论文部分内容阅读
目的生物医学信号模式分析一直是医学信号处理一个重要的问题。随着移动医疗技术、数字化技术的发展，在过去的几年里，生物医学信号研究的问题与方法不断增多，使用的方式、平台也越来越多，受到了很多大企业的关注。不久的将来将越来越多应用于社区医疗、家庭保健、临床监护等范围。但是，由于生物医学信号的特点决定了应用的复杂性与推广应用的难度。在医疗信息系统中，医学信号的处理包括了很多近似连续的周期信号，这类生物医学信号模式（Biomedical Signal Pattern：BSP）包括如心电、脉搏、心音、呼吸等等。近年来，不少学者一直在研究可以方便适用于一般家庭的医学信号采集和分析系统。在这类计算机辅助医疗系统中，有三个基本任务：[1]（1）信号在时域或频域基础上的定位和分割。（2）建立在信号分析和学习基础上的信号分类和识别。（3）基于医疗和临床诊断的统计分析和评估。在频域上，实际应用中经常需要确定频率和频率变异、频率分布等问题。而在时域上，判断时域的周期性及统计每个周期上所具有的共同特征，以此找出某些特征信号以及分类特征信息。例如，确定心电图中QRS波的复杂性、心律不齐以及分析异常心音等往往很有必要的。其中，信号分割是一个重要的基础工作。在实际应用中，信号分割完成后，显然模式描述就是接下来的一个重要任务，然后模式评估才可以完成。方法本文在比较全面阐述分析传统的评价方法的同时，提出了用状态表示方法（SRM）[2]分析BSP的一种全新方法。尽管SRM开始是作为一种评估结构健康监控系统（SHMS）的新型评估方法提出的，但该方法同时也可应用于BSP。首先简单的介绍几种传统方法的比较，同时也比较了与SRM相似的一些主流方法，主要包括支持向量机(SVM)、响应曲面法(RSM)等。本文侧重于介绍如何用SRM来分析BSP，对BSP的描述是最重要的问题之一。结果以心音为例，基于小波理论[1]的方法可以实现对心音信号的分割，然后，对心音信号的特征分析可以通过频率切片小波变换（FSWT）来实现，提取信号的时频特征。通过SRM建模方法，可以进一步建立评估模型，从模型的描述中我们可以比较出人与人之间的差距。本文列出了许多研究的问题与方法，同时对SRM运用到BSP中的主要步骤做了介绍，将SRM与FSWT相结合可以作为分析BSP提供一种新的方法。结论借助系统状态描述方法的核函数工具和尺度工具，以系统的角度去分析描述BSP，其分类结果与临床的评价方法有较好的一致性，表明系统状态描述方法能够有效的运用于BSP的评价，为今后的BSP评价提供了一种新的评价思路和方法。