一、心音信号噪声消除的小波变换方法(论文文献综述)
刘伟伟[1](2021)在《电子听诊器的设计与应用研究》文中研究指明心血管疾病已经成为全世界人类健康最大的威胁之一,人工听诊作为一种定性方法,其听诊结果完全基于专家经验得出,而计算机辅助听诊技术能通过对心音的音调、强度以及各频率成分进行分析,获得量化的特征参数,有助于更准确地诊断疾病。计算机辅助的智能听诊技术主要涉及心音的降噪处理、定位分割、特征提取和分类三部分,尽管研究者们在其中某一点上已经进行了深度的研究,但并未形成完整的处理体系。针对上述问题本文制定了完整的解决方案。本文的工作集中在硬件和算法两部分。硬件方面,笔者设计了一款便携低功耗的电子听诊器,对整个硬件的总体设计框架和各模块设计细节进行了具体阐述,并简要介绍了内部软件思路。算法方面,本课题针对心音处理流程中降噪处理、定位分割、特征提取和分类三个部分分别做了优化处理。其中在心音降噪阶段,笔者采用基于经验模态分解和重构的优化算法,通过对分解后的每一个经验模态分量设定阈值,比较其实际能量密度值和预估能量密度值,然后重构心音信号,实现了心音的良好降噪;在心音定位分割方面,首先基于S变换计算心音信号的能量熵实现预定位,并通过在S变换上施加一个改进的窗宽度优化算法,实现了心音成分的准确定位;在特征提取和分类阶段本文对手动提取的特征运用多组方法进行了筛选,并使用卷积神经网络提取模型进行了自动特征提取,两者提取的特征组合起来输入到基于双向门控循环单元的序列分类模型进行了训练,模型分类准确度稳定在95.3%。基于形成的电子听诊器原理样机,我们采集了400组正常与异常心音数据,并使用所训练的模型进行疾病模拟诊断。首先使用课题提出的降噪分割等预处理算法处理,最终测试得到训练后的模型在这些案例中整体的分类准确度达到95%,优于其他类似的模型。本课题对于家庭心音疾病预筛选以及医院辅助诊断具有重要的价值。
陈尧[2](2021)在《心音心电信号处理的神经网络方法》文中研究表明心音信号和心电信号作为常见的医疗时序数据,具有易采集、价格低廉、无创无损及重复性好等特点,在医学临床中被广泛应用于疾病预防、初步诊断及病情的长期监测。对这些医学时序信号进行准确处理与分析,可更好地协助医生把握病情,制定疾病预防和治疗方案,从而提升全社会的整体健康水平。经过几十年的发展,传统信号处理方法对心音信号和心电信号的分析与应用已取得长足进步,但处理该类时序数据时仍然面临诸多挑战。尤其是在面对心音信号这类高维时序信号和胎儿心电图这类易受外界环境影响的时序信号时,传统的机器学习方法很难取得进一步提升。近年来,神经网络方法在许多实际应用领域取得显着进展和突破,因而通过神经网络方法对心音信号和心电信号进行有效分析和建模成为该领域的研究热点。本文针对心音信号和心电信号两类医疗时序数据,以时序状态检测及时序分类问题为应用场景,通过神经网络方法针对以下问题展开研究:1)现有神经网络算法在医学时序标注任务中,未有效利用时序信号的长时上下文关系;2)现有算法面对高维医学时序信号需提取人工特征,而其特征提取算法设计于特定环境,导致不利于算法泛化能力的提升和多任务应用;3)现有基于神经网络方法的医学时序信号分类虽然取得较好识别效果,但未能提供更多医学诊断信息;4)现有算法处理医学时序信号时,提取信号关键有效特征不足,从而导致序列检测准确率及泛化能力不佳。基于上述问题,本文提出多个基于神经网络的时序算法,用于心音信号状态检测、心音信号分类及胎儿心电信号检测任务中。