导读:本文包含了心音识别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:心音,变异性,信号,算法,分解,包络,特征。
心音识别论文文献综述
周克良,王佳佳[1]（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[2]（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）
周克良,王佳佳[3]（2019）在《基于LMS-PNN算法在心音识别与预测中的应用》一文中研究指出传统的概率神经网络(Probability neural network,PNN)具有很强的容错性、学习过程简单、训练速度快等特点。为提高传统PNN在心音分类方面的性能,利用最小均方(Least mean square,LMS)方法对其进行优化,进而提高心音分类与预测的准确性。LMS-PNN算法对心音的信号运用窗函数进行分帧,利用双门限法确定数据IS的值,运用LMS方法对相应的参数进行调试,并将去噪后的数据以mat格式保存,提取出各个心音的短时自相关系数以及短时功率谱密度,并运用PNN,抽取40 000个样本数据进行训练,并对各心音进行等级划分与预测。从PNN的模式层输入训练数据后,由实验数据验证可知,LMS-PNN算法的预测准确率可达96%以上。(本文来源于《数据采集与处理》期刊2019年05期）
陈刚,叶继伦,张旭,陈苹,刘杰[4]（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）
王维[5]（2019）在《心音诊断信息自动识别方法研究》一文中研究指出心音诊断信息是心音中可用于诊断个体心脏或身体其他部分病理情况的信息。由于在临床听诊时,医生只能对病人当时的心脏跳动情况进行分析,极易因病人当时的情绪、身体动作等引起心脏跳动方式的改变而产生误判。因此,长时间记录的心音信号已受到重视。但对于长时间心音信号的识别,其工作量无疑是巨大的。考虑到机器学习以及深度学习算法的优良特性,本论文将深度学习算法、机器学习算法与心音诊断进行结合,研究了高效识别异常心音的过程和方法,主要研究内容包括:首先,为了研究深度学习网络对心音信号的识别,将心音信号转为二维图像,利用深度学习网络进行训练建模。图像的转换涉及两种方法,一种是常见的语谱图格式,另一种是MFCC(Mel-frequency Cepstrum Coefficient，MFCC)特征图格式。其次,针对图片数据进行网络的搭建以及相关参数的调整,直接利用卷积神经网络对这两种格式的图片进行分类。进一步地,通过抓取网络中部分层次提取的特征,并使用机器学习分类器对提取的特征数据进行训练、分类,对比分析实验结果。接下来,为了进一步提高对心音的识别能力,选择对心音信号进行多特征的提取。为了避免由于心音信号的不正确分割而导致后续处理过程的性能受到影响,本论文选择不对心音信号进行周期性的分割。因心音信号是非平稳信号,选择只对心音信号进行常规的分帧操作,以保证每一帧信号近似为平稳信号便于处理。对每一帧信号提取6种特征参数,共18维。利用机器学习分类器对特征数据进行分类识别,并进行多组对比实验,通过对比多个评估指标,选择出了在本论文所选用的数据集上表现最优的模型XGBoost。最后,根据信号特征的数据分布特性,将特征进行分开处理,使用高斯混合模型对MFCC特征进行处理,将处理后的结果作为MFCC特征数据的权重,并与非MFCC特征组合,得出了本论文实验结果中的最佳实验结果。(本文来源于《电子科技大学》期刊2019-04-01）
张文杰[6]（2019）在《不同心循环结构先验条件下的心音特征提取与识别研究》一文中研究指出心音信号作为心脏运动产生的一种生理信号,蕴含着心电图不可替代的人体心血管健康状况信息。通过对心音信号的分析和学习,能够为心脏疾病病情的诊断和监测提供决策依据,具有重要的社会效益和经济效益。心音信号是由一系列心循环构成的准周期信号,其中反映不同类型病理信息的心杂音通常出现在心循环的不同位置上。在已知心循环结构的条件下,按照信号的时序结构,往往能够提取出有效的特征来进行心音分类。然而准确的划分出心循环结构难度大、成本高,有时只能在心循环结构未知的情况下开展心音特征的提取与识别研究。同时,在许多应用场景中仅关注心音是否异常,而不区分具体的异常类型。对这类识别任务,即使没有心循环结构的划分信息也能开展工作。因而也有必要研究在心循环结构未知条件下的异常心音识别问题。近年来,大量学者分别在已知和未知心循环结构这两种不同条件下,对心音特征的提取与识别方法展开了相关的研究工作。