近年来心血管疾病发病率居高不下,而且死亡率极高,严重威胁着人类健康。心脏病是心血管疾病中最为常见的疾病,对其敏感准确的检测诊断具备重要的临床意义。本文针对一种常见的心脏病检测手段—心音听诊,研究从采集到的心音信号中提取/分割出心音的特征信号段,便于后续分析、分类及诊断。本文的主要工作如下:1.本文使用基于经验模式分解(EmpiricalModeDecomposition,EMD)改进的方法—集合经验模式分解(Ensemble empirical mode decomposition,EEMD),从采集到的心音信号中分解出本征模态函数(Intrinsic Mode Function,IMFs),从本征模态函数(IMFs)中选取出利于分割的信号成分。此过程中,由于EMD在分解的过程中会出现端点效应,本文分析和对比了多种方法,提出了波形匹配和比例延拓相结合的方法来抑制端点效应,并且根据正交性来评判分解结果的好坏,实验证明改进的波形匹配法相比于其他方法在抑制端点效应方面更优。对于从分解出来的IMFs中选取哪个IMF作为分割依据,本文提出了自己的方法,即选取过零点个数在50—250范围内相关系数最大和次大的IMF分量。如果存在两个IMF分量则根据分割结果求S1、S2平均时长,选取S1平均时长接近122ms、S2平均时长接近92ms的IMF分量,实验结果证明该方法选取准确率比根据最大相关系数的方法选取的准确率提高了 8%以上。2.在上述选择的IMF基础上,进一步提取信号包络。本文对常见的几种提取心音信号包络的方法进行分析、实验、对比,最终选用希尔伯特变换的方法来提取信号包络。3.对上述提取的包络信号,进一步尝试分割。通过对已有的分割方法的实验、对比和改进,本文提出了双阈值法和极值点相结合的方法对心音信号分割,相比于双阈值法提高了分割精度。4.最后,本文就上述分割结果与前人基于隐马尔可夫模型(HSMM)的心音信号分割方法进行了对比分析。从实验结果可以看出两种分割点误差在5ms范围之内,相对于平均一个心音周期800ms,误差在±1%范围内。但是HSMM训练集需要使用ECG信号对PCG信号的峰进行标记,而且HSMM需要对模型进行训练,因此需要海量的数据支撑。而EEMD的方法是直接对波形进行处理,不需要ECG信号标记。