基于突变点检测与峰值搜索的心音分割算法

心音分割通常指将心音信号的心动周期分割为第一心音(S1)、收缩期、第二心音(S2)和舒张期;心音分割是分析研究心音分类的关键步骤。提出一种新的心音分割算法,首先采用bior双正交小波对心音进行去噪;然后根据短时能量、频谱质心以及阈值定位心音信号突变点,并确定寻峰区间;之后用寻峰算法滤除伪峰的同时通过峰值点补偿算法提高有效峰值的检出率;最后,利用峰峰值之间的距离定位S1和S2,并以突变点为分割点,得到心音分段结果。实验证明,使用上述算法对1000例心音进行分段,平均准确率达到了92.38%,平均分割速度为0.02561秒,在保证准确率的前提下实现了对心音信号的快速分割。

基于两级神经网络的心音分割

心音信号是分析诊断心脏疾病的重要信号,而心音分割是对其进行分析处理之前必不可少的一步。本文通过将心音分割任务分离为定位与识别两个子任务,提出一种两级卷积神经网络,由定位网络和判别网络两级构成,分别完成心音信号的识别与定位。首先将原始信号通过滑动窗口进行分帧,然后通过短时傅里叶变换得到其频谱,再通过梅尔滤波器得到其梅尔频谱系数(Mel frequency spectral coefficient,MFSC)特征,输入第1个定位网络对其是否为心音段进行判断,如果是的话,再输入判别神经网络,识别第一心音与第二心音,从而实现心音的分割。最后利用多帧结果投票,减小误判。同时,在卷积神经网络中引入空间注意力机制,实验结果表明,这种加入了注意力机制的两级神经网络模型在心音分割任务上比使用单个卷积神经网络分类模型的准确率更高,也使得模型更加简单,轻量化。

基于心动周期估计的心音分割及异常心音筛查算法

心脏疾病是全球发病率和死亡率最高的疾病,心音听诊可以获取心脏的机械特性及结构特征,与超声心动图、核磁共振等无创诊断技术相比具有快速、低成本和操作简单的优势。心音信号成分复杂,容易受到各种噪声和干扰的影响,听诊诊断结果容易受到医生主观性的影响,极大限制了心音听诊的应用。该文提出一种基于心动周期估计的心音分割及异常心音筛查算法,预先估计了心音的心动周期,存在随机干扰的情况下也可以正确识别信号中80%以上的心动周期,提高了算法的稳定性。同时提出了区分度良好的时域和频域特征指标,利用支持向量机建模,对异常心音的识别率可达92%。算法可辅助医生诊断,或用于家用便携式心音监护设备。

结合SVM和香农能量的HSMM心音分割算法

针对基于逻辑回归的隐半马尔可夫模型中希尔伯特(Hilbert)变换提取的心音包络具有较大毛刺,提出一种结合支持向量机(Support vector machine,SVM)和香农能量的隐半马尔可夫模型(Hidden semi-Markov model,HSMM)心音分割算法。首先采用小波降噪的方法对心音进行降噪,接着根据R峰和T波标记心音,提取香农能量包络等特征,然后对结合逻辑回归模型(Logistic regression,LR)的HSMM相关参数进行训练,并借助Viterbi算法推测出最可能的状态。最后,通过SVM模型识别第一心音S1和第二心音S2。该算法无需设置硬阈值,有效地抑制了噪声,更有助于包络的提取。实验结果表明,提出的算法分割精确度较参考算法得到显著的提升,具有良好的抗噪性能,取得了更好的分割效果。

基于TK能量算子和包络融合的心音分割算法

为了更有效地对心音按成分进行分割,实验采用一种基于Teager-Kaise能量算子(Teager-Kaise Energy Operator,TKEO)以及多包络特征融合的心音分割算法。首先,利用多尺度小波软阈值对PCG信号进行去噪,然后进行TKEO运算,由于TKEO对瞬时能量变化极其敏感,可以有效提取包络峰值,得到TKEO信号。其次,对TKEO信号提取归一化香农能量包络和维奥拉积分包络,计算出两者包络与TKEO信号之间的皮尔逊相关系数,根据相关关系进行融合。然后,用区间搜索法对包络进行峰值搜索,并且对搜索结果的方差进行比较。最后,根据S1和S2的最大持续时间消除伪峰。用PhysioNet-2016数据集对所提算法进行测试,实验结果显示平均精确度为0.922,证实了该算法能较有效地对心音信号进行分割,为临床环境下采集的心音信号的特征提取与分析提供了新方法。

