冠心病是常见的心脏疾病之一,大多是由冠状动脉器质性狭窄或阻塞引起的心肌机能障碍和器质性病变,严重危害着人类的健康,早诊断、早治疗是其防治的关键。当心脏冠脉早期狭窄时,患者一般未有痛感或者心电图检测未出现异常,因此研究一种能够检测出早期冠脉狭窄的算法非常重要。心音综合反映了心脏和心血管系统机械运动状况,反映了心脏各个部分及相互作用的生理、病理信息。由冠脉血液湍流导致的心脏舒张期杂音,蕴含着冠心病的病理特征。因此,舒张期心音信号的分析和研究对冠心病的智能诊断具有重要意义。本文主要研究了基于舒张期心音分析的冠脉狭窄智能诊断算法。通过分析舒张期心音信号的时频域特性与冠脉狭窄现象的关系,提出了基于多频率阈值下边际能量和希尔伯特振动分解(Hilbert Vibration Decomposition,HVD)的舒张期心音特征提取算法,构建了适于小样本的支持向量机,利用临床采集的心音信号,实现了冠脉堵塞的智能诊断,获得较好的诊断效果。本文的主要研究内容是:(1)阐述了基于心音分析的心脏疾病智能诊断的背景,分析了国内外学者对心音诊断技术的研究成果以及未来的发展趋势。(2)阐述了有关心音信号的基本特性,包括心音的产生原理、采集方式以及本文的实验环境和数据来源。重点介绍了冠心病的心音诊断机理,为冠心病的智能诊断提供理论依据和技术支撑。(3)提出了基于多频率阈值下边际能量的舒张期心音诊断算法。首先采用经验模式分解(Empirical Mode Decomposition,EMD)获取能够表征心音信号的固有模态函数(Intrinsic Mode Function,IMF)分量。其次研究希尔伯特变换的基本原理和算法步骤,利用仿真信号验证傅里叶频谱和边际能量谱之间的区别,采用边际能量谱获取多频率阈值下的能量比值特征。通过主成分分析法降维,去除冗余特征。最后,分析正常人和冠心病患者的舒张期心音信号。结果表明,多频率阈值下冠心病患者的舒张期心音信号的能量比值要高于正常人且具有显著性差异,表明能量比值能有效地揭示冠脉堵塞产生高频心杂音的信息。(4)提出基于改进的希尔伯特振动分解的舒张期心音诊断算法。首先研究HVD的基本原理,算法步骤和低通滤波器的参数。其次提出了自适应波形匹配的边界延拓方案,通过仿真信号验证有效性。然后将HVD后的不同组合谐波分量的瞬时频率均值作为特征。最后分析正常人和冠心病患者的舒张期心音信号。结果表明,冠心病患者的瞬时频率均值高于正常人且具有显著性差异。(5)构建了基于支持向量机(Support Vector Machine,SVM)的冠心病智能诊断算法。探讨了基于多频率阈值下的边际能量和改进的希尔伯特振动分解特征的诊断性能,得到较高的分类准确率。研究了特征级融合算法及性能,结果表明,特征级融合算法的分类准确率较高,实时性较好。本文实现了舒张期心音信号的分析和病理特征的提取研究,为心音智能诊断技术提供了新的思路,奠定了坚实的理论基础和有效的技术支持。