一种基于s变换的鲁棒心音分割模型.docVIP

一种基于s变换的鲁棒心音分割模型 摘要：本文介绍了一种新型的基于s变换的心音分割模型。心音信号的分割过程将心音信号分割成四部分：S1(第一心音)、收缩声、S2(第二心音)和舒张声。我们可以将其看成是心音信号自动分析的最重要阶段之一。本文提出的分割模型可以划分为三个主要模块：心音的定位模块，定位心音的边界检测模块和区分S1和S2的分类模块。本次研究提出了一种原始的心音定位方法。这种命名为SSE的方法用于计算局部频谱(通过心音信号的每个样本的s变换计算得来)的香农能量。局部心音的s变换中的能量密度可以通过窗口宽度优化算法进行优化。然后对SSE的包络进行重新计算，采用局部自适应阈值细化边界。为了区分S1和S2，本文采用了基于s矩阵的奇异值分解的方法进行特征提取。本文提出的分割模型的块在含有80种声音的数据库中进行评估，其中包括40种带有心脏病症的声音。 1.引言 心脏听诊是心脏诊断的基础。它采用一种简单、有效且低成本的医疗设备—听诊器，提供大量的有关心脏结构和功能的信息。听诊器发明于19世纪，这种声学器件多年来已被证明在生理检查和诊断心脏疾病方面极为重要。在过去的两个世纪里，听诊器进行了大量的改进，现已发展为能够记录和优化听诊信号的电子听诊器。 心音信号可以确保听诊数据的精确性，通过对于正常的心脏声音定位，为关注于心动周期病理体征的听诊活动提供进一步的信息。心音信号主要位于约10-750Hz的低频范围内。 听诊完全是依靠人耳对心脏声音进行分析以获取所有的有关心脏活动的定性的和定量的信息，它会受到诊断心脏的病理学临床医生经验的限制。类似于心音的时间定位、内部分量的数目以及心脏舒张和收缩的杂音这些信息可以直接从心音图上取得。为了对心血管疾病进行识别和分类，我们需要更加先进的方法和技术以及引入人工智能技术。 为了达到上述目的，我们可以考虑两种方法来改进电子听诊器： 带有嵌入式自主分析功能的听诊器，方便家庭病人和医护人员使用，以达到自我诊断和跟进的目的。 在听诊器上配一个主机设备或者进行复杂分析的服务器(连接到带有蓝牙链接的主机上)，方便专业人士的使用，以提高临床医学诊断的性能。 不论采用上述哪种方法，进行心音分析的第一步就是对心音信号的分割。对心音信号的分割处理是将心音信号分割成四个部分：S1(第一心音)、收缩声、S2(第二心音)和舒张声。首先实现S1和S2的定位，心脏的收缩声位于S1-S1间隔，舒张声位于S2-S1间隔。 识别这两个心动周期以及区分 S1和S2甚至是存在额外的心音或杂音是其中的第一个挑战。而后需要准确测量S1和S2，使得心脏杂音可以区别于喷射和反流杂音，从而被自动检测出来。 这个自动检测的步骤不需要借助心电图，它是基于信号处理工具，比如：可以看做是基于形态的能量转型信号的香农能量，其性能会因为噪声和杂音的存在而降低。基于高阶统计方法，香农熵、分形维数的方差、复发时间统计，所有的这些方法在有呼吸声干扰是都表现出良好的性能，但这不是有杂音存在的情况，而且这些方法的计算时间过长。用于提取心音信号包络的径向基函数(RBF)神经网络在低水平噪声信号存在的情况下仍然具有良好的性能，然而，在高水平噪声信号存在时，RBF的性能将有所降低。这并不奇怪，因为该方法没有经过任何的特征提取步骤就直接作用在心音信号上。为了解决这个问题，一种名为SRBF的方法被提出来用于心音信号的定位。这种方法将特征提取应用于从心音信号s变换矩阵到径向基函数神经网络，旨在提取心音信号的包络。相比于其它方法，该方法在灵敏度方面有显著的增强。 时频域会导致一种更强大的定位和分类方法，尤其是对于心音信号这样的非平稳信号。s变换来源于两个先进的信号处理工具：短时傅里叶变换和小波变换。可以将它看作是频率相关的短时傅里叶变换或者是相位校正的小波变换。对于心音信号分析，S变换已被证实比其它时频变换具有更好的性能。 本文中，我们提出了一种新型的基于s变换的心音分割模型。该模型可以被分成三个主要模块：心音的定位模块，定位心音的边界检测模块和区分S1和S2的分类模块。该模型的每个块总结如下： 本次研究提出了一种基于s变换的心音定位方法。该方法命名为SSE，用于计算香农能量，进而提取心音信号的边界，其中，香农能量是根据心音信号中每个样本的s变换获得的。 第二个模块包含了一种新的用于S1、S2边界检测的方法。局部心音信号s变换的能量密度可以通过窗口宽度优化函数进行优化，而后对SSE包络进行重新计算，采用局部自适应阈值细化边界。 采用基于s矩阵的奇异值分解的特征提取方法区分S1和S2。 本文提出的方法在含有80种声音(40种带有心脏病症)的数据库中进行评估。本次研究是在一位有经验的心脏病专家的带领下，以验证每种方法的结果为目的进行的。 文章的结构如下：第2部分描述了本次研究所用的数据库