心音信号的降噪与分割方法研究
发布时间：2021-06-23 18:28
心音是人体内常见的可反映心脏及心血管健康程度的一种生理信号。心血管疾病一直是人类致死的主要原因之一,早期提取心脏的生理及病理信息对治疗心血管疾病具有重要价值,成功的心音自动化听诊分析可作为一种有效的辅助诊断工具,帮助普通医护人员确定是否需要进行专家诊断,特别是在临床医生稀缺的地区。因此通过计算机研究心音信号对初步诊断心血管疾病意义重大。根据心音非线性非平稳的特性,本文主要研究了心音信号的降噪方法与心音分割方法,主要研究内容如下:1.心音信号降噪处理。提出了一种基于改进自适应白噪声的完备经验模态分解（ICEEMDAN）及改进自适应混合阈值的心音降噪算法。针对传统心音降噪算法中将部分高频信号直接作为噪声剔除导致降噪后信号失真、基于经验模态分解（EMD）的方法存在模态混叠等缺陷,本文首先使用ICEEMDAN算法将心音分解成n个模态函数分量（IMFs）,并采用联合策略找到两个临界模态分量K值,然后对噪声主导及混叠模态分量分别使用小波包和本文改进的自适应混合区间阈值算法进行降噪,最后重构所有分量和剩余分量构成降噪后心音信号。实验结果表明,在不同噪声水平条件下,本文算法可有效去除正常、异常心音中噪...
【文章来源】：江西理工大学江西省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
心脏剖面图
第二章心音信号处理基础理论7年实验研究，结合心脏血液流体力学、心脏瓣膜以及心肌的振动时变特性，最终科研人员对心音的生成原理达成了一致认知：心音是由人体心肌收缩及舒张、心脏瓣膜关闭及开启、血液撞击心室壁或其它原因导致振动而生成的微弱的、低频的音频信号[36]。心音信号含括人体大量的心脏、心血管系统的生理及病理方面信息。因此，心音信号也是一种重要的能表征人体生理特征的音频信号。2.2心音信号的组成成分心音周期由心脏的一次舒张和收缩组成，正常的心音周期在0.8s左右，心音信号可能包括S1、S2、S3及S4。第一心音及第二心音（S1及S2）可从正常人体内听到，S1及S2称为基础心音(fundamentalheartsound)。在收缩期开始时可听到S1，S1由房室二尖瓣和三尖瓣相继闭合引起，S1频率约在10到200Hz范围内，它的振幅与心脏的输出存在很大相关性，通常情况下，S1是一个单独的声音信号，内部成分二尖瓣（M1）和三尖瓣（T1）之间有一个非常小的间隔，间隔接近20-30毫秒。S2产生在舒张期开始，由主动脉瓣和肺动脉瓣闭合引起，S2的音调比S1高，其频率范围在20-250Hz之间，且S2的持续时间更短[37]。然而，在心脏异常期间，由于主动脉和肺动脉闭合之间存在明显的时间间隔，第二心音S2可被观察为主动脉和肺动脉的两次分裂搏动，吸气期间此间隙可能在30到80毫秒之间变化，呼气期间可能减少到15毫秒。心音周期的组成成分如图2.2所示：图2.2心音周期示意图从S1的末端到S2的起点的间隔称为收缩期(systole)，S2的末端到下一个周期S1的开始之间的间隔称为舒张期(diastole)，且一般舒张期要长于收缩期[38]。当心脏或心血管系统发生异常时，心音听诊时，除基础心音S1及S2之外，还可能存在第三心音和第
