心音能真實反映心臟工作狀況,是醫(yī)生診斷心血管疾病的重要依據。先心病的臨床診斷分為初診和確診兩個階段。初診及篩查階段主要憑借聽診器,通過心臟聽診以確定疑似患者,這需要醫(yī)生要有豐富的臨床經驗,基層醫(yī)生往往難以勝任,若經驗不足容易造成誤診或耽誤病情。確診階段主要使用超聲心動圖儀對疑似患者進行復查,該設備價格昂貴,目前無法配備到鄉(xiāng)鎮(zhèn)衛(wèi)生院等基層醫(yī)院�，F在,先心病的篩查還是以心臟聽診為主,由于我國地區(qū)發(fā)展不平衡,尤其是云南基層醫(yī)療資源匱乏,先心病的篩查基本上是依靠省級醫(yī)療隊巡回下鄉(xiāng)完成,這對及時、及早發(fā)現先心病患者非常不利。因此,分析研究先心病心音信號、提取相關病理特征,研究機器輔助診斷技術尤其重要,能夠提高基層醫(yī)生對先心病篩查的準確率。本文結合心音信號的特點,提出了一種基于Bi-LSTM網絡和Mel頻率倒譜系數的心音信號識別算法,較好地解決了先心病心音信號的分類問題,為先心病臨床診斷提供參考。對心音的分析處理涉及:信號預處理、特征提取、識別研究三個環(huán)節(jié)。信號預處理:包括心音信號降噪、包絡提取等。首先,對原始心音信號進行小波5層降噪處理,得到小波去噪后的信號;之后提取心音信號的希爾伯特包絡,并以S1為起始點截取長度6秒的信號。特征提取部分:對比LPCC、BFCC、MFCC三種特征提取的方法,最終對截取到的信號提取梅爾倒譜頻率系數作為特征參數。識別環(huán)節(jié):對比了 BP、RNN、LSTM、Bi-LSTM四種神經網絡的識別效果,最后選擇能夠克服其它三種網絡缺陷的Bi-LSTM網絡對心音信號進行識別。結果表明Bi-LSTM網絡具有較好的識別效果,心音信號的正確識別率到達84.20%。
【學位單位】：云南大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：R541.1;TN912.34
【部分圖文】：

壁等行為產生的機械運動，經過周圍組織傳遞至胸壁發(fā)生的微弱振動，稱之為心??音。而所謂的心動周期，包括兩個期？．舒張期和收縮期。舒張期，心臟充盈；收??縮期，心臟射血。圖１．１是一個完整的心動周期。當心室開始收縮，產生第一心??音，即Ｓ１；在心室收縮末尾時，發(fā)生第二心音，即Ｓ２；在Ｓ１和Ｓ２之間的時期，??是心室的收縮期；在Ｓ２和下一個Ｓ１之間的時期，是心室的舒張期。??２??

小波變換分解重構的信號可以表示為：??Ｓ?＝?Ａ５?＋?ＤＳ?＋?Ｄ４?＋?Ｄ３?＋?Ｄ２?＋?Ｄ１中，小波基、分解層數以及閾值函數等的選擇尤布在１０ＨＺ？１０００ＨＺ，大于１０００ＨＺ的大部分都是率，由采樣定理可以得出最大頻率是２５００ＨＺ，選擇５層小波分解，表２．１是具體的小波分解各表２．?１五層分解的各層頻率近似分量（ａ）?細節(jié)分量（Ｔ１２５０?１２５０？２５０？６２５?６２５？１２０＇３１２?３１２＇６２０？１５６?１５６？３１０？７８?７８＇１５

?ｘ１（）４??圖２．２分解的各層效果圖??圖２．２中，ｄｌ？ｄ２是第一層到第二層的細節(jié)分量，幾乎都是噪聲，將其置??零。ｄ３？ｄ４是第三層到第四層的細節(jié)分量，既包含噪聲又包含有用信息，實驗??中進行閾值處理，保留有用信息。將第五層的細節(jié)分量（ｄ５）和第五層的近似分??量（ａ５）保留，最后進行信息重構。圖２．?３是信號去噪前后的效果。明顯從圖中??觀察到毛刺減少
【參考文獻】

相關期刊論文 前8條

1 周克良;章祖忠;周利鋒;聶叢楠;;一種新閾值函數的小波變換在心音去噪中的設計[J];制造業(yè)自動化;2015年20期

2 郭興明;何彥青;盧德林;袁志會;;平移不變小波在心音信號去噪中的應用[J];計算機工程與應用;2014年24期

3 張磊邦;唐榮斌;蔣建波;張帥;池宗琳;王威廉;;基于小波變換的心音特征值提取算法研究[J];電子測量技術;2014年06期

4 胡曉靜;黃國英;;新生兒先天性心臟病篩查的研究進展[J];國際兒科學雜志;2014年02期

5 劉學;李婷;孫宸;崔小東;楊春煊;軒永慶;;基于小波變換的心音信號去噪方法[J];科技信息;2013年02期

6 尹晨曉;郭英;張碧鋒;劉霞;;基于Bark小波的語音端點檢測算法[J];計算機工程;2011年12期

7 尹許梅;何選森;;基于Bark子波變換的MFCC特征提取[J];計算機工程;2011年11期

8 陳天華;韓力群;唐海滔;鄭若金;;心音信號分析方法及應用性研究[J];北京工商大學學報(自然科學版);2009年02期

相關碩士學位論文 前10條

1 周永生;基于LSTM神經網絡的PM2.5預測[D];湖南大學;2018年

2 柏萬寬;RNN神經網絡在股票指數價格預測模型的研究與應用[D];重慶大學;2018年

3 熊冰峰;基于聽覺特征參數的說話人識別技術[D];湘潭大學;2016年

4 胡新辰;基于LSTM的語義關系分類研究[D];哈爾濱工業(yè)大學;2015年

5 唐贊;先天性心臟病心音識別與量化研究[D];西華大學;2015年

6 周婷婷;基于MFCC和PSO-BP神經網絡的說話人識別系統(tǒng)[D];南京郵電大學;2015年

7 李靜佳;多位置融合心音身份識別技術研究及系統(tǒng)實現[D];杭州電子科技大學;2015年

8 胡煉;基于NPC和改進的MFCC魯棒語音特征提取研究[D];湖南大學;2011年

9 馬永華;改進BP神經網絡在心音身份識別中的應用研究[D];南京郵電大學;2011年

10 云霞;基于Mel倒譜和Bark譜失真距離的漢語音質客觀評價研究[D];西南交通大學;2004年

本文編號：2851830