导读:本文包含了心音信号论文开题报告文献综述及选题提纲参考文献，主要关键词:先心病,分类,机器辅助听诊,梅尔系数
心音信号论文文献综述
谭朝文,王威廉,宗容,潘家华,杨宏波[1]（2019）在《基于卷积神经网络的先心病心音信号分类算法》一文中研究指出心脏听诊是先天性心脏病(简称:先心病,CHD)初诊和筛查的主要手段。本文对先心病心音信号进行分析和分类识别研究,提出了一种基于卷积神经网络的先心病分类算法。本文算法基于临床采集的已确诊先心病心音信号,首先采用心音信号预处理算法提取并组织一维时间域上心音信号的梅尔系数转变成二维特征样本。其次,以1 000个特征样本用于训练和优化卷积神经网络,使用自适应矩估计(Adam)优化器,获得了准确率0.896、损失值0.25的训练结果。最后,用卷积神经网络对200个心音信号样本进行测试,实验结果表明准确率达0.895,灵敏度为0.910,特异度为0.880。同其它算法相比,本文算法在准确率和特异度上有明显提高,证实了本文方法有效地提高了心音信号分类的鲁棒性和准确性,有望应用于机器辅助听诊。(本文来源于《生物医学工程学杂志》期刊2019年05期）
周克良,王佳佳[2]（2019）在《二尖瓣心音信号降噪与识别的理论仿真》一文中研究指出为提高心音信号在临床医学上的识别准确度,提出双谱减法和粒子蚁群聚类SVM算法。采用双谱减法对二尖瓣心音信号通过滤波、傅里叶变换以及减法操作,得到降噪后的频域信号,将频域信号进行逆傅里叶变换得到时域信号,提取其信号的特征值,完成降噪处理。采用粒子群算法找出特征数据的局部与全局极值,确定初始聚类中心,通过蚁群聚类算法优化SVM,完成心音数据的识别处理。实验结果表明,粒子蚁群聚类算法对二尖瓣心音信号的识别准确率较高。(本文来源于《计算机工程与设计》期刊2019年10期）
成雨含,张友讯,戴世诚[3]（2019）在《四通道同步心音信号采集装置设计及特征识别》一文中研究指出为了实现先天性心脏病的快速筛查,文中设计制作了四通道同步心音信号采集装置,并对四通道先心病心音信号的分析提出了新的表征方法。首先讨论四通道同步心音传感器和先心病筛查设备的设计,然后根据心音的特点提出多通道心音信号并行特征的表征方法。在分析单路心音能量熵的基础上,重点讨论4路心音的能量熵特征集和互信息特征集,并且对能量熵特征集进行主成分分析,用相关系数作为互信息特征集的权重参数,最终获得多元优化融合特征数据集,这不仅实现了特征数据的压缩,而且给出分类识别所需的关键特征。分类实验结果表明,多路心音的并行特征表征效果明显优于单通道心音的特征表征效果,运用针对性强的特征融合策略对于提高先天性心脏病筛查速度和准确率具有积极的意义。(本文来源于《南京邮电大学学报(自然科学版)》期刊2019年05期）
刘翔,杨宏波,孙静,王威廉[4]（2019）在《基于变值模型的病理性心音信号可视化研究》一文中研究指出心脏听诊是心脏病初步诊断的重要方法,目前主要依靠临床医生来进行,通过变值逻辑在信号处理方面的方法,对心室中隔缺损病人的心音信号经过预处理后,对提取的信号包络进行一系列的逻辑变换,最终将其制成二维散点图和等高线图,在保持原信号特征基本不丢失的情况下,直观的将其特征反映在等高线图中,实验结果表明,通过对原始的正常人心音信号与心室中隔缺损病人的心音信号及预处理后各自对应的包络进行比对,并将其包络制成对应的二维散点图和等高线图,对正常人的心音信号和心室中隔缺损病人的心音信号有较好的区分效果。(本文来源于《计算机仿真》期刊2019年08期）
