论文部分内容阅读
心脏信号是人体重要的生理信号,心脏听诊是先心病初诊的主要手段,但听诊主要靠听诊专家经验而来,但仅仅依靠医生听诊,会导致判断结果不准确,不可避免发生误诊情况,所以对心音信号进行预处理、特征提取、分类识别等有利于先天性心脏病的诊断,本文希望能够通过信号处理、传统的模式识别、机器学习的方法去揭示先心病的潜在特征成分,为先心病的临床诊断奠定基础。本文的研究工作主要是以下三部分:1.心音信号的预处理。针对采集的心音信号会有噪声以及如何筛选心动周期信号的问题,提出一种基于提升小波新阈值函数的去噪方法;为了能够更好的筛选出心音信号中的有效心动周期信号,采用了一种结合归一化香农能量的维奥拉积分波形的方法对去噪后的心音信号提取包络后,利用双阈值方法进行分段定位处理,从而确定心音的心动周期,通过对每例信号提取的心动周期进行筛选加权平均后,确认最终心动周期信号。2.心音信号的特征提取。针对心音信号的非平稳、非线性问题,提出一种基于自适应完备噪声集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with adaptive noise,CEEMDAN)结合提取排列熵的特征方法,对筛选后的心动周期信号按照从高频率到低频率分解成若干个固有模态函数(Intrinsic Mode Function,IMF)分量,利用C_C算法对分解的各个IMF分量进行排列熵内的参数优化,最后对各阶IMF分量求其排列熵,构造成特征向量。3.分类识别研究:针对提取的排列熵特征向量数据的稀疏性特点,提出一种基于深度因子分解机网络的分类方法对正常、异常信号进行二分类识别,采用损失率(LOSS)、准确率(Accuracy)以及AUC(Area Under ROC Curve)三个指标来衡量深度因子分解机网络模型的泛化性能。本文对600例正常心音信号和600例先心病心音信号进行研究分析,实验结果表明:采用CEEMDAN和排列熵的方法提取心音特征组成特征向量,能够较好的反映出心音所包含的不同频率下的特征成分。采用深度因子分解机网络对心音信号进行分类识别,其损失率为0.213、准确率为0.887以及AUC值为0.902。