本文的创新点与主要贡献包括以下几个方面:1.分析了心音分段任务的建模过程,将心音分段过程表达为序列标注任务,提出基于全局结构特征的神经网络序列标注算法,该算法利用自相关分析提取心音信号全局结构特征,从而提高心音各阶段状态检测的准确性。心音分段是心脏疾病自动分析的关键步骤,其目的是检测心音信号中第一心音,第二心音,收缩期和舒张期四个状态。现有神经网络心音分段算法对长时上下文关系利用并不充分,本文使用自相关分析提取心动周期结构信息,并将其与传统时序特征在回复网络中融合,以提高心音状态检测准确率。本文提出的算法在真实公开数据集上进行了性能测试,并与现有两种代表性算法进行比较,实验结果表明,该算法在不同容忍时间窗口中皆有更好的性能表现。此外,在影响算法性能的时序信号长度及端效应问题方面,该算法亦具备优势。2.研究了心音分段时序特征提取的适应性难题,提出基于端到端时序特征表达的神经网络序列标注算法,该算法可直接处理原始音频信号,从而简化了心音信号处理步骤并赋予算法更好的数据适应性。现有心音分段算法为应对高维音频信号的挑战,需提取符合心音时序标注特性的特征表达,以减少信号中冗余信息干扰。因特征提取算法依赖于特定数据及采集环境,这些人工特征在实际应用于心音分段算法时需耗费大量时间及人力以验证其是否有效。此外,新的心音标注任务需要新的时序特性表达,需重新构建和设计特征提取算法。本文提出基于卷积网络和长短时记忆网络的端到端心音分段算法,直接利用原始音频信号实现心音分段,该算法简化了心音信号处理步骤,提高了心音信号分段在不同数据上的适应性,并赋予算法多任务能力,通过在真实公开数据集上与基准算法的比较,证明了该算法的性能。3.研究了心音信号的分类任务,提出基于多尺度时序检测的神经网络分类算法,将心音分类问题转化为心脏杂音标注问题,实现了面向单个预测的局部可解释性。现有神经网络心音分类算法将心音信号作视为一个整体,可预测心音样本类别但无法获取医学可解释性信息。因此,本研究将心音信号分类问题转化为对心脏杂音的时序标注问题,以解决神经网络方法在临床应用中的可解释性难题。为进一步提高在心音时序中对心脏杂音的检测能力,提出了一种基于多尺度时序检测的神经网络心音分类算法,通过在基准数据集上的实验证明,该算法具有更好的分类性能,并在时序标注性能是优于其他算法。本文将心音分段任务及心音分类任务集成于同一个算法,并通过获取心脏杂音位置信息,实现心音信号分类的局部可解释性。4.研究了无创胎儿心电图的胎儿R峰检测任务,首次通过神经网络序列标注算法直接在腹部心电信号中标注和检测胎儿R峰,提出了基于记忆门控编码及时序解码的神经网络序列标注算法,该算法简化了R峰检测处理流程并有更好的时序标注性能。现有胎儿R峰检测算法需首先从孕妇腹部心电信号中剔除母亲心电信号成分,本文将胎儿R峰检测过程建模为序列标注任务,直接在孕妇腹部心电信号上检测R峰位置。为进一步提高检测准确率,本文提出了一种基于记忆门控编码及时序解码算法和训练策略,基准数据集实验证明该算法与其他序列算法相比有更好的性能。本文针对标签序列中类别不平衡问题,改进了算法损失函数以获取更好的标注性能及更快的收敛速度。此外,本文测试多种目标标签编码策略以评估算法多任务能力,并对信号通道数量等影响性能的因素进行了研究。利用以上研究成果,本文设计开发了“基于物联网的心音信号自动分析系统”1。该系统通过物联网采集心音信号数据,实现了心音质量评价,心脏循环和心脏储备功能量化测评,心脏杂音时序检测及心音信号分类等功能。
