摘要：为了提高小波分析在心音信号处理中的性能,在分析小波构造理论的基础上,构造了一种专门用于心音信号处理的小波基.首先提出一种构造滤波器长度为偶数的紧支撑双正交小波的一般方法;然后根据心音信号的特点,讨论心音小波的构造原则和一种基于心音小波族的心音信号合成模型,并且在此基础上构造出心音小波.为了突出使用心音小波处理心音信号的先进性和实用性,对心音小波进行了比较全面的理论和数值仿真分析.实验结果表明,相比常用的db,bior系列小波,运用心音小波对心音信号进行处理,能够获得更好的去噪效果、更精确的心音分类信息以及更小的重构误差率,为心音特征提取和身份识别的深入研究提供了一种新方法,在表征心音个体特征的细节方面具有积极的意义.本文根据应用对象设计专用小波的方法也为工程应用中小波基的选择提供了一种新途径.

摘要：为了有针对性地突出心音的某些特征,将心音信号用递归图的方式进行表征和识别。该研究讨论了心音与递归图的关系,给出适用于心音的递归图获取方法;提出一种自适应阈值计算方法,重点分析如何利用这种自适应阈值构建一种多阈值融合心音递归图,使这种心音递归图能最佳的表现心音特征,并从多阈值融合心音递归图中提取D^′2/S^′2值和灰度共生矩的4种纹理特征:能量、对比度、相关性和熵;利用支持向量机进行心音分类识别。实验结果表明,对研究中使用的两个数据库,不用进行S1,S2分段预处理,平均识别率可达到90%以上,并将这个方法成功应用于心血管健康评估系统。

摘要：提出了一种基于心音特征分析的汽车主动安全技术,探讨利用心音信号对驾驶员现场健康状况进行监测的可行性和具体实施方法。首先分析了心音信号与汽车背景噪声的特点,提出了汽车环境中的心音信号模型,据此设计出一种汽车主动安全的汽车心音采集装置,然后给出了一种基于独立子波函数的心音信号分类识别方法。讨论了心音独立子波函数的构成准则,获取心音独立子波函数的算法,以及如何将心音独立子波函数作为一种新的统计特征参数,并且给出了一种心音确定度的新概念。最后通过一个实际的心音采集与分类识别实验,验证了本文方法的有效性和可行性。

摘要：针对正常心音信号和病理心音信号所存在的混沌特性差异,提出了一种将病理心音对正常心音进行跟踪的心音混沌反控制方法。首先提出了心音混沌反控制方法的设计原则和标准,在此基础上设计了一种结合TD与FuzzyPID控制理论的心音信号混沌反控制方法,当输入病理心音时,控制方法能根据另一路读取的正常心音实时自整定PID参数,快速地使病理心音跟踪上正常心音。实验结果与定量分析表明,该控制方法跟踪速度快、误差小、鲁棒性好,控制后的病理心音信号可以很好地对正常心音信号进行轨迹跟踪,且混沌特性得到明显增强。这种心音信号混沌反控制方法,可以用于开发心血管疾病的相关医疗辅助理疗设备,具有可行性和实用性。

摘要：采用网格分层细化技术并且用对网格的处理代替已有的逐点处理,把连续形变过程分为拓扑保持性连续形变和拓扑非保持性连续形变.文中算法可以任意调节处理精度和处理时间,从而满足不同层次、不同场合的应用需要.实验结果证明了该算法的良好性能.

摘要：产生合成心音信号在教学、科研中都有一定的实际应用价值,本文提出一种复合心音发生器。首先分析心音的产生机理和混沌特性,提出复合心音的合成原则,然后从心音的混沌特性出发构建一种心音发生器,它包括左侧心音产生子模型和右侧心音产生子模型,对它们的输出波形进行合成处理,从而得到一组幅值、周期都可调的合成心音信号。通过对合成心音信号的时频特征和混沌特征进行分析,结果表明,该合成心音信号与实际心音信号具有很高的相似度,可以基本满足教学和科研的需求。

摘要：文中以LabVIEW 2012为开发平台,设计、实现了一种心音身份识别系统。该系统包括心音采集、数据处理和身份识别3个主要模块。心音采集模块利用自制传感器采集心音并去噪;数据处理模块完成心音特征提取和建立心音特征数据库;身份识别模块采用两种算法对心音特征数据进行分类识别,并使用决策层融合算法提高识别率。文中根据心音信号s1、s2的频谱特性和虚拟仪器的特点,提出了一种低频加强型梅尔倒谱系数和频域分段相关系数的特征提取算法,重点分析了基于矢量化欧式距离和最小相关距离分类识别方法。实际应用的结果证明该系统界面友好、操作方便、运算速度快、辨识效率高,具有一定的推广应用价值。

摘要：深度学习算法因其在自然环境下对大数据处理的优良特性已成为图像、语音识别方面的主流算法.为解决深度学习网络结构选择困难的问题,文中深入探究了深度学习网络的结构特性,提出了一种进程择优法来帮助深度学习网络结构的选择,可方便、快速地给出深度学习网络的优选范围.经实验验证,此方法在多种数据库下都有良好效果,方法具有一定的普适性.而心音作为一种生理信号,反映了人体心脏的跳动情况,与人体心脏的健康息息相关,在心音分类识别、健康鉴定中得到广泛的应用.文中首先使用进程择优法来优选、构建出一种心音深度学习网络,再以心音深度学习网络为核心,加入BP神经网络作为分类器,设计出了一种心音深度信任网络.该网络相比同类其它层次结构的深度信任网络拥有更低的误识别率,平均误识别率在10%左右.特别是将原系统优化为融合心音能量特征输入的心音深度信任网,其平均误识别率可下降到3%.文中的研究对于提高心音识别算法在自然环境下处理数据的能力具有积极的意义.

摘要：针对病理性心音和正常心音差异导致的心音信号准确分段问题,本文提出一种无需对心音信号分段即可分类识别的方法。首先,对心音信号进行滤波处理;之后,将提取的心音同态特征包络取自相关函数,按照心音的特点,设计卷积神经网络(convolutional neural network,CNN)作为分类器;最后,进行训练、验证及测试。实验结果表明:本文方法在验证集上得到的准确率为100%,在测试集上得到的修正准确率为90.21%。

摘要：设计一种心音小波神经网络识别系统,将心音特征抽取、有针对性的神经网络层次化架构和分类识别融合一体,以解决复杂条件下的心音分类识别问题。提出基于心音小波神经网络的识别模型,讨论如何构造心音小波和心音小波神经网络的方法,重点讨论在网络结构的隐含层中引入心音小波作为激活函数的算法,从而获得一种把心音的针对性学习和心音识别技术高度融合的心音小波神经网络识别系统。通过选取正常心音信号与早搏心音信号作为实验对象,验证了心音小波神经网络识别系统的有效性和实用性,并且通过与morlet和Mexican-hat小波神经网络识别系统相比较,证明心音小波神经网络识别系统在收敛性、算法速度上呈现明显的优越性。