心脏生理信号分析是开展心血管病早期无创诊断的主要方法之一,通过解析信号中蕴含的心脏病理生理信息,以多模态特征反映心脏功能和结构状况,并挖掘相关的心血管疾病早期诊断线索,建立相应的疾病诊断方法,是生物医学工程领域的重要研究方向。慢性心力衰竭已成为心血管疾病防治中面临的重要问题,是沉重的医疗和社会负担。它是由心脏结构或功能异常致使心室充盈或射血能力受损的一组复杂临床综合征,伴随着代偿性心脏扩大或肥厚及其他代偿机制参与,其发病初期症状发展缓慢且较容易忽视,由于慢性心衰病情的发展具有不可逆性,对慢性心衰的病程进行客观的分期诊断,包括早期诊断,对改善其预后效果具有重大意义,但现有的临床检测与诊断方法,缺乏从心力检测角度进行慢性心力衰竭诊断,且尚不能提供客观的心衰分期诊断依据。慢性心衰发生时心功能失常的最重要的方面不是在静息状态下观察到的心脏性能的抑制,而是心脏储备的降低,早期表现为心肌收缩力的亚临床病变和心肌收缩力与外周循环阻力关系变化。本文基于心音-心力关系理论基础,从心脏变力性分析的角度开展慢性心力衰竭分期诊断方法研究,以心音短时特征提取和心音幅值特征序列动力学分析,探究心肌收缩力、外周循环阻力及其相对关系在慢性心衰发生和发展过程中的变化规律,再通过统计分析和机器学习实现了基于心音的慢性心力衰竭分期诊断。本文旨在研究客观、便捷和快速有效的慢性心衰分期诊断方法,对实现客观的心衰分期诊断,进而改善心衰预后,具有重要的临床应用价值和社会意义,其主要工作如下:(1)开展了心音信号去噪新方法研究,提出基于多级奇异谱分析和压缩感知的去噪方法,将其分别与基于小波变换和经验模式分解的去噪方法相比较,在不同噪声水平下,定性和定量地评估其去噪性能。结果表明:本文提出的去噪方法既能有效的去除心音中的噪声成分,也能很好的保留心音信号的细节特征,适用于信号与噪声在时域波形形态或频域谱分布重叠的情况,且不需要知道噪声的先验信息。该方法为开展心音研究并获得准确有效的实验结果提供了技术保障。(2)开展了心音短时特征分析研究,基于时域、频域和非线性分析,探究了慢性心衰发生时和发展过程中,心音多模态特征的变化规律,研究了慢性心衰患者和健康人群之间心音短时特征的差异,以及心音短时特征与慢性心衰分期的关系。研究结果表明:慢性心衰发生发展过程中,心音信号中低频成分减少,相应的高频成分增加,心脏机械动力学系统运动的混沌性和复杂性呈降低趋势,心脏储备呈降低趋势。(3)开展了心音幅值特征序列动力学分析研究,通过对构建的心音幅值特征序列:第一心音幅值特征序列(S1序列)、第二心音幅值特征序列(S2序列)和第一心音与第二心音幅值比值时间序列(S1/S2序列)提取统计量特征、功率谱参数和Hurst指数,分析S1、S2及S1/S2在连续心动周期中的变异性和长程相关性,探究在慢性心力衰竭发生发展过程中心肌收缩力、外周循环阻力及其相对关系的变化趋势。结果表明:慢性心衰发生发展中,S1幅值的变异性增大,S1序列的长程相关性降低,心肌收缩力的稳定性降低,朝着紊乱的趋势发展;S2幅值的变异性增大,S2序列的长程相关性降低,随着心衰严重程度加重,肺静脉或体循环静脉淤血越严重,外周循环阻力的稳定性降低,波动性更大;S1/S2序列的长程相关性降低,随着心衰的加重破坏了心肌收缩力与外周循环阻力的相对平衡关系,使其变异性增大。(4)开展了基于统计分析的慢性心衰诊断方法研究,首先由主成分分析对心音特征集进行降维处理,消除特征间的冗余,得到优化后的特征投影集,再分别使用基于线性判别函数的Fisher分类器和基于概率统计的朴素贝叶斯分类器对慢性心衰进行诊断,最后采用受试者工作特征曲线分析各个心音特征用于慢性心衰诊断的最佳判别阈值。结果表明:基于Fisher线性判别函数的心衰诊断方法效果优于基于朴素贝叶斯分类器的心衰诊断方法,心音特征对慢性心衰的发生有一定的鉴别能力,但基于统计分析的诊断方法准确率有限。(5)开展了基于机器学习的慢性心衰分期诊断方法研究,分别采用K最近邻方法,人工神经网络、隐马尔科夫模型和支持向量机(Support vector machine,SVM)进行慢性心衰分期诊断,采用交叉验证法结合灵敏度、特异性和准确率等评价指标用于分类方法的性能评估和度量;并进一步分析了不同核函数和分类器参数的选择对SVM诊断性能的影响,测试了诊断特征集与诊断性能的关系,对基于SVM的慢性心衰分期诊断方法进行了优化。结果表明:可通过机器学习的方法对慢性心衰及其病程分期进行辅助性诊断。