论文部分内容阅读
心血管疾病是严重威胁人类健康的疾病之一,心音信号作为人体生理信号,能有效的反映出心血管疾病存在时所产生的各种信息。心音信号分析不仅能够辅助医生在相关异常心音的临床诊断提供参考依据,而且相对于心电图,具有无创、低成本、检测方便等优点。因此,心音信号的分析对理论基础研究和临床诊断都有着极其重要的意义。本文针对先心病和风心病识别分类准确率不高的问题,进行了心音分类算法的研究,研究内容主要包括以下几个方面:(1)正常和异常心音分类算法研究。本文提出一种基于小波能量谱的心音分类算法:首先对心音信号做离散小波变换,用于分析先心病和风心病病理性心杂音以及特定频带上的能量分布。根据病理性心杂音在频域内的分布范围特点划分5层频带,计算得到离散小波各层频带的能量占比。在此基础上,根据单因素方差分析提出心音分类的评价指标ISH,用于先天或风湿性心脏病异常心音分类。仿真结果表明,该算法无需进行心音分割,具有提取特征少且分类准确率高的优点。(2)先心病缺损孔径分类算法研究。通过计算先心病缺损孔径样本的小波熵、小波尺度熵、小波频带熵,以及多尺度排列熵,选用三种统计相关系数,将四种熵值分别与原始数据样本的孔径缺损数据作相关度比较,最终选取相关度最高的小波频带熵用于先心病孔径的缺损作分类。仿真结果表明,本文计算所得熵值可有效的表征由孔径缺损大小引起的心音信号的复杂程度和不稳定性,且小波频带熵能够有效的区分中小型、中型、大型先心病孔径缺损。(3)心音信号的机器学习分类算法研究。本文选取5种具有代表性的机器学习方法,首先将先心病和风心病信号分为训练信号和测试信号,然后提取出ISH指标和小波熵、小波频带熵、多尺度排列熵三种熵值特征,以及15种能够表征不同心音信号的时域特征,最后将其特征值输入到5种分类器,用于提高正常和异常心音分类、异常心音之间分类、单一室间隔缺损(Ventricular Septal Defect,VSD)和复合室间隔缺损分类以及先心病缺损孔径分类的最终准确率。仿真结果表明,机器学习算法用于心音信号的分类,能有效的提高心音信号的分类准确率。