论文部分内容阅读
心音是心脏与血管的机械运动状态的反映,其中包含很多生理病理信息。由于心血管系统的复杂性,心音本质上呈现为非线性过程。如何从非线性的心音频谱中获取有价值的特征信息,成为心音分析中的一个重要课题。本文试图将奇异谱分析和经验模式分解结合起来来实施心音的频谱特性分析并利用支持向量机对其进行分类识别。论文的主要工作内容包括以下几个方面:(1)心音信号的预处理:因为心音信号极其微弱,当在强噪声条件下心音会被噪声掩盖,为避免噪声对心音的干扰所以在对其分析之前要进行消噪处理。本文利用奇异谱分析(Singular Spectrum Analysis,SSA)和噪声的特征对心音进行消噪。首先对信号进行奇异谱分析,根据噪声信号的随机性特征在各个方向的变化率都很小,所以噪声对应的奇异谱图很平坦。本文通过寻找奇异谱趋于平整的点找到噪声对应的奇异值,然后重构能够有效的从噪声中分离出心音信号。并结合小波消噪算法对心音信号进行仿真实验,与单独的小波消噪进行对比,结果表明该算法能达到较好的去噪效果。本文消噪方法的创新之处在于,是以环境噪声为分析对象,通过SSA方法并结合噪声的特征找到其对应的奇异值,然后把这些奇异值和其对应的特征向量去除实现心音的消噪。(2)心音特征参数的选取:根据正常心音第一第二心音(S1、S2)的频谱范围(20 Hz~150 Hz),把20 Hz到150 Hz范围内的能量占20 Hz到1000 Hz能量的百分比作为条件,找出20 Hz到150 Hz频段内信号成分对应的奇异值,在5%误差允许范围内,当能量比大于96%时这个奇异值对应的就是20 Hz到150 Hz频段内信号。除去20 Hz到150 Hz频段内信号之外的剩余部分信号的主要成分是中高频心杂音,对剩余部分信号运用经验模式分解(Emprical mode decomposition,EMD),得到一组固有模态函数(intrinsic mode function,IMF)。利用互相关准则筛选出主IMF,并对主IMF进行谱估计发现正常和异常心音剩余部分信号的成分存在明显差别,正常心音的成分在100 Hz以内的低频,异常心音的成分在100 Hz~300 Hz的中高频。然后计算主IMF 200 Hz~300 Hz频段内信号的能量与0~200 Hz的能量比,用医学统计软件SPSS对该能量比进行统计分析,结果显示对正常和异常心音IMF1~IMF3该能量比有统计性差异(P<0.05),最终选取IMF1~IMF3的上述能量比为特征参数。(3)心音的分类:选用Libsvm设计分类器,采用径向基函数作为核函数,并用K折交叉验证法寻找最优参数组,对心音样本数据进行训练和测试。实验证明该方法可以达到较好的分类效果,对正常心音和异常心音的分类准确率都达到了100%。