摘要：心血管疾病是造成全球死亡人数最多的疾病之一,因此对心血管疾病的预防与提前诊断至关重要。人工听诊技术与计算机心音诊断技术无法满足对心音长时间听诊的需求,因而可穿戴式听诊设备越来越受到关注,但是其具有高精度与低功耗的要求。该文设计了低功耗的面向可穿戴式的基于长短期记忆网络(Long Short-Term Memory, LSTM)的智能心音异常诊断芯片,提出了包括预处理、特征提取以及异常诊断的心音异常诊断系统,并搭建了基于听诊器的心音采集FPGA系统,采用了数据增强的方法解决数据集的不平衡问题。基于预训练模型设计了智能心音异常诊断芯片,在SMIC180 nm工艺下完成了版图设计和MPW流片。后仿真结果表明,智能心音异常诊断芯片的诊断准确率为98.6%,功耗为762μW,面积为3.06 mm×2.45 mm,满足可穿戴式智能心音异常诊断设备的高性能与低功耗的需求。

摘要：电子听诊器在心血管疾病诊断中具有重要的作用,心音听诊电路是电子听诊器的核心。为加强实验的工程实践性,将心音听诊电路设计引入实验教学。该实验通过自制传感器、设计和制作心音信号调理、功率放大电路完成心音信号的采集和播放。该实验具有综合性和实用性,能够作为高校电子电路教学的实验项目。实践表明,该实验能够激发学生的学习兴趣,学生通过实验不仅可以提高电路设计能力,还能加深对理论知识的理解,提高对知识的综合运用能力和动手能力。

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：针对心音信号与心电信号以及MEMS压阻式声传感器特点,设计了一种实时采集和同步显示心音和心电信号的系统。该系统通过对心音信号与心电信号进行调理放大与采集传输,以STM32为核心控制芯片,再通过USB模块将采集到的信号传输到上位机进行波形同步显示、数据存储以及心音音频的同步播放。测试结果表明:该系统工作稳定,可同步准确显示心音信号与心电信号。该工作为心血管系统病理信息采集方面的研究提供了技术支持。

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：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。

摘要：针对众多连线的心音检测仪给病人带来心理上的干扰问题,介绍了基于Z igBee的无线传感器网络在心音信号传输中的应用,设计了一种心音无线检测系统,包括心音传感器、信号预处理、A/D转换电路、网络节点、检测基站和数据采集及自动分析部分.根据心音信号属于非平稳信号的特点,提出了基于复杂度的心音分析方法.实验结果表明,本系统能够对心音信号进行实时采集和有效传输,基于复杂度的算法能够成功地从心音信号提取S1和S2,并获取了3项医学指标:心率,第一心音与第二心音幅值比(S1/S2)和舒张期与收缩期时限比(D/S),初步实现了心音信号的自动识别.

摘要：在一些致命性心脏病的诊断中,心音听诊是最有效也是应用得最成功的手段之一。鉴于目前机械瓣的使用非常普遍,研究简单有效的机械瓣病变判别方法对于临床诊断来讲具有重要意义。运用希尔波特-黄变换(HHT),针对不同的机械瓣心音进行分析,并设计一种基于Hilbert边界谱特征的提取方法,结合线性判别分析(LDA),对不同的机械瓣心音进行分类。同时,与基于局部最优基特征的分类器分类结果进行比较。分析结果表明,机械瓣心音的各阶Hilbert边界谱具有非常明显不同的分布,基于HHT的分类器识别率达到了97.3%,较基于局部最优基特征分类器的识别率(91.3%)更高。对于人造机械瓣心音而言,HHT是一种有效的分析处理手段。

摘要：本文介绍了一种正交三导联心电和心音信号采集系统。笔记本电脑配以低噪声宽带放大电路、滤波电路和一块ＰＣＭＣＩＡ式Ａ／Ｄ采集卡，组成一套实用的便携式系统。由于采用新型高性能芯片及合理布线，整个系统具有较高的性能。经临床试用。

摘要：为了提高利用梅尔频率倒谱系数(Mel-frequency cepstral coefficients, MFCC)特征向量进行心音信号分类的准确率,本文提出以一种基于独立成分分析(independent component analysis, ICA)及权值优化的MFCC特征向量优化方法。首先,通过消除趋势项、降噪、提取心动周期与基础心音分割等步骤对心音信号预处理;接着,对提取的基础心音信号做Mel频谱变换及倒谱分析提取MFCC特征向量,其中用ICA替代离散余弦变换去除分量间高阶量的相关性,同时采用相关系数为权值优化整体混合矩阵;最后,采用F比衡量特征向量贡献率,并以其为权值优化各维特征向量。通过提取MFCC特征向量采用支持向量机(support vector machine, SVM)的分类器识别第一心音及第二心音,并与人工标注心音状态集进行对比。实验结果表明,基于ICA及权值优化的MFCC特征向量在SVM分类器中识别率得到了有效的提升,且优化算法具备一定抗噪性能。