基于EEMD心音分割算法的研究

发布时间：2020-09-03 21:29

　　近年来心血管疾病发病率居高不下,而且死亡率极高,严重威胁着人类健康。心脏病是心血管疾病中最为常见的疾病,对其敏感准确的检测诊断具备重要的临床意义。本文针对一种常见的心脏病检测手段—心音听诊,研究从采集到的心音信号中提取/分割出心音的特征信号段,便于后续分析、分类及诊断。本文的主要工作如下:1.本文使用基于经验模式分解(EmpiricalModeDecomposition,EMD)改进的方法—集合经验模式分解(Ensemble empirical mode decomposition,EEMD),从采集到的心音信号中分解出本征模态函数(Intrinsic Mode Function,IMFs),从本征模态函数(IMFs)中选取出利于分割的信号成分。此过程中,由于EMD在分解的过程中会出现端点效应,本文分析和对比了多种方法,提出了波形匹配和比例延拓相结合的方法来抑制端点效应,并且根据正交性来评判分解结果的好坏,实验证明改进的波形匹配法相比于其他方法在抑制端点效应方面更优。对于从分解出来的IMFs中选取哪个IMF作为分割依据,本文提出了自己的方法,即选取过零点个数在50—250范围内相关系数最大和次大的IMF分量。如果存在两个IMF分量则根据分割结果求S1、S2平均时长,选取S1平均时长接近122ms、S2平均时长接近92ms的IMF分量,实验结果证明该方法选取准确率比根据最大相关系数的方法选取的准确率提高了 8%以上。2.在上述选择的IMF基础上,进一步提取信号包络。本文对常见的几种提取心音信号包络的方法进行分析、实验、对比,最终选用希尔伯特变换的方法来提取信号包络。3.对上述提取的包络信号,进一步尝试分割。通过对已有的分割方法的实验、对比和改进,本文提出了双阈值法和极值点相结合的方法对心音信号分割,相比于双阈值法提高了分割精度。4.最后,本文就上述分割结果与前人基于隐马尔可夫模型(HSMM)的心音信号分割方法进行了对比分析。从实验结果可以看出两种分割点误差在5ms范围之内,相对于平均一个心音周期800ms,误差在±1%范围内。但是HSMM训练集需要使用ECG信号对PCG信号的峰进行标记,而且HSMM需要对模型进行训练,因此需要海量的数据支撑。而EEMD的方法是直接对波形进行处理,不需要ECG信号标记。
【学位单位】：南京大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：R540.4;TN911.7
【部分图文】：

示意图,心脏传导系统,心电,元素组成

图２．１心脏传导系统示意图［２０］逡逑心电的传导路径有五个元素组成：逡逑ａ）卖房（ＳＡ）节点（Ｔｈｅ邋ｓｉｎｏ－ａｔｒｉａｌ邋（ＳＡ）邋ｎｏｄｅ）；逡逑ｂ）房室（ＡＶ）节点（Ｔｈｅ邋ａｔｒｉｏ－ｖｅｎｔｒｉｃｕｌａｒ邋（ＡＶ）邋ｎｏｄｅ）；逡逑ｃ）希氏束（Ｔｈｅ邋ｂｕｎｄｌｅ邋ｏｆ邋Ｈｉｓ）；逡逑ｄ）左束和右束分支（Ｔｈｅ邋ｌｅｆｔ邋ａｎｄ邋ｒｉｇｈｔ邋ｂｕｎｄｌｅ邋ｂｒａｎｃｈｅｓ）；逡逑ｅ）浦肯野纤维（Ｔｈｅ邋Ｐｕｒｋｉｎｊｅ邋ｆｉｂｒｅｓ）；逡逑窦房结（ＳＡ）是心脏的天然起搏器，窦房（ＳＡ）结点以一定的频率释放电逡逑脉冲，每种电脉冲都会通过心房的心肌细胞，形成一股迅速通过心房的收缩逡逑波。心房收缩的快速性使得心肌细胞在不到三分之一秒内收缩。来自窦房结点逡逑的电活动到达房室结点被短暂地延迟，使得收缩的心房有足够的时间将所有血逡逑６逡逑

示意图,经典,心音,示意图

最易听清心脏声音的部位称心脏瓣膜听诊区，与其解剖部位不完全一致，逡逑通常有５个听诊区［２５］。最常使用以下五个位置来听取心音，这些位置能够最逡逑好的听到心脏声音，并且这些位置根据心音阀门的位置命名［２５］：逡逑１．二尖瓣区：位于心尖处，在锁骨中线的第五肋间隙。搏动最强点，又称心逡逑尖区；逡逑２．肺动脉瓣区：在胸骨左缘第２肋间；逡逑３．主动脉瓣区：在胸骨右缘第２肋间；逡逑４．主动脉瓣第二听诊区：在胸骨左缘第３肋间，又称Ｅｒｂ区；逡逑５．三尖瓣区：在胸骨下端，即胸骨左缘第４、５肋间；逡逑２．５心音特征参数逡逑心音常用的诊断参数还需要对各特征心音的起始、终末点进行界定，如图２．５、逡逑

曲线,诊断参数,心音,包络线

图５．１邋（ａ）正常心音，（ｂ）从包络线曲线中定义参数［Ｔｌ，邋Ｔ２，邋Ｔｉｌ．邋Ｔ１２］逡逑表５．１诊断参数的定义逡逑诊断参数逦定义和意义逡逑Ｔ１逦Ｓ１持续时间逡逑Ｔ２逦Ｓ２持续时间逡逑

【参考文献】