虽然这些研究工作取得了一定的进展,但是由于心音信号的复杂性,仍然存在许多问题有待解决。本文针对目前在心循环结构已知条件下,对时序较一致的信号内容仍缺乏具有较强区分性和结构性的心音特征,以及在心循环结构未知条件下,特征易受信号时移影响而难以匹配的问题展开研究,其主要内容及创新工作如下:(1)在心循环结构已知条件下,针对已有方法所提取的心音特征区分性差的问题,提出了一种有效利用样本类别信息的判别式特征提取方法。通过使用偏最小二乘法寻找使心循环和类别标签具有最大相关性且方差最大的投影方向,来获得更具可分性的特征。进一步考虑到特征线性不可分的情况,将其映射到高维的线性可分的核空间中,从而在该核空间中使用核偏最小二乘法提取特征,以增加特征的区分性。实验结果表明,所提出的偏最小二乘特征提取方法具有更好的分类性能,且通过核方法能够进一步的提升分类性能。(2)在心循环结构已知条件下,针对传统的心音特征对心音信号的不同成分在心循环内的时频结构及其相对位置信息表示能力差的问题,提出了保持心循环完整时频结构的特征提取方法。通过使用张量分解方法对心循环结构内的时频谱特征按时域和频域方向同时进行降维,从而得到保持其时频结构的具有更好表示能力的特征。进一步,在张量分解过程中通过Fisher判别准则和偏最小二乘准则引入心音类别信息,以增加特征的区分性。实验结果表明,所提出的张量分解特征提取方法具有更好的分类性能,使用Fisher判别准则或偏最小二乘准则能够进一步的提升分类性能。(3)在心循环结构未知条件下,针对现有的时移不变心音特征提取方法没有充分考虑信号自相关信息之间的相互关系,从而不能精细反映心音各子带及其自相关各阶次特点的问题,提出了基于子带自相关时延域依赖的特征提取和异常心音识别方法。通过对心音信号的各个子带使用平均幅度差函数来得到在时延域上具有一定的长短时依赖关系的子带自相关特征。进一步使用长短时记忆网络对此依赖关系进行建模,得到精细反映心音特点的子带自相关建模特征。实验结果表明,所提出的方法得到的建模特征具有更好的异常心音识别性能。(4)在心循环结构未知条件下,针对以往的心音特征提取方法不能同时兼顾局部重要信息和时移不变的问题,提出了具有时移不变性的局部时频结构特征提取与异常心音识别方法。通过使用卷积神经网络逐层提取心音时频谱的局部特征,并对最后卷积层使用时域最大池化方法来获得特征表示,从而在保留最重要局部信息的同时,也消除了时移的影响。实验结果表明,所提出的局部时频结构特征提取方法具有更好的异常心音识别性能。(本文来源于《哈尔滨工业大学》期刊2019-03-01）
曹春雷[7]（2019）在《基于语谱图特征的瓣膜病心音信号识别研究》一文中研究指出心音是由于心脏及其周围各器官在进行机械运动时产生的一种生物信号,它包含着人体中大量的生理以及病理信息,在一定程度上能反映心脏系统的健康程度。因此如何从心音信号中提取有效的信息来区分不同心脏疾病类型,俨然已经成为一个重要的问题。基于此,本文首先把经过预处理后的瓣膜病心音信号转化成不同种类的心音语谱图,然后通过提取心音语谱图的特征量来对几种瓣膜病心音信号进行分析,最后采用支持向量机作为心音信号分类器来对不同类型的心脏进行分类识别。其中论文的工作主要包括以下几部分内容。(1)心音信号的预处理:在对患有心脏瓣膜病的患者心音信号采集过程中,不可避免的会收录到一些外在的杂音,进而导致有用的心音信息特征不明显等状况。为了更好的提取到不同瓣膜病心音信号的原始特征,本文采用小波去噪的方法来对不同瓣膜病心音信号进行去噪。实验中首先比对正常心音信号与不同瓣膜病心音信号的原始特性,为了尽可能的保留原始心音信号的有效信息,达到相对较好的去噪效果,本文利用在各层级的能量方差和最大的Coif5小波来对瓣膜病心音信号进行处理,并通过对比Coif5小波分解层数的效果来选择分解层。在消噪过程中本文的创新之处在于结合软硬阈值的特点来构造一种新的阈值来与小波系数进行比较处理,新的阈值在去噪过程中既克服了硬阈值去噪产生跳跃点的问题,又克服了软阈值去噪产生偏差的问题。实验证明,此种方法在一定程度上能对瓣膜病心音信号起到去噪的作用。(2)心音语谱图的获取:经过采集得到的心音信号属于一维信号,从一维的角度对心音信号进行分析虽然可以明显的观察出几种心音信号在幅值、频率等方面的不同,然而对于一些心音信号所独有的细节特征却不易观察到。而如果将一维心音信号转化成二维心音语谱图进行分析,这些在一维中不容易观察到的信息就可以在图像上表现出来,因此从二维图像的角度出发对心音信号进行分析将对心音信号的特征提取与分类识别提供一定的思路与想法。作为一种非平稳的信号,一维心音信号在转化成二维心音语谱图的过程中需要经过加窗处理。