张宇宁[3](2021)在《基于小波变换的心音信号降噪方法研究》文中提出心血管疾病严重威胁着人类的健康,而且近些年发病率呈现上升趋势,心血管疾病的早期诊断和提高确诊率对降低心血管疾病的危害有着重要作用。心音信号能够反映出心脏的状态,当心脏发生病理性变化时,心音信号会产生一定的心杂音,因此心血管疾病可以通过心音分析来进行疾病诊断。心音分析包括降噪、分段定位、特征提取和分类等过程,本文主要对降噪和分段定位两个步骤进行研究,采用小波阈值降噪法对心音信号进行降噪处理,通过心音信号的周期分割对基础心音进行定位,并设计了心音信号实时采集与处理软件。首先,采用小波阈值降噪法对心音信号进行降噪处理。由于心音信号是使用电子听诊器进行采集的,在采集的过程中会受到噪声的影响,对心音信号进行分析首先要对心音信号进行降噪处理。本文采用小波阈值降噪法对心音信号降噪,传统的硬阈值、软阈值和半软阈值函数等对心音信号具有一定的降噪效果,但都存在降噪后信号幅值减小的问题,针对这一问题,本文提出了一个新的阈值函数,该阈值函数可以通过对信号幅值较小的部分进行增强。为了验证本文改进阈值函数的性能,将该阈值函数与传统阈值函数以及连续半软阈值函数进行了比较。实验表明,本文阈值函数可以有效去除含噪心音信号中的噪声成分,较好的保留信号的基本特征。其次,采用周期分割的方法对降噪后的心音信号进行分段与定位。主要工作为提取心音信号的周期并且定位出基础心音S1和S2的位置。采用希尔伯特变换对心音信号进行包络的提取,并通过自相关计算得到心音信号的周期,对心音的周期进行二分割并分别寻找峰值,定位出基础心音的位置。并将本文的周期分割定位方法找到的峰值与原始信号的峰值进行对比,对本文分段定位方法的准确率进行了分析,得出本文分段定位方法的准确率为75%。最后,进行了心音信号实时采集与处理软件设计。利用MATLAB编写软件设计的程序,建立一个心音信号实时采集与处理用户界面,使用外部设备电子听诊器对心音信号进行采集。该用户界面可以对采集的信号进行实时的波形显示,并通过一帧一帧的保存方式,对保存的信号进行降噪与分段处理,并将结果实时的显示出来。
梁宇航[4](2021)在《面向可穿戴应用的心音信号处理方法研究》文中指出可穿戴心音监测是当前一个新兴的针对心血管疾病的研究课题。然而目前的心音监测装置大多只具备数据存储以及传输功能,且可穿戴应用具有易受干扰,缺乏与之配套的算法来实现对可穿戴应用心音信号的处理。为了解决上述问题,本文设计并实现了针对可穿戴心音监测应用的降噪、分割以及分类算法,主要研究内容如下:1)设计一种针对可穿戴心音监测应用的降噪算法。该算法根据心音信号的特点以及可穿戴应用的噪声特征,结合变分模态分解(Variational mode decomposition,VMD)、GHM多小波和主成分分析(Principal Component Analysis,PCA)实现对带噪原始信号的降噪处理(下文中将这种方法简称为VGP)。在公开数据集以及硬件仿真平台的抗噪测试中,能在信噪比-5d B的噪声环境下对心音信号进行稳定的处理,在信噪比为5d B时能实现5d B以上的提升。2)设计一种针对可穿戴心音监测应用的S1和S2分割及分类算法。在完成心音信号的降噪之后,使用基于Teager能量算子以及高阶香农包络的双门限法进行S1和S2的分割,最后使用SVM对S1和S2的类型进行判断。在公开数据集上进行验证,可得到S1和S2检出的平均查全率为95.5%,分类的查准率为97.2%。在信噪比为-5d B的噪声环境下,定位误差小于等于6.3%。3)设计一种针对可穿戴心音监测应用的S3、S4以及心杂音的处理算法。由于S3、S4以及心杂音的发生率以及幅值都偏低。因此需要在S1和S2分割步骤的基础上,单独针对S3、S4以及心杂音进行存在性检测,并根据其时频域特征独立采用一套的定位以及分类的参数和流程。综上所述,本文提出的可穿戴心音监测应用的心音信号处理算法能够在复杂噪声环境下对心音各组分进行稳定的分割及分类。