基于多特征融合网络的心音分割方法研究

目的 提出一种基于多特征融合网络的心音分割方法。方法 研究资料来源于2016 CinC/PhysioNet数据集(来自764例患者的3 153段记录,男性约占91.93%,平均年龄30.36岁)。首先从时域与时频域中分别对心音进行特征提取,再通过特征降维的方法减少输入的冗余特征;然后经过特征选择分别找到两个特征空间中性能最佳的特征;利用多尺度空洞卷积、协同融合和通道注意力机制实现多特征融合;最后,将得到的融合特征送入双向门控循环网络(BiGRU)实现心音分割。结果 本方法在测试集上得到的心音分割精确率、召回率与F1值分别能达到96.70%、96.99%与96.84%。结论 本文提出的多特征融合网络具有较好的心音分割性能,能够为设计以心音为基础的心脏疾病自动分析提供高准确率的心音分割技术支持。

基于DHMM的低心率变异性心音的分割方法

针对现有心音定位分割方法精度有限的难题,提出了一种对心率变异性较低的信号建模分割方法。首先,通过集合经验模态分解(Ensemble empirical mode decomposition,EEMD)使用有效的本征模态函数(Intrinsic mode function,IMF)分量来表征心音信号,提高心音信号的可分析性;然后,通过基础心音与非基础心音间的高斯约束关系建立高斯混合模型(Gaussian mixture model,GMM);接着,优化隐马尔可夫模型(Hidden Markov model,HMM)并建立基于时间相关性的隐马尔可夫模型(Duration-dependent hidden Markov model,DHMM),更简洁地描述分割模型,降低算法复杂度;最后,通过时域特征区分出s1,收缩期,s2和舒张期。将本文算法与经典Hilbert算法和逻辑回归的隐半马尔科夫模型(Logistic regression hidden semi-Markov model,LRHSMM)算法进行了对比,实验结果表明,本文算法的检出正确率和运算耗时等评价指标更优。

基于非平稳系统辨识的心音包络自适应分割

为实现心音信号的有效分割,提出一种基于非平稳系统辨识的心音信号特征包络自适应分割方法。根据非平稳系统辨识原理,提取心音信号特征包络并对包络作平滑与展宽处理。基于重尺度小波降噪信噪比与特征包络均值参数,创建自适应阈值函数进行心音信号分割,同时利用包络与时域特征剔除因噪音及杂音引起的错误分割点。实验结果表明,该方法能够有效提取基础心音信号特征,分割精度达到89.21%,相比维奥拉积分包络分割法、改进型希尔伯特-黄变换包络双阈值分割法等对比方法分割精度更高、实时性更强。

基于持续时间隐马尔可夫模型的心音分割算法

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。

基于分割的自适应特征提取诊断心音方法

针对心音特征具有随其可分割性而改变的性质,提出一种基于心音分割的自适应特征提取算法,进而创建一种创新型的心脏病诊断系统。其创新点主要体现在:基于短时修正希尔伯特变换的第一复杂心音(CS1),第二复杂心音(CS2)或完整心音(CS)的自适应分割提取;基于分割心音的自适应频率特征FF1或FF2提取;基于主成分分析的多尺度特征[γ11、γ12]和[γ21、γ22、γ23]降维处理。实现此研究目标的2个阶段概括为:① 自动统计分析两个连续峰值之间的时间间隔,以此来确定心音的可分割特性;② 基于心音分割的自适应特征提取以及降维处理。通过在线数据库和临床数据库中提取的心音特征的散点图对系统性能进行初步评估验证。

基于毫米波雷达的心音检测

心音信号的分割是心音分类和心杂音分析的基础,也是实现自动心音分析系统的关键。利用线性调频(LFM)毫米波雷达提出一种基于双特征的心音分割方法。首先通过LFM毫米波雷达获得被测试者的心音信号;然后提取出心音信号的一阶导数特征和频率包络特征,通过最大类间方差法计算特征阈值,将心音信号在时域上初步分割为第一或第二心音部分以及非心音部分;最后根据不同心音的生理特征,完成第一心音(S1)和第二心音(S2)的识别及心音信号的最终分割。实验通过毫米波雷达采集的不同受试者的心音数据对提出的算法进行了测试,提出的方法得到的平均F1分数为(90.49±2.30)%,而基于逻辑回归的隐半马尔可夫模型(LR-HSMM)算法得到的平均F1分数为(83.09±2.31)%。实验结果表明提出的方法具有更好的心音分割效果。

一种基于模板匹配的复杂心音定位方法

对心音的定位分割是心音处理的重要步骤之一。对于先心病患者的心音,由于受到严重的心脏杂音干扰,很难通过常规的包络或能量提取方法定位分割。根据心音特征提出一种模板匹配算法以对复杂的病理心音定位分割。该方法首先通过相关度检测和STFT变换生成第一、第二心音模板,采用该模板对模板化后的病理心音进行匹配,最后对匹配结果通过矫正算法分割定位。通过对标准心音数据库中68例实测数据和自采的57例数据分析,对于正常心音,该算法分割定位准确度达90%以上,对于先心病患者心音达到约78%,有效提高了定位准确度。