陈刚,叶继伦,张旭,陈苹,刘杰[5]（2019）在《心音信号的特征识别方法》一文中研究指出通过心音信号在时域上的特征,利用医学信号处理方法对心音信号进行去噪处理和心音段的包络曲线提取;然后在包络线上完成心音信号的特征点筛选,以及S1、S2信号段的起止点筛选,将心音信号分段处理,计算相关参数,将不同的心音信号进行分类。最后通过实验结果总结,为临床上心音信号的研究提供可以参考的诊断依据。(本文来源于《中国医学物理学杂志》期刊2019年06期）
董利超,郭兴明,郑伊能[6]（2019）在《基于CEEMD的心音信号小波包去噪算法研究》一文中研究指出针对传统心音去噪方法易将其部分高频有用信息作为噪声滤除而造成滤波后的心音信号失真及信息丢失的问题,提出了一种基于互补总体经验模态分解(CEEMD)的小波包变换去噪算法。首先通过互补总体经验模态分解将心音信号分解为从高频到低频的不同固有模态函数分量(IMFs),并利用自相关函数客观界定信号的模态分量范围;然后对噪声主导模态分量和混迭模态分量采用小波包变换进行滤波提取有用信息后,与剩余固有模态分量进行重构得到去噪后的信号。实验结果表明,改进的算法不仅可以去除心音中的噪声成分,明显改善心音信号的信噪比和均方根误差,而且能够有效保留信号的高频有用信息,且在不同噪声水平下的去噪性能均优于传统算法,鲁棒性较好。(本文来源于《振动与冲击》期刊2019年09期）
刘翔,孙静,王威廉[7]（2019）在《基于变值逻辑理论的心音信号一维可视化研究》一文中研究指出心脏听诊在心脏病初期诊断方面具有重要意义,国内外对心音信号从信号的角度分析已经做了大量的研究。文中将传统的心音信号经过预处理后,对提取的信号包络进行一系列的逻辑变换,最后通过一维数据处理将其制成一维折线图。在保持原信号特征基本不丢失的情况下,将其反映在一维折线图中,从而可以直接观察到不同病理性心音信号在对应的一维折线图中所表现出的不同特征。实验结果表明,该方法可以有效显示出心音信号的特征,能够较好地区分正常与病理性心音信号。(本文来源于《现代电子技术》期刊2019年10期）
陈培敏,田杨萌,王宏伟,王彩霞,郝少华[8]（2019）在《基于LabVIEW的心音和脉搏信号融合采集系统的设计》一文中研究指出针对心音和脉搏信号同时在线采集的目的,设计了一套基于LabVIEW的心音和脉搏融合采集系统。本系统采用微型驻极体话筒和医用听诊头采集心音信号,采用本学院老师自主研发的压电式传感器采集脉搏信号,硬件部分由传感器、滤波电路、NI ELVIS硬件平台和PC,软件部分由LabVIEW的前面板和程序框图实现。测试表明,基于LabVIEW的心音和脉搏信号采集系统实现了在LabVIEW前面板上心音和脉搏信号的融合采集和实时显示,并将采集到的30组心音和脉搏信号储存在文件夹中。(本文来源于《电子设计工程》期刊2019年09期）
王佳佳[9]（2019）在《基于优化的SVM心音信号分类算法的研究》一文中研究指出虽然医学上心音检测设备的精度不断提高,但是由于周围环境以及人体其他生理活动的影响,使得采集心音信号中混入杂音,影响了医学上对患者心脏病情的诊断。基于上述问题,本文研究了基于优化的支持向量机(SVM)的心音信号分类算法。本文首先运用经验式模态分解算法分析了心音信号与噪音之间的特征分布,得出结论:心音信号主要集中于低频部分,噪音主要集中于高频部分。针对特征分布特点,采用契比雪夫滤波器II型低通滤波器与谱减法的结合算法对采集心音信号数据进行降噪。其中,契比雪夫滤波器II型低通滤波器主要针对心音高频信号中的噪音。心音信号通过低通滤波器之后,对高频信号进行衰减,起到抑制作用。降噪之后的心音信号再次通过谱减算法,即用总的心音信号的谱能量减去噪音信号的谱能量,并进行傅里叶逆变换,便可得到降噪之后心音信号的时间序列。接下来,再次结合心音信号的波形,可得知正常心音信号的波形是由有P波、QRS波、T波叁种波组成的。当心脏出现异常时,其波形便会发生时间、周期的改变。据于上述现象,本文采用了Mel倒谱系数算法、倒谱基音检测法对降噪后的心音信号提取特征。