本文在选取窗函数时,通过比较几种窗函数的优缺点,选择具有主瓣宽,旁瓣高度低等特点的汉明窗来对心音信号进行加窗处理,在处理之后,对心音信号进行短时傅里叶变换,转换成二维图像,得到了心音信号灰度语谱图。(3)心音语谱图特征向量的获取:基于瓣膜病心音信号类型与心音语谱图纹理分布的密切相关性。提出了一种基于改进型局部二值模式(LBP)的图像特征提取算法对几种不同瓣膜病心音信号进行特征提取。实验发现采用传统的局部二值模式算法来对瓣膜病心音信号进行特征提取,其识别效果相对其他特征提取算法并没有优势。因此本文引入了同样能提取图像特征的完全局部二值模式,并将完全局部二值模式进行改进后,将其与局部二值模式进行结合来对心音语谱图进行特征向量的提取。实验证明,文中提出的语谱图特征向量提取方式更能用来表征心音语谱图所具有的特点。(4)瓣膜病心音信号的分类:本文在对提出的算法进行效果验证时,选择了正常心音信号和几种瓣膜病心音信号作为训练样本,并选用支持向量机作为分类器来对几种心音信号进行分类识别。为了选取合适的心音信号分类器参数,选择线性核函数、径向基核函数、多项式核函数、以及S型核函数等四类核函数进行训练,最终通过比对效果选取识别率最高的多项式核函数作为SVM核函数。实验证明,此种算法对瓣膜病心音信号的分类效果较好,相对于其他几种特征提取算法识别率明显提高,为临床上心血管疾病的前期治疗诊断提供了一种新的思路。(本文来源于《东北师范大学》期刊2019-03-01）
王悦[8]（2018）在《基于心音HRV和DSV的情绪识别系统》一文中研究指出基于生理信号的情绪识别是一个相对比较新和快速增长的研究领域,目前已经有多种生理信号成功应用于情绪识别。心音作为一种重要的人体生理信号,直观反映心脏的跳动情况,而心脏的运动情况与情绪息息相关,所以心音能一定程度上反映情绪变化。但是国际尚无根据心音进行情绪识别的先例,该课题创造性地将心音应用到情绪识别中,构建了一个基于心音HRV和DSV的情绪识别系统。首先,介绍自主设计制作的实验平台,制定情绪心音采集实验方案,初步建立起一个小型情绪心音库。被试通过视/音频刺激,分别体验放松、平静、高兴、愤怒4种基本情绪,采用肩戴式心音采集器全程记录被试的情绪心音信号,并且同步记录被试心电进行对比。其次设计了一种基于模板选择的心音预筛选与分段算法,自动筛除那些受到笑声、哭声、说话声等强噪声干扰的情绪心音,并对通过预筛选的情绪心音进行精确分段,方便后续计算心音HRV、DSV指标。该算法主要工作包括:(1)优化基于混沌特征的复合心音发生模型的部分参数,建立一个完备的心音模板库;(2)进行心音预筛选,避免无意义的分段操作;(3)对通过预筛选的心音信号进行精确分段。该算法能有效维护情绪心音库,只有分段准确率为100%的心音信号才能最终留在情绪心音库中。然后,根据心音信号特点,提出两项情绪心音评价指标——心音HRV和心音DSV(舒张期/收缩期比值的变异性),并设计了一套心音情绪识别指标体系,对这两种指标进行客观评价。评价过程包括:(1)对心音HRV、DSV和心电HRV进行特征提取(2)利用GA算法进行特征选择,计算各指标线性、非线性、图形特征的权重指数(3)根据权重指数大小选择最优特征组成最优特征子集进行情绪的分类识别。实验结果表明:(1)心音HRV、心音DSV与心电HRV一样是一种有效的情绪评价指标,对同类情绪的表征有相似的效果;(2)使用叁种情绪评价指标进行效价识别、唤醒度识别和效价-唤醒度综合识别,心音HRV的识别效果最好,平均分类准确率最高可达94.7917%、90.625%、80.2083%;(3)将心音HRV、心音DSV的特征组合在一起进行情绪识别,效价识别、唤醒度识别和效价-唤醒度综合识别的平均分类准确率最高分别可达96.875%、88.5417、81.25%,说明将心音HRV和DSV组合在一起能取得更好的识别效果,DSV指标的提出具有重要作用。综上,基于心音HRV和DSV的情绪识别研究在人类情绪识别方面具有一定的实用价值。(本文来源于《南京邮电大学》期刊2018-11-14）
