处理。针对采集的心音信号会有噪声以及如何筛选心动周期信号的问题,提出一种基于提升小波新阈值函数的去噪方法;为了能够更好的筛选出心音信号中的有效心动周期信号,采用了一种结合归一化香农能量的维奥拉积分波形的方法对去噪后的心音信号提取包络后,利用双阈值方法进行分段定位处理,从而确定心音的心动周期,通过对每例信号提取的心动周期进行筛选加权平均后,确认最终心动周期信号。2.心音信号的特征提取。针对心音信号的非平稳、非线性问题,提出一种基于自适应完备噪声集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with adaptive noise,CEEMDAN)结合提取排列熵的特征方法,对筛选后的心动周期信号按照从高频率到低频率分解成若干个固有模态函数(Intrinsic Mode Function,IMF)分量,利用C_C算法对分解的各个IMF分量进行排列熵内的参数优化,最后对各阶IMF分量求其排列熵,构造成特征向量。3.分类识别研究:针对提取的排列熵特征向量数据的稀疏性特点,提出一种基于深度因子分解机网络的分类方法对正常、异常信号进行二分类识别,采用损失率(LOSS)、准确率(Accuracy)以及AUC(Area Under ROC Curve)三个指标来衡量深度因子分解机网络模型的泛化性能。本文对600例正常心音信号和600例先心病心音信号进行研究分析,实验结果表明:采用CEEMDAN和排列熵的方法提取心音特征组成特征向量,能够较好的反映出心音所包含的不同频率下的特征成分。采用深度因子分解机网络对心音信号进行分类识别,其损失率为0.213、准确率为0.887以及AUC值为0.902。
【图文】：

心音信号,时域

一心音Ｓ１的末尾到第二心音Ｓ２的开始之间的时间间隔。Ｓ２－Ｓ１之间的间期表示逡逑在一个心动周期中，，第二心音Ｓ２的末尾到下一个第一心音Ｓ１的开始之间的时逡逑间间隔。从图２．１可以看出Ｓ１－Ｓ２之间的间期是短于Ｓ２－Ｓ１间期的。逡逑１逦Ｉ逦Ｉ逦Ｉ逦Ｉ逦Ｉ逦Ｉ逦Ｉ逦Ｉ逦Ｉ逡逑ｓｉ逦８１逦Ｉ１逦５１逡逑０．５－逦｜逦ｉ邋Ｓ２丨时限，逦－逡逑－°－５－逦Ｊｔ＾ｔ邋ｖｍｗｉ逡逑ｈ邋屮邋＞１邋Ｍ邋Ｍ逡逑ｉ逦ｉ逦ｉ逦ｉ逦ｉ逦ｉ逦ｉ逦ｉ逦ｉ逦ｉ逦逡逑０逦１０００逦２０００逦３０００逦４０００逦５０００逦６０００逦７０００逦８０００逦９０００逦１００００逡逑采样点数逡逑图２．１心音信号的时域图逡逑（２）心音信号的频域特性逡逑心音信号的频率一般是在卜１０００Ｈｚ之间，大多数人的心音信号的频率是在逡逑４０￣６００ＨＺ之间，而少数部分人的心音信号的频率是低于４０ＨＺ或者是高于逡逑１０００ＨＺ的。心音信号图按其频率划分如下：逡逑Ｓ１处于低频段和中频段，主要集中在１０？１４０ＨＺ，邋Ｓ２处于低频段、中频段、逡逑高频段，主要集中在１0ＨＺ￣４００ＨＺ，邋Ｓ３和Ｓ４处于低频段，主要集中在１０？５０ＨＺ，逡逑通常情况下，舒张期充盈性的杂音是处于低频段４０－５０ＨＺ之间，舒张期回流性逡逑的杂音和收缩期的杂音处于在中频段以及高频段，主要是集中在丨００？６００ＨＺ之逡逑间

心脏听诊,胸骨

第二章心音信号的概述置［２９］是以心脏各瓣膜的名字命名的，不同听诊的位置所有的生理性、病理性不同。在临床医学上通常使用五个，临床上对心脏听诊的具体位置如图２．２所示。逡逑－肺动脉瓣听诊区，在胸骨左边第二肋处，与肺动脉瓣的－主动脉瓣听诊区，在胸骨右边第二肋处，离胸壁最近。逡逑－主动脉瓣第二听诊区，在胸骨左边第三、第四肋处，因二尖瓣听诊区，在左侧第五肋锁骨内侧，血流从左心房流－三尖瓣听诊区，在胸骨右边第四肋处，即右心室靠近胸
【学位授予单位】：云南大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R541.1;TN912.3

【参考文献】