由于传统蚁群聚类算法容易使SVM的惩罚因子和核函数参数陷入局部最小值、出现收敛速度慢等问题,本文考虑传统蚁群聚类算法的缺点,通过加入粒子群算法对传统蚁群聚类算法进行优化,解决了传统蚁群聚类算法收敛速度慢、陷入局部最优的问题。改进的SVM首先将其预测分类函数设定为目标函数。粒子群算法通过目标函数,根据惩罚因子和核函数参数初始值和范围,找出粒子个体局部极值和全局极值。通过设置初始聚类中心,蚁群聚类算法根据初始聚类中心与各个蚂蚁所散发的信息素浓度,训练粒子群算法个体局部极值和全局极值样本,找出目标函数的局部和全局极值参数的最优值。实验证明,粒子蚁群聚类支持向量机算法比传统的SVM更易找到样本中的预测分类函数的最佳值,使心音信号分类更加准确。改进的SVM算法仿真结果准确率可高达95.4023%,比传统SVM提高了9.1954%,同时可缩短训练时间、加快收敛速度。(本文来源于《江西理工大学》期刊2019-05-01）
吴超,刘卓,王威廉,张艳蓉[10]（2019）在《基于RaspberryPi的心音信号采集分析系统》一文中研究指出为了更好的采集心音信号,构建先天性心脏病心音信号数据库。本文设计一款便携式心音信号采集分析系统。使用RaspberryPi(树莓派)作为硬件平台,使用软件Qt设计,连接心音信号前端采集电路,实现对先天性心脏病(先心病)儿童的心音采集。系统能稳定的采集患儿的心音信号,且信号具有较高的质量。通过添加算法能实现对信号的视频音频同步回放、滤波器去噪和提取包络,系统采集的信号质量良好,能用来构建心音信号数据库。为后续研究心音信号特征提供数据来源。(本文来源于《计算机产品与流通》期刊2019年04期）
心音信号论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为提高心音信号在临床医学上的识别准确度,提出双谱减法和粒子蚁群聚类SVM算法。采用双谱减法对二尖瓣心音信号通过滤波、傅里叶变换以及减法操作,得到降噪后的频域信号,将频域信号进行逆傅里叶变换得到时域信号,提取其信号的特征值,完成降噪处理。采用粒子群算法找出特征数据的局部与全局极值,确定初始聚类中心,通过蚁群聚类算法优化SVM,完成心音数据的识别处理。实验结果表明,粒子蚁群聚类算法对二尖瓣心音信号的识别准确率较高。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
心音信号论文参考文献
[1].谭朝文,王威廉,宗容,潘家华,杨宏波.基于卷积神经网络的先心病心音信号分类算法[J].生物医学工程学杂志.2019
[2].周克良,王佳佳.二尖瓣心音信号降噪与识别的理论仿真[J].计算机工程与设计.2019
[3].成雨含,张友讯,戴世诚.四通道同步心音信号采集装置设计及特征识别[J].南京邮电大学学报(自然科学版).2019
[4].刘翔,杨宏波,孙静,王威廉.基于变值模型的病理性心音信号可视化研究[J].计算机仿真.2019
[5].陈刚,叶继伦,张旭,陈苹,刘杰.心音信号的特征识别方法[J].中国医学物理学杂志.2019
[6].董利超,郭兴明,郑伊能.基于CEEMD的心音信号小波包去噪算法研究[J].振动与冲击.2019
[7].刘翔,孙静,王威廉.基于变值逻辑理论的心音信号一维可视化研究[J].现代电子技术.2019
[8].陈培敏,田杨萌,王宏伟,王彩霞,郝少华.基于LabVIEW的心音和脉搏信号融合采集系统的设计[J].电子设计工程.2019
[9].王佳佳.基于优化的SVM心音信号分类算法的研究[D].江西理工大学.2019
[10].吴超,刘卓,王威廉,张艳蓉.基于RaspberryPi的心音信号采集分析系统[J].计算机产品与流通.2019