基于盲源分离的心肺音信号分离方法研究与应用

发布时间：2017-07-06 15:29

  本文关键词：基于盲源分离的心肺音信号分离方法研究与应用

  更多相关文章： 盲源分离 心肺音 非负矩阵分解 时频掩码 分类训练

【摘要】：在现代医学中,听诊是一种检查心肺系统健康状况有效、非侵入的医疗手段。通过听诊能够得到表征心脏和肺部器官健康状况的心肺音信号。心肺音信号包含了心脏和呼吸器官丰富的生理和病理学信息。但是在实际临床检查中,听诊器采集到的声音信号不仅包含了心音信号,也包含了肺音信号和外部的环境噪声。这种混合了心音、肺音和环境噪音的声音信号很难用于精细化的病症分析,从而妨害了的医生的诊断效果。由于心音与肺音在时域和频域上都相互混迭在一起,即使在没有噪声的环境中,依靠听诊也无法获得理想的效果。怎样将获取的听诊混迭信号分离成为独立的心音和肺音信号已经被广大的研究人员认定为一个盲源分离问题。盲源分离(BSS)即盲信号分离技术已经在语音信号处理、图像处理、医学信号处理、地球信号处理、雷达信号处理、通信信号处理等等众多领域取得了广泛的应用。所谓盲源分离,即在混合过程和被混合信号均未知的情况下,如何对传感器观测信号进行分析,并从观测值中恢复或估计出源信号。这样一个看似不可能解决的问题,在一定的假设下取得了巨大的成功,很多新颖而有效的解决方案层出不穷。本文为心肺音混合声信号提供了一种新的盲源分离方法,该方法利用了非负矩阵分解、聚类分析以及时频掩码技术,并成功的将混迭的临床听诊声信号分离为心音和肺音两个独立的声信号。该方法分为三个阶段：1、分离阶段—将混合声信号的时域信号通过短时傅里叶变换得到心肺音时频信号,再将时频信号通过非负矩阵分解技术降维,得到心音或者肺音源信号的独立分量集；2、聚类阶段—利用所提出的聚类分析技术对源信号独立分量集进行分类训练,得到心音和肺音的时频谱信号；3、重构阶段—利用时频掩码技术和逆短时傅里叶变换将心音和肺音的时频谱信号重构为时域上的心音和肺音信号；本文实验数据来自开源数据集,将开源听诊胸音信号通过MATLAB进行仿真得到的实验结果证明了该方法的可行性。与此同时,为了验证心肺音盲源分离的实际应用可行性,我们制作了一个Android应用程序,并取得了很好的效果。本文还就心肺音盲源分离的相关技术做了阐述,其中主要介绍了盲源分离技术中的分类情况、典型代表独立成分分析技术和单通道盲源分离问题。
【关键词】：盲源分离 心肺音 非负矩阵分解 时频掩码 分类训练
【学位授予单位】：广东工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN912.3;R443
【目录】：

• 摘要4-5
• Abstract5-13
• 第一章 绪论13-21
• 1.1 研究背景及意义13-14
• 1.2 国内外研究现状14-18
• 1.2.1 国内外盲源分离研究现状14-17
• 1.2.2 国内外心肺音分离研究现状17-18
• 1.3 论文的主要研究内容及结构安排18-20
• 1.4 本章小结20-21
• 第二章 心肺音盲源分离的相关技术21-35
• 2.1 盲源分离原理及其数学模型21
• 2.2 盲源分离分类21-26
• 2.2.1 线性瞬时混合模型23-24
• 2.2.2 线性卷积混合模型24-25
• 2.2.3 非线性混合模型25-26
• 2.3 独立成分分析26-30
• 2.3.1 约束条件27
• 2.3.2 预处理过程27-28
• 2.3.3 常用目标函数28-30
• 2.4 单通道盲源分离30-34
• 2.4.1 稀疏分解30-32
• 2.4.2 时频掩码32-33
• 2.4.3 相关系数33
• 2.4.4 信噪比33-34
• 2.5 本章小结34-35
• 第三章 心肺音盲源分离算法方案设计35-45
• 3.1 心肺音盲源分离算法方案设计流程图35-36
• 3.2 心肺音盲源分离步骤36-43
• 3.2.1 心肺音源信号数学模型36-37
• 3.2.2 短时傅里叶变换37-38
• 3.2.3 非负矩阵分解38-40
• 3.2.4 训练样本分类40-42
• 3.2.5 源信号重构42-43
• 3.3 本章小结43-45
• 第四章 心肺音盲源分离算法的仿真实验45-53
• 4.1 实验环境45
• 4.2 实验数据45-46
• 4.3 实验流程46
• 4.4 实验过程46-51
• 4.5 本章小结51-53
• 第五章 心肺音盲源分离应用实现53-59
• 5.1 心肺音盲源分离算法的c/c++实现53-55
• 5.2 Android App应用设计55-57
• 5.2.1 Android NDK介绍55-56
• 5.2.2 App设计流程56-57
• 5.3 应用效果57-58
• 5.4 本章小结58-59
• 结论与展望59-61
• 总结59-60
• 未来展望60-61
• 参考文献61-67
• 攻读学位期间的科研成果67-71
• 致谢71-73
• 附录Ⅰ 心肺音盲源分离算法主程序73-79
• 附录Ⅱ 非负矩阵分解、分类学习、时频掩码程序79-81

【参考文献】

中国期刊全文数据库 前10条

1 郭海燕;杨震;朱卫平;;一种新的基于稀疏分解的单通道混合语音分离方法[J];电子学报;2012年04期

2 罗志增;曹铭;;基于最大信噪比盲源分离的脑电信号伪迹滤波算法[J];电子学报;2011年12期

3 权友波;王甲峰;岳e，

本文编号：526798