心音检测和分析是了解心脏和血管状态的一种重要且经济的手段,心音具有心电不可取代的临床价值。心电分析是心脏变时性和变传导性的最佳监测方法,但不能用来检测心脏的变力性。第一心音的幅值是心肌收缩能力的标准量度,因此可以用心音图来对心肌收缩能力进行评估。要获得幅值参数,首先要对心音成份进行识别。本文在总结传统研究方法的基础之上,对心音的分析和识别算法作了一些改进,并用实验和模型验证了其有效性。由于在心音的采集过程中,噪声的引入是不可避免的。要准确地识别心音成份,首先需要对采集到的心音样本信号进行去噪处理。针对心音的非平稳性,本文引入了自适应滤波方法进行去噪。而自适应去噪需要一个参考噪声作为输入,回到原来的采集环境中再单独提取噪声又是不太现实也不经济的。在这里本文又引入了数学形态学理论,利用它提取了心音信号的包络,然后合成了自适应滤波需要的参考。这样得到的噪声信号虽然在心音成份部分不能保证与原心音中的噪声相关,但在心音间隙期二者是强相关的,利用这种相关性,在这里滤去间隙期的噪声信号,得到了分界更清晰的心音图,为心音成份的识别打下基础。在Simulink仿真建模工具中建立了自适应心音去噪的模型,使用合成的参考噪声作为自适应滤波器的输入对心音进行了滤波,通过理论分析和实验验证,取得了预期的效果。由于这种方法并没有去除心音成份上的噪声,其目的是使心音成份与心音间隙期的分界更加明显,方便识别,所以这一过程称之为预去噪。对去噪后的心音信号,本文进行了短时傅立叶变换,不同长度的时间窗对应了不用的时频分辨率。从中选取了时间分辨率很高的频谱数据,将频率轴压缩得到了心音的时域能量包络图。从这个图上可以很直观地观察出心音成份的时域分界。结合传统的差分法和医学常识,使用心音的时域能量包络数据对心音成份进行识别。识别结果证明了这种方法是可行且高效的。要评估一个人的心力储备,就要提取第一心音的幅值参数。对同一心音记录来说,第一心音都来自同一信号源,彼此之间是相关的。于是本文采用自适应的方法利用前一个第一心音去估计下一个第一心音,这样就把预去噪过程中不能去除的第一心音上的噪声滤除了。模型的运行结果表明,去噪后的第一心音幅值相对与混有噪声的第一心音幅值而言,更加接近真实值,说明了在实际应用无法获得第一心音真实幅值的情况下,可以用去噪后的值代替或近似真实值。