陈世豪[5](2021)在《多通道光纤声波传感系统及降噪算法研究》文中研究表明声波是信息的重要载体,声波传感技术在石油管道泄漏、设备健康监测、医疗诊断等各个领域有巨大的应用需求。传统的声波传感器多为电子式声波传感器,而随着对光纤传感技术研究的深入,各种光纤声波传感器得到了快速发展。同电子式声波传感器相比,光纤声波传感器体积小、重量轻、检测灵敏度高、抗电磁干扰能力强,能够在极端恶劣环境下使用,并且,光纤较小的传输损耗使得光纤声波传感器能够实现高质量的遥测遥感。近年来,各种原理和结构的光纤声波传感器被陆续报道,其中,光纤法布里-珀罗声波传感器具有结构简单,体积小,灵敏度高并且响应频带宽等优点,在声信号传感检测领域具有广阔的应用前景。目前,光纤法布里-珀罗声波传感器的应用还存在着一定局限性:一方面,光纤法布里-珀罗声波传感器由于复用能力较弱,难以满足多点探测或大规模组网的应用需求;另一方面,光纤声波传感解调系统往往由大量的电学器件和光学器件构成,存在较大的噪声。此外,由于光纤声波传感器的灵敏度较高,其响应的动态范围较小,因此,环境噪声对系统的声波探测效果容易造成干扰,在实际应用中,外界气流扰动还会形成较大的冲击噪声,使得高灵敏度的光纤声波传感器呈现饱和状态,从而极大地影响光纤声波传感器的检测能力,也大大降低了传感器对声音传感和还原的质量。本论文主要针对多点检测的光纤法布里-珀罗声波传感系统在实际应用中面临的不同应用场景下的噪声干扰滤除和有效语音信号提取问题展开研究工作,主要工作内容和成果如下:(1)介绍了光纤法布里-珀罗声波传感器的主要结构和工作原理,包括标准法布里-珀罗腔多光束干涉理论和双光束干涉理论,分析了针对光纤法布里-珀罗声波传感器的传统强度解调方案原理及局限性。同时,介绍了本文研究中所使用的多通道光纤法布里-珀罗声波传感系统的三波长自适应解调方法,该三波长自适应解调法在对光纤法布里-珀罗声波传感器的信号解调中可克服环境变化对传感器工作点的影响,使得传感器具有更好的环境适应性。(2)设计和搭建了多通道光纤声波传感系统并从光学系统构建和电学解调系统两个方面进行了介绍,该系统通过空分复用的方式,可以对多路光纤法布里-珀罗声波传感器信号同时解调,论文设计了光学和电路系统,搭建了系统样机,并且成功实现了多通道光纤法布里-珀罗声波传感器的信号采集和解调。(3)介绍了以数字信号处理为基础的语音降噪算法,重点研究了运算复杂度低、实时性较好的谱减法,针对多通道光纤声波传感系统在多点检测中的复杂环境噪声问题,提出了将谱减法与小波包阈值去噪相结合的新型融合算法。该算法一方面能够很好地解决传统谱减法去噪中普遍存在的“音乐噪声”残留问题,另一方面,通过对不同检测环境中使用的光纤声波传感器匹配具有不同小波基函数的去噪算法,能够提高传感器对多种特定环境噪声的抗干扰和去噪能力。(4)针对光纤法布里-珀罗声波传感器的声敏振动薄膜受外界检测环境中强背景噪声或强气流扰动易引起高能量冲击噪声的问题,论文提出了基于希尔伯特变换和短时能量分析的冲击噪声去除算法,该算法结合了心音信号提取和图像处理中的中值滤波思想。通过对多组测试样本的滤波结果表明,论文提出的滤噪算法能够有效滤除检测信号中的冲击噪声,同时,尽可能保证传感器所采集的音频信息的完整性。
