基于EMD的肺音信号去噪及特征提取方法研究

发布时间：2020-10-14 00:34

　　 随着现代医疗科技的快速发展,肺音信号分析作为肺部疾病诊断最主要的方法之一,已逐渐成为人们研究的热点。肺音信号是一种声音信号,蕴含着丰富的生理、病理及器官机能信息,也是一种典型的非线性非平稳的多分量信号。肺音信号的采集、去噪处理、分类识别的研究与应用对于医师实现高效的诊疗具有很重大的临床意义。EMD(Empirical Mode Decomposition,经验模式分解)算法是一种优秀的分析多分量非线性非平稳信号的自适应数据驱动方法,被广泛应用于时频分析领域。因此,本文对EMD算法及肺音信号的处理与分析进行了详细的研究,主要内容如下:(1)提出了一种基于相关系数的RPSEMD改进算法,并与小波软阈值结合对肺音信号进行了去噪方面的研究。首先针对EMD算法中的模态混叠问题,分析了模态混叠问题产生的原因及解决模态混叠问题的两种思路,分别对这两种思路的典型算法包括EEMD(Ensemble Empirical Mode Decomposition,集合经验模式分解),RPSEMD(Regenerated Phase-Shifted Sinusoid-Assisted Empirical Mode Decomposition,再生相移的正弦波辅助经验模式分解)进行了深入的研究,总结了两种典型算法的特点,并在RPSEMD过程中嵌入循环去相关操作,更好地解决了模态混叠问题,减少了细节信息的丢失。最后,在上述研究的基础上,结合肺音信号处理中的去噪问题,将改进后的RPSEMD算法与小波软阈值相结合对肺音信号进行去噪处理,通过对采集到的肺音信号的实验,验证了该方法的有效性。(2)基于希尔伯特-黄变换对肺音信号特征提取进行了研究,针对现有的信号分析方法在时频分析方面的不足,分析了希尔伯特-黄变换的算法思想,该算法在EMD算法的基础上,对分解得到的一系列基本模式分量进行希尔伯特变换,可以得到完整的有关时间、频率和幅值的三维时频谱图。在此基础上,以3种肺音信号(正常音、啰音、哮鸣音)为样本数据,对每类肺音信号的一个呼吸周期数据进行希尔伯特-黄变换,得到希尔伯特边界谱,可以发现三类肺音信号的希尔伯特边界谱有很明显的差异,并对其进行理论分析,从中提取出有效的特征向量,并基于人工神经网络,支持向量机和K最近邻算法分别构建分类器,对3种肺音信号进行识别与分类,实验表明,该方法能够有效地识别出正常音,啰音和哮鸣音。
【学位单位】：江苏大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TN912.3;R563
【部分图文】：

图 2.1 仿真信号 x (t )EMD 分解的例子Fig 2.1 An example of simulation signal by EMD分辨率和自适应的滤波特性三个方面：自适应性的分解过程指的是，EMD 方法在分解过程中无需先验知识和预定义基函数，是基于信号自身特征完全自适应的分解过程。自适应的IMF频率分辨率是指通过EMD分解获得的一系列基本模式分量是具有不同特征时间尺度的，不同的基本模式分量含有不同的频率分辨率，而这些都是来自于自适应分解。第i个基本模式分量的瞬时频率分辨率可以表示为：max iffN（2.15）其中，imaxf 表示第 个基本模式分量中的最高频率，N 表示信号的采样个数。从上式可以看到，EMD 分解得到的基本模式分量的频率分辨率与时间无关。

r t 的线性叠加能够恢复得到原始信号。把图 2.1 中的经过 EMD 分解的仿真信号 x (t )作为原始信号，根据公式（2.13）对其进行信号重构，并计算重构误差，其结果如图2.2所示。从图中可以发现得到的重构信号几乎完整地恢复了原信号，重构误差在 10-15数量级上，Huang 证明该误差主要是由计算机的精度误差造成的，可以忽略。图 2.2 信号经 EMD 分解的完备性举例Fig 2.2 An example of completeness of signal decomposition by EMD（3）近似正交性EMD 算法的正交性到目前为止仍没有得到严格的理论证明，但从实际意义上来讲，EMD 分解得到的 IMF 在局部上应该是两两相互正交的，因为每个 IMF都是由待分解信号与其上下包络均值之差获得的，所以就有：( y (t ) y (t )) y (t ) 0（2.16）其中

