基于多尺度特征波形的心音分段算法

目的:实现心音信号的自动分段;定位第一心音、第二心音、杂音。方法:提出一种无需心电参考的心音自动分段算法。利用小波变换对心音信号进行多层分解-重构,保留心音信号主要成分,削弱杂音比重,突出心音基本特征;提取心音信号特征波形,进而得到心音包络,对心音包络采用相关算法,实现心音定位。结果:采用612个周期不同病症的心音信号进行验证,平均心音信号分段正确率为98%。结论:仿真结果表明,心音信号分段算法抗噪能力强、分段正确率高。

心音在时频两域中解析方法的研究

为实现心音的快速准确解析,对心音信号分别在时域和频域中的解析方法进行了研究。时域里,建立单自由度模型(SDOF)以仿真人耳听音鼓膜的特性,并从该模型中提取心音特征波形(CSCW),并从CSCW中提取4个有效的特征诊断参数T1、T2、T11、T12,它们是心音特征波形与阈值THV之间形成的交叉点所确定的时间间隔。频域里,基于自回归-功率谱密度(NAR-PSD)曲线定义了新的形态特征,提取一些心脏杂音可识别参数指标,提出了两个特征诊断参数fm ax和fwidth,分别描述了NAR-PSD最大频率峰值和频带宽度。通过采集大量的临床心音数据对正常/异常的心音案例进行解析。实验结果表明,在时域和频域中,这些特征诊断参数有助于判别心音的正常与异常。

心音特征波形法的研究及临床验证

为快速、准确地判断心音的正常与否,本文提出一种心音特征波形法,通过建立单自由度分析模型提取心音特征波形,计算出心音特征参数来判别正常与异常的心音。文中通过对心脏病患者术前/术后的心音案例进行分析,验证了心音特征波形法的有效性,并对已采集的50组正常与30组异常的心音数据进行实验及统计分析,准确率分别达到了98%、93.33%。

基于智能听诊器的心音信号采集与处理

基于智能听诊器,研究了心音信号采集与处理的新方法。心音采集部分包括传统的听诊头、耳机、微型麦克风及IC录音机。通过USB接口将采集的数据传输到计算机,并通过单自由度分析模型提取心音特征波形,计算心音特征值参数[T1,T2,T11,T12],它们是心音特征波形与阈值THV之间形成的交叉点所确定的时间间隔,与第一心音和第二心音有关,可用来判别正常或异常心音。文中通过采集大量的临床心音数据对正常/异常心音案例进行解析,验证了心音特征波形法在心音自动解析中的有效性。

一种先天性心脏病杂音分割及分析方法

目的心音信号中的杂音成分可以反映心脏结构缺损等异常情况。本文提出一种心杂音分割及分析方法用于先心病杂音信号的识别。方法为去除临床采集心音信号中的噪声干扰,采用基于频率切片小波变换的降噪新方法提高听诊精度。然后采用特征矩波形分析方法分割并提取心脏杂音间期信号。最后对心脏杂音间期心音信号提取心音梅尔尺度特征参数。结果通过临床采集的32例正常和16例室间隔缺损心音数据进行实验,计算心脏杂音间期片段提取特征参数的平均值和标准差,得到正常及室间隔缺损患儿心音数据的梅尔尺度特征参数范围。结论该方法可以在心脏收缩杂音期有效识别室间隔缺损心音信号特征,对于舒张杂音期信号尚需进行多角度特征提取及分析。该方法可以为典型先心病筛查及监控提供有效参考。

心音时域分析的新方法研究

为快速、准确地判断心音的正常与否,本文提出一种新的心音时域分析方法——心音特征波形法。通过数字听诊器将采集到的心音数据由USB接口传输到计算机,建立单自由度分析模型提取心音特征波形,计算出心音特征参数来判别正常与异常的心音。文中通过对正常/异常心音案例分析,验证了心音特征波形法的有效性。另外,为检验已提出的心音时域分析方法对正常与异常的心音判别准确率,选用已采集的40组正常与20组异常的心音数据进行实验及统计分析,准确率分别达到92.5%和95.0%。