付旋卿[6](2021)在《心音信号的压缩感知及智能重建》文中研究指明心音是血液在心血管内流动时,产生的各种机械振动之和,具有振幅、周期等特征要素。通常心音信号的振动频率在20Hz到800Hz之间,是我们人耳能够听到的范围之内。由于心音产生的机制,心音信号携带了大量的关于心血管健康情况的信息,在临床上,心音是用来评估心脏功能的主要信息来源。随着物联网,5G技术的诞生,移动医疗和智能医疗也相应的得到了快速发展,人们对数据的要求也逐渐提高,需要处理的数据量也逐渐增多,不仅仅是要求数据准确,而且还需要更快更高效存储。对数据进行压缩,降低传输的数据量,减少通信的消耗是今后能否进行大规模数据共享的重要方向之一。在心音信号需要实时传输时,要尽可能的减少延迟,提高压缩的效率,并且因为心音信号是辅诊断的,所以它的准确性求也非常高,也就是对压缩重建后的失真度要求比较高。类似于心音的其它医学信号或图像压缩也存在相同的问题,本文仅以心音作为一种新的压缩感知与智能重建方法一个尝试性研究的开端。在此背景下,本文主要应用两种新方法来实现信号压缩的实践:1)一种新的信号分解和重建的方法——离散卷积多小波变换(DCWT)。2)在K均值聚类的基础上改进的聚类方法——基于相关性的聚类方法。离散卷积多小波变换可以对信号进行实时的分解和重建,原理简单,不需要特别复杂的数学理论基础,只需要找到满足重建的必要条件以及滤波器数量和支撑长度的适当选择,就可以得到一个简单的信号处理分解和重建的技术框架。而基于相关性的聚类算法,则解决了,传统K均值聚类算法,对于异常点敏感以及聚类类别数k值选择比较难的问题,能够很好的将信号进行离散卷积多小波分解后进行聚类,把聚类后的信号最后进行量化,每一个类分配较小甚至超级少的比特率,来达到对心音信号压缩并且可以重建回去的目的。这是一种新的压缩感知方法,通过对心音特征值的选择性聚类,每个类只需要存储类的标签或某些量化特征,从而达到对心音信号进行压缩和重建的目的。为了能够在重建之后,取得更好的效果,再利用全变差滤波的思想,对经过有损压缩的心音信号进行智能恢复重建。本文主要创新在于利用DCWT信号分解重建方法与聚类方法,构建了一种新的信号压缩重建方法,因此也全面介绍了DCWT的主要技术框架、相关聚类方法、量化编码、全变差滤波等技术实现的细节。
王彬蓉[7](2021)在《基于EMD自适应重构的心音信号分析方法》文中提出心脏病被视为严重威胁人类健康的疾病之一,心音作为一种生理信号,它能有效反映心血管疾病包含的特有信息。心音信号分析不仅能够在临床诊断中给予医生相关参考依据,而且相对于心电图,心音信号具有无创性、低成本性、检测便捷等优点。心音信号具有非线性、复杂性等特点,且不同心脏病所显现的特征和规律有所不同。本文从心脏瓣膜缺损疾病和先天性心脏病的心音信号分析着手,在时域、频域和非线性空间上提取特征和筛选特征参数,通过分类识别,实现了心血管疾病的辅助诊断。研究内容包括:(1)本文研究了一种基于经验模态分解(EMD)的自适应重构心音信号的分析方法。首先对原始心音信号采用EMD变换,得到对应的固有模态分量(IMFs);其次,计算IMF分量信号与原始心音信号的互相关系数(Corr)和均方根误差(RMSE),分析其中包含的原始信号的有效信息与噪声分布情况;然后得到一种自适应阈值评价指标,通过该阈值的判断,筛选满足条件的IMF分量信号;最后重构出心音子信号。