论文部分内容阅读
目前,心血管疾病严重威胁人们的健康生活,而心音信号中包含有人体的多种生理、病理信息,在临床诊断中尤为重要。现阶段医生对于心血管疾病的主要诊断依靠个人能力与经验,因此存在个体化差异。为了实现医疗诊断智能化,方便医生病情分析与诊治。本课题中研究的基于小波技术对心音信号进行降噪以及特征提取,并利用支持向量机算法对患病心音信号进行智能分类与识别,具有无创伤、低成本、判断标准化等优点,因此对于智能诊断具有重要的指导意义。本文的研究内容主要包括以下几个方面:首先,本文研究了心音的医学原理。为了减少数据处理量,提高运行速度,进行预处理即降采样和消除工频干扰。随后基于小波收缩技术提出一种心音信号降噪方案。首先依据频带相似匹配原则,分析心音信号频率特征和Haar、Daubechies、Symlets和Coiflets正交小波的特性,基于分析结果选取了Coif5小波并确定最优小波包进行分解重构。另外,提出一种自适应弹性阈值函数,并基于Heursure、Rigrsure、3δ等阈值规则比较了其在不同信噪比下的降噪效果。实验证明,该阈值函数性能良好,当信噪比小于50dB时,配合Heursure阈值规则能有效去除噪音。然后,进行心音信号的时域与频域特征提取。时域特征基于方差法原理,通过对第一心音和第二心音在整个心音周期中的位置来对获取其他特征参量。频域特征利用Welch方法对心音信号进行功率谱分析,并提取了最大功率谱密度、最大功率谱所在频点等特征参数。最后,采用支持向量机方法进行病理心音分类。以能量特征为依据对右室流出道狭窄疾病的进行分类识别,其识别率到达95.56%。对于肺动脉狭窄和二尖瓣关闭不全疾病以时域特征与能量特征进行识别,识别率到达90.67%。法鲁氏四联症以频域与能量特征进行识别,识别率到达91.67%。总之,研究结果证明利用小波技术能有效去除心音噪声且不失真,同时相对右室流出道狭窄、法鲁氏四联症等心脏疾病可以通过时域、频域、能量等特征进行有效识别分类。为后续基于心音信号的临床智能诊断研究提供重要参考。