论文部分内容阅读
心脏的舒缩运动中,由心肌收缩、心脏瓣膜开合以及血液撞击心室壁和血管壁等引起振动而产生了心音。心音中含有心脏各个部分如心室、心房、心血管、大血管及心脏瓣膜功能状态的大量信息,电子听诊可为心血管疾病的诊断提供有用的辅助信息。 为有效地挖掘蕴含在心音中的生理、病理特征信息,本论文从心脏和血流运动出发,探讨了心音的发源机理,充分利用现代信息处理技术对心音信号进行剖析,得到心音及其特征的全面解读。论文的主要工作包括以下几个方面。 首先,研究了以心电信号为辅助参考信号,通过QRS波和T波的定位,实现第一心音(S1)和第二心音(S2)定位的方法;在此基础上,把连续的心音信号分为单个心动周期,并在心动周期中实现收缩期、舒张期的划分以及S1、S2心音成分的辨识;通过研究心音的包络特性,定义了心动周期、心率、收缩期、舒张期、S1的时限、S2的时限、S1的强度以及S2的强度等心音的时域特征,实现了心音时域特征的部分量化;并以时域特征为主要依据,提出了S2的正常分裂、宽分裂和逆分裂三种情况的鉴别要点。 其次,探讨了心音功率谱估计、短时傅里叶变换、小波变换、希尔伯特变换等时频分析方法,对比了各种方法的优劣;利用功率谱估计定义了心音的能量-频率特征,实现了频率特性的部分量化;在此基础上,以时频分析为主要手段,讨论了正常S1和S2的频率分布特性,提出了对二尖瓣关闭不全、肺动脉瓣狭窄、主动脉瓣狭窄、室间隔缺损、三尖瓣关闭不全等心脏机械性损伤引起的收缩期杂音进行鉴别的要点。 针对心脏系统的非线性特性,采用代理数据法证实心音信号为确定的非线性系统产生的混沌信号;探讨了利用关联维数和李亚普洛夫指数两个非线性参数对心音信号的复杂程度进行定量描述的方法。通过对四种不同心音样本的关联维数计算,表明不同的病变心音关联维数有显著区别。 进一步,论文探讨了心音自动聚类识别方法。在心音的特征向量构成方面,充分考虑心音信号的复杂性,采用了Welch功率谱估计、归一化平均香浓能量分析、关联维数计算等多种方法从时域、频域及非线性动力学等多个角度分析心音并提取10个特征值形成特征向量;提出一种基于神经网络模型的智能识别系统,同时采用了贝叶斯估计方法对给定的神经网络进行训练,采用可逆跳转方法简化计算。实验表明该心音辨识系统对给定类别的心音能够实现高准确率的识别。 最后,就电子听诊系统的软硬件实现,论文特别针对心音信号的消噪预处理进行了深入研究。以典型的混沌方程为例,采用仿真手段分析了基于小波变换的软硬阀值、维纳滤波以及隐含马尔科夫模型三种消噪算法对噪声混沌时间序列非线性特性的影响,结果表明,基于小波变换的隐马尔科夫模型的消噪算法对信号恢复效果最好,关联维数和李亚普洛夫指数无显著改变;在此基础上,采用基于小波变换的隐含马尔科夫模型消噪方法对心音信号进行了消噪处理。 综上,本文对心音信号进行了多域分析,定量地提取心音和心脏杂音的强度、频率及发生时间特征,实现心音信号的半智能化分析和自动鉴别。使电子听诊技术能够提供比以往更多的心脏信息,进一步摆脱听诊技术对主观判断的依赖性,使它在心血管疾病的辅助诊断中发挥更大的作用,成为有用的诊断工具。