李爽[9]（2018）在《基于包络提取的心音信号识别与分类》一文中研究指出心音信号是人体最为重要的生理信号之一,与心脏疾病有关的各种信息常常反映在心音信号中.心音的改变和杂音的出现往往是器质性心脏病的最早体征;同时心音分析与心电图、超声心电图等检测方法相比,具有检测方便、无创、花费少等优点,因此对心音信号进行定量分析对于基础研究和临床诊断都有着重要的意义.本文主要研究了心音信号的包络提取方法与分割方法.主要研究内容如下:一、对心音信号进行预处理.首先,为了减少后续分析的数据处理量,对心音信号进行了重采样;其次,分别采用巴特沃斯带通滤波和小波阈值去噪两种方法来去除心音信号中不同频率的噪声;特别的,由于心音信号是近似周期性的,本文提出一种新方法来获得强度大小和长度统一的心音信号,为后续的分段和识别作准备.二、提出一种新的包络提取模型,该模型与现有的包络提取方法相比,具有明显的优势.对单分量信号而言,由该模型得到的上下包络能够保证其对称性.经验模态分解的固有模态函数是单分量信号的经验模型,所以本文将新的包络模型与经验模态分解相结合,对可表征心音信号的固有模态分量进行包络提取,从后续的心音信号分割结果可看出新方法的优良特性.叁、在特征提取方面,本文基于第四章提出的包络模型,提出一种新的心音信号分割方法,该方法包括心动周期估计和心音分割两步.先对心音进行心动周期估计可以保证后续分割过程中出现较大偏差时能够及时的进行纠正,提高分割准确率.然后通过分割来提取时域特征.此外,本文还提取心音信号的频域特征和小波系数能量特征.实验表明,基于该联合特征能够达到很好的分类识别率.(本文来源于《河南大学》期刊2018-06-01）
吴超[10]（2018）在《基于EMD关联维数的先心病心音特征提取与分类识别研究》一文中研究指出心音是一种常见的人体生理信号,能准确地反映心脏的整体运行状态,通常是判断心脏是否健康的主要依据之一。心音听诊是诊断先心病的主要依据,但听诊容易受到环境和听诊医生等主观因素的影响,而超声心动图是诊断是否患有心脏病的最有效方法,但对于偏远地区的患者来说因设备昂贵难以负担起医疗费用。因此,针对心音进行特征分析处理对先心病的诊断具有重要的意义,同时对实现机器辅助听诊也提供了新的思路,方便于先心病的诊断。心音属于一种非线性、非平稳性随机信号,本文采用分形原理对心音进行分析,充分揭示该类信号的内在特征,着重对心音特征参数的研究,了解心脏的运行机理以及结合正常和异常心音的特点。本文的主要研究工作为:1.心音信号预处理工作。采用小波分析法消除心音的噪声,然后利用希尔伯特变换法提取心音的包络,最后对提取的包络采用采用双阈值法进行分段定位,从而确定心音的心动周期。2.心音信号的经验模式分解(Empirical Mode Decomposition,EMD)。将心音分解成一系列的固有模态函数(Intrinsic Mode Function,IMF),分析各阶IMF分量的瞬时频率特性,准确地反映出原始信号的细节信息,并采用互相关系数法对IMF分量进行筛选,得出IMF1~IMF5主分量。3.心音的特征参数提取。提取预处理后心音的IMF1~IMF5主分量并求出其关联维数作为特征参数,它的变化可以及时描述心音信号内在的变化规则和复杂程度,最后实验表明该参数在心音识别中取得不错效果。4.BP神经网络识别分类。建立BP神经网络模型,对提取的心音特征向量导入到网络中,进行分类识别,得出正常和异常心音的识别率。本文通过对366例先心病患者和正常人心音信号的分析,结果表明关联维数能较好的反映心音的细节信息包括变化规律并突出重点内容,采用BP神经网络识别,有效的对心音分类,对正常和异常心音识别率分别为84%和79.2%,平均识别率为81.6%。(本文来源于《云南大学》期刊2018-05-01）
心音识别论文开题报告
（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。
（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。
心音识别论文参考文献
[1].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
[2].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
[3].周克良,王佳佳.基于LMS-PNN算法在心音识别与预测中的应用[J].数据采集与处理.2019
[4].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
[5].王维.心音诊断信息自动识别方法研究[D].电子科技大学.2019
[6].张文杰.不同心循环结构先验条件下的心音特征提取与识别研究[D].哈尔滨工业大学.2019
[7].曹春雷.基于语谱图特征的瓣膜病心音信号识别研究[D].东北师范大学.2019
[8].王悦.基于心音HRV和DSV的情绪识别系统[D].南京邮电大学.2018
[9].李爽.基于包络提取的心音信号识别与分类[D].河南大学.2018
[10].吴超.基于EMD关联维数的先心病心音特征提取与分类识别研究[D].云南大学.2018
论文知识图