基于 EMD 的肺音信号去噪及特征提取方法研究啰音的频率范围为 100-200HZ，持续时间小于 20 毫秒，在时域具有明显的，包括：基本相同的波形，出现在每个呼吸周期的同一时期；波形一般持续0ms，由 4-6 个峰波组成；前半部(初期部)和后半部(衰减部)组成, 与正常呼相比，啰音初期波形呈冲击波的特征，正常音的波形振幅很小，具有明显的，衰减部则与正常音相同。Murphy 等人[57]提出了啰音的判断标准，通常使模拟啰音的表达式为：( / )( ) sin(2 )a b t cg t ft t e （2.21其中 a=0.5，b=1.49，c=0.78，f=2.0。图 2.20 是根据该表达式画的模拟啰音。
【相似文献】

相关期刊论文 前10条

1 郭鹿鸣;何良明;唐增;;基于盲源分离的心肺音信号分离方法[J];科技展望;2016年11期

2 姚小静;王洪;李燕;崔建国;;肺音信号分析及其识别方法的研究进展[J];重庆理工大学学报(自然科学);2013年12期

3 赵守国,万明习,王素品,邹原;肺音信号的非线性检测与肺胸系统声传递特征研究[J];声学学报;2002年01期

4 黄小平,赵兴群,殷凯生;肺音信号分析系统研制[J];上海生物医学工程;1998年04期

5 吕扬生;刘文晖;秦光侠;;肺音信号中心音干扰的自适应消除[J];中国医疗器械杂志;1990年03期

6 徐泾平;陈启敏;刘淑燕;吴胜举;严碧歌;;肺音信号特征及数字处理[J];陕西师大学报(自然科学版);1991年01期

7 徐泾平;陈启敏;闵一健;蒋大宗;;肺音信号检测处理及其临床应用研究[J];国外医学.生物医学工程分册;1992年04期

8 郑燕娇;钱翔;周一平;张卫星;叶大田;;基于单导肺音信号的呼吸气相识别[J];清华大学学报(自然科学版)网络.预览;2008年12期

9 徐泾平,闵一健,张伊立,张明铎,张军平,臧晓非;不同类型传感器对检测肺音信号谱特征的影响[J];应用声学;1993年01期

10 刘喻;陈洪波;肖新华;;便携式心肺音信号记录仪的研究[J];电子测量技术;2017年03期

相关硕士学位论文 前10条

1 高鸣蕾;基于EMD的肺音信号去噪及特征提取方法研究[D];江苏大学;2019年

2 周冬生;肺音信号的特征提取与模式识别[D];山东大学;2005年

3 郭鹿鸣;基于盲源分离的心肺音信号分离方法研究与应用[D];广东工业大学;2016年

4 郑明杰;基于希尔伯特—黄变换的肺音信号识别方法研究[D];江苏大学;2016年

5 李小进;嵌入式系统低功耗优化技术在肺音信号处理中的应用[D];哈尔滨理工大学;2014年

6 钟美楠;便携式肺音采集技术的研究[D];重庆大学;2012年

7 吴健;基于虚拟仪器的肺音分析系统的设计与实现[D];南京邮电大学;2012年

8 杨燕婷;基于Windows平台的肺音听诊系统的设计与实现[D];电子科技大学;2006年

9 姜艳艳;基于肺音的麻醉状态下呼吸系统的建模与仿真[D];哈尔滨理工大学;2013年

10 胡泊;智能电子听诊器设计与实现[D];天津大学;2010年

本文编号：2839915