第三章基于ICEEMDAN改进自适应阈值降噪15图3.1三种算法分解性能示意图图3.1(c)表示心音经过CEEMD分解后每个IMF时域频谱图。加入高斯白噪声然后通过有限次的集成平均运算，可以减轻如图3.1(b)中所示由EMD分解产生的模态混淆，从图3.1(c)中可知加入的白噪声还没被全部分解，模态混叠现象还存在。图3.1(d)表示经ICEEMDAN算法处理后的频谱图，由图可知ICEEMDAN算法对模态混叠现象进行了大部分消除，且中和了大部分噪声；相比于其它两种算法，ICEEMDAN算法复杂度最低，耗时最少。经过以上分解实验可以得出初步结论，ICEEMDAN算法相比于EMD，CEEMD算法分解精度更高，可有效去除高斯白噪声且很大程度提升了分解的效率，很大程度上克服了模态混叠缺陷。3.4.5小波包算法小波包变换是离散小波变换的扩展版本，它对信号进行一个完整的逐级分解，它的分解精度比小波高[58]。其低频和高频部分的节点都被分成细节和近似系数。线性小波函数构成小波包，小波函数中可逆、正交性和时频局域化等重要特征在小波包函数中仍然得到了继承。小波包ij，k是一个函数，其中k和i,j和分别表示平移参数、频率调制和尺度。其具体表达式为：/2,2*(2)ijijjktk(3.14)
【参考文献】：
期刊论文
[1]基于DHMM的低心率变异性心音的分割方法[J]. 许春冬,周静,应冬文,侯雷静,龙清华. 数据采集与处理. 2019(04)
[2]基于CEEMD的心音信号小波包去噪算法研究[J]. 董利超,郭兴明,郑伊能. 振动与冲击. 2019(09)
[3]心音信号MFCC特征向量提取方法的优化[J]. 许春冬,周静,应冬文,龙清华. 信号处理. 2019(03)
[4]基于coif-5小波的心音自适应阈值降噪方法[J]. 许春冬,周静,龙清华,许瑞龙. 科学技术与工程. 2019(02)
[5]基于改进经验模态分解的雷达生命信号检测[J]. 刘震宇,陈惠明,陆蔚,李光平. 仪器仪表学报. 2018(12)
[6]基于CEEMDAN-ICA的单通道脑电信号眼电伪迹滤除方法[J]. 罗志增,严志华,傅炜东. 传感技术学报. 2018(08)
[7]基于CEEMD和小波包的降噪方法研究[J]. 杨孟,王瑾,周西峰,郭前岗. 南京邮电大学学报(自然科学版). 2018(02)
[8]基于双阈值的心音快速分段算法及其应用研究[J]. 成谢锋,姚鹏飞. 计算机技术与发展. 2018(05)
[9]S1和S2共振峰频率在心音分类识别中的应用[J]. 成谢锋,陈亚敏. 南京邮电大学学报(自然科学版). 2017(05)
[10]基于经验模态分解互信息熵与同步压缩变换的微地震信号去噪方法研究[J]. 秦晅,蔡建超,刘少勇,卞爱飞. 石油物探. 2017(05)
硕士论文
[1]基于包络提取的心音信号分段算法的研究[D]. 李晓玉.浙江大学 2015
本文编号：3245440
【文章来源】：江西理工大学江西省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
心脏剖面图
第二章心音信号处理基础理论7年实验研究，结合心脏血液流体力学、心脏瓣膜以及心肌的振动时变特性，最终科研人员对心音的生成原理达成了一致认知：心音是由人体心肌收缩及舒张、心脏瓣膜关闭及开启、血液撞击心室壁或其它原因导致振动而生成的微弱的、低频的音频信号[36]。心音信号含括人体大量的心脏、心血管系统的生理及病理方面信息。因此，心音信号也是一种重要的能表征人体生理特征的音频信号。2.2心音信号的组成成分心音周期由心脏的一次舒张和收缩组成，正常的心音周期在0.8s左右，心音信号可能包括S1、S2、S3及S4。第一心音及第二心音（S1及S2）可从正常人体内听到，S1及S2称为基础心音(fundamentalheartsound)。在收缩期开始时可听到S1，S1由房室二尖瓣和三尖瓣相继闭合引起，S1频率约在10到200Hz范围内，它的振幅与心脏的输出存在很大相关性，通常情况下，S1是一个单独的声音信号，内部成分二尖瓣（M1）和三尖瓣（T1）之间有一个非常小的间隔，间隔接近20-30毫秒。S2产生在舒张期开始，由主动脉瓣和肺动脉瓣闭合引起，S2的音调比S1高，其频率范围在20-250Hz之间，且S2的持续时间更短[37]。