基于EMD的舒張期心雜音信號的分析與識別研究.pdf

1、隨著經(jīng)濟(jì)的快速發(fā)展，人類飲食結(jié)構(gòu)的不斷改變，心血管疾病的發(fā)病率和死亡率均在迅速上升，嚴(yán)重威脅著人類的健康和幸福生活。心音是由心臟機(jī)械運(yùn)動產(chǎn)生的振動信號，蘊(yùn)含著與心血管疾病有關(guān)的大量診斷信息，因此，心音分析對于無創(chuàng)診斷心血管疾病具有重要的價值。心音的分類識別作為心音分析領(lǐng)域中的一個研究熱點(diǎn)，其目的是利用分類器根據(jù)從不同心音中提取的特征參數(shù)判定所屬疾病類型，而目前心音的特征提取與分類方法大多數(shù)是基于心音信號線性時變或時不變模型，而心雜音作為

2、一種非線性非平穩(wěn)的信號，線性的分析方法勢必會忽視信號內(nèi)部的一些重要信息。因此，本文提出基于經(jīng)驗?zāi)Ｊ椒纸猓‥mpiricalModeDecomposition，EMD）的舒張期心雜音信號的特征提取與分類方法。
　　首先，在分析心音和心雜音產(chǎn)生的生理機(jī)制和臨床意義的基礎(chǔ)上，篩選舒張期心雜音信號作為實驗對象，從而有效的避免生理性雜音的干擾。針對適用于分析非線性、非平穩(wěn)性信號的EMD在分解過程中產(chǎn)生的端點(diǎn)效應(yīng)，提出比例延拓結(jié)合鏡像延拓的方

3、法給予抑制，數(shù)值信號和心音信號的測試表明該方法可以有效的減輕端點(diǎn)效應(yīng)對EMD分解的影響。
　　其次，在心音去噪方面，利用小波變換方法來實現(xiàn)，小波的三個重要參數(shù)小波基函數(shù)、分解層數(shù)和閾值通過3組實驗來確定；心音定位方面，在由希爾伯特變換獲取信號包絡(luò)的基礎(chǔ)上采用雙閾值的方法對心音準(zhǔn)確定位。在心音特征值提取方面，提出了基于EMD的特征提取方法：在EMD分解獲取固有模態(tài)函數(shù)（IntrinsicModeFunction，IMF）的基礎(chǔ)上，采

4、用互相關(guān)系數(shù)準(zhǔn)則篩選出主IMF分量（IMF1～I(xiàn)MF4），分別提取其Mel頻率倒譜系數(shù)（MelFrequencyCepstrumCoefficient，MFCC）、MFCC的一階差分系數(shù)（ΔMFCC）及Delta特征，將其組合形成3個特征向量MFCC、MFCC+ΔMFCC及MFCC+Delta，簡記為E+MFCC、E+M+ΔMFCC及E+M+Delta；針對EMD分解過程中的模態(tài)混疊問題而影響特征參數(shù)提取的準(zhǔn)確性，采用總體平均經(jīng)驗?zāi)Ｊ椒?/p>

5、解（EnsembleEmpiricalModeDecomposition，EEMD）代替EMD的方法來對心音信號進(jìn)行分解獲取IMF分量，對篩選出來的主IMF分別提取MFCC、ΔMFCC、Delta特征，經(jīng)組合形成三個特征向量MFCC、MFCC+ΔMFCC及MFCC+Delta，簡記為EE+MFCC、EE+M+ΔMFCC及EE+M+Delta。
　　最后，選擇具有通過較少樣本就能訓(xùn)練出較為可靠模型的隱馬爾科夫模型（hiddenMar

6、kovmodel，HMM）作為分類器，選取臨床采集到的正常心音和兩類舒張期心雜音（也即主動脈關(guān)閉不全和二尖瓣狹窄）作為實驗對象，訓(xùn)練樣本與測試樣本的比例為1:2，利用所提取到的特征向量來建立模型進(jìn)行心音的分類識別。最終實驗結(jié)果表明，所提出的2種特征參數(shù)提取方法的識別性能均優(yōu)于傳統(tǒng)的MFCC。同時為了進(jìn)一步驗證所提出的端點(diǎn)延拓方法的有效性，將其用于EMD分解提取特征參數(shù)，實驗結(jié)果表明，該延拓方法所獲得的識別率要高于未經(jīng)端點(diǎn)處理EMD方法的