基于持续时间隐马尔可夫模型的心音分割算法

发布时间：2024-04-12 05:59

　　心音分割指对所获取的心音信号按心动周期对收缩期、舒张期等进行分隔,是进行心音分类前的关键步骤。针对不依赖心电图对心音信号直接分割准确度有限的难题,提出了一种基于持续时间隐马尔可夫模型的心音分割算法。首先对心音样本进行位置标注;然后采用自相关估计法对心音的心动周期持续时间进行估计,通过高斯混合分布对样本的状态持续时间进行建模;接着通过训练集信号对隐马尔可夫模型进行优化并建立基于持续时间的隐马尔可夫模型(DHMM);最后使用维特比算法对心音状态进行回溯得出S₁、收缩期、S₂、舒张期。使用500例心音样本对本文算法性能进行测试,平均评估精度分数(F₁)为0.933,平均灵敏度为0.930,平均精确率为0.936。同其他算法相比,本文算法各项性能指标均有明显提升,证实了该算法具有较高的鲁棒性和抗噪声性能,为临床环境下所采集心音信号的特征提取与分析提供了一种新方法。

【文章页数】：10 页

【部分图文】：

图1心音分割算法流程图

(4）对训练集信号进行高斯混合模型建模，为DHMM提供参数dμj、dΣj与pj(d);(5）构建DHMM，并使用训练集信号对模型参数λ进行训练；

图2R峰与T波末端分别作为定义S1与S2的参考位置

提取出的自相关包络如图3所示，在图中所示两个红点之间的间距为心动周期的持续时间（Dcycle），第一个红点与绿点之间的间距称为一个完整的收缩期（systole），其成分包括了S1与收缩期两个状态。其持续时间（Dsystole）对应公式如下图3自相关法提取心动周期

图3自相关法提取心动周期

图2R峰与T波末端分别作为定义S1与S2的参考位置完整的舒张期（diastole）包括S2与舒张期两个状态，其持续时间（Ddiastole）有

图5基于心动周期状态的隐马尔可夫模型

由于实际采集心音过程中可从心动周期的任何一个状态开始采集，因此在使用DHMM之前，需要通过训练集数据对其模型参数λ进行估计

本文编号：3951771