然而，在心脏异常期间，由于主动脉和肺动脉闭合之间存在明显的时间间隔，第二心音S2可被观察为主动脉和肺动脉的两次分裂搏动，吸气期间此间隙可能在30到80毫秒之间变化，呼气期间可能减少到15毫秒。心音周期的组成成分如图2.2所示：图2.2心音周期示意图从S1的末端到S2的起点的间隔称为收缩期(systole)，S2的末端到下一个周期S1的开始之间的间隔称为舒张期(diastole)，且一般舒张期要长于收缩期[38]。当心脏或心血管系统发生异常时，心音听诊时，除基础心音S1及S2之外，还可能存在第三心音和第
第三章基于ICEEMDAN改进自适应阈值降噪15图3.1三种算法分解性能示意图图3.1(c)表示心音经过CEEMD分解后每个IMF时域频谱图。加入高斯白噪声然后通过有限次的集成平均运算，可以减轻如图3.1(b)中所示由EMD分解产生的模态混淆，从图3.1(c)中可知加入的白噪声还没被全部分解，模态混叠现象还存在。图3.1(d)表示经ICEEMDAN算法处理后的频谱图，由图可知ICEEMDAN算法对模态混叠现象进行了大部分消除，且中和了大部分噪声；相比于其它两种算法，ICEEMDAN算法复杂度最低，耗时最少。经过以上分解实验可以得出初步结论，ICEEMDAN算法相比于EMD，CEEMD算法分解精度更高，可有效去除高斯白噪声且很大程度提升了分解的效率，很大程度上克服了模态混叠缺陷。3.4.5小波包算法小波包变换是离散小波变换的扩展版本，它对信号进行一个完整的逐级分解，它的分解精度比小波高[58]。其低频和高频部分的节点都被分成细节和近似系数。线性小波函数构成小波包，小波函数中可逆、正交性和时频局域化等重要特征在小波包函数中仍然得到了继承。小波包ij，k是一个函数，其中k和i,j和分别表示平移参数、频率调制和尺度。其具体表达式为：/2,2*(2)ijijjktk(3.14)
【参考文献】：
期刊论文
[1]基于DHMM的低心率变异性心音的分割方法[J]. 许春冬,周静,应冬文,侯雷静,龙清华. 数据采集与处理. 2019(04)
[2]基于CEEMD的心音信号小波包去噪算法研究[J]. 董利超,郭兴明,郑伊能. 振动与冲击. 2019(09)
[3]心音信号MFCC特征向量提取方法的优化[J]. 许春冬,周静,应冬文,龙清华. 信号处理. 2019(03)
[4]基于coif-5小波的心音自适应阈值降噪方法[J]. 许春冬,周静,龙清华,许瑞龙. 科学技术与工程. 2019(02)
[5]基于改进经验模态分解的雷达生命信号检测[J]. 刘震宇,陈惠明,陆蔚,李光平. 仪器仪表学报. 2018(12)
[6]基于CEEMDAN-ICA的单通道脑电信号眼电伪迹滤除方法[J]. 罗志增,严志华,傅炜东. 传感技术学报. 2018(08)
[7]基于CEEMD和小波包的降噪方法研究[J]. 杨孟,王瑾,周西峰,郭前岗. 南京邮电大学学报(自然科学版). 2018(02)
[8]基于双阈值的心音快速分段算法及其应用研究[J]. 成谢锋,姚鹏飞. 计算机技术与发展. 2018(05)
[9]S1和S2共振峰频率在心音分类识别中的应用[J]. 成谢锋,陈亚敏. 南京邮电大学学报(自然科学版). 2017(05)
[10]基于经验模态分解互信息熵与同步压缩变换的微地震信号去噪方法研究[J]. 秦晅,蔡建超,刘少勇,卞爱飞. 石油物探. 2017(05)
硕士论文
[1]基于包络提取的心音信号分段算法的研究[D]. 李晓玉.浙江大学 2015
本文编号：3245440
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3245440.html