实验表明,该算法无需进行心音分割,能够达到一定降噪目的,且为后续特征提取、特征筛选和分类提供更佳的输入信号。(2)本文改进了一种基于Hausdorff距离的自适应重构方法。经过EMD变换后计算IMFs与原始心音信号的Hauadorff距离(HD值);然后根据基于Hausdorff距离的自适应阈值,筛选出合适的IMF分量,以进行心音信号的重构;最后对比以Corr和RMSE为评判指标的结果,进一步验证出该方法不仅降噪更好,且重构的心音信号具有更明显的特征信息。(3)经过预处理分析后,提取出重构心音信号的多维特征,然后采用特征筛选方法,结合机器学习分类方法,验证了基于Hausdorff距离的改进自适应重构方法的有效性。首先,本文提取了基于时域、频域和非线性空间上的40个特征参数;其次,采用6种特征筛选排序算法,将特征参数集按特征重要性得分降序排列;然后,选取3种机器学习方法,并将不同维度的特征集输入到分类器中,最终以分类准确率确定出最佳特征维数;最后,将本文的基于EMD自适应重构的预处理方法,与多维特征提取、特征筛选和分类等方法相结合,通过仿真实验确定出关于心音信号的最佳分析和处理方法。结果表明,基于EMD自适应重构心音信号的特征提取、筛选和分类方法,能够有效提高多类型心血管疾病分类准确率,具有实际应用意义。
张小兰[8](2021)在《基于特征参数提取及优化算法的肥心病心杂音分析研究》文中进行了进一步梳理目前,亚健康与人口老龄化等话题受到人们的广泛关注,心血管疾病作为严重影响着人们健康生活的慢性疾病,其预防与诊断一直是医学界所面临的急需解决的重要问题之一。心音能够反映与心脏疾病相关的各种信息,心音信号的分析对诊断心血管疾病具有重要影响。本文针对肥厚型心肌病分类准确率不高的问题,从特征参数提取及优化角度进行相关算法的研究,主要包括以下几个方面:(1)小波域特征提取。文章基于小波变换获得具有不同频率成分的单子带重构信号,提取重构信号归一化能量特征,该单子带能量特征表征了信号不同频率成分在原始信号中的能量占比。从统计角度分析了正常与肥心病心音能量特征之间的差异性,对心杂音所在频段进行初步的判断。(2)基于特征分解的心杂音特征降维组合分析。方法一使用主成分分析定位心杂音成分所在频段,提取对应的定量指标,并与差异度进行组合,获得组合后的心杂音特征;方法二基于线性判别分析对原始特征进行线性组合,获得组合特征。临床心音分类结果表明方法一所提取的心杂音定量指标分类效果优于方法二所提取指标的分类效果,能够达到降低特征冗余度,提高分类准确率的目的。(3)基于特征选择方法的心杂音特征子集优化组合。文章使用卡方检验、二进制粒子群(Binary particle swarm optimization,BPSO)、极随机树三种特征选择方法提取心音信号的有效特征子集,按差异度进行组合。临床心音数据验证结果表明“基于BPSO的特征子集选择组合方法”获得了较优的分类准确率,为95.86%,使用特征数为原始特征的23.08%。结果表明方法能够实现筛选出有效特征子集、提高分类准确率与降低分类复杂度的目的,方法自动输出分类结果,自动化程度较高,符合心血管疾病智能诊断基本理念。(4)心杂音时频域(Time-frequency domain,TFD)特征组合优化分析,文章介绍了一种基于时域收缩期舒张期能量特征与频域缩放因子的特征组合方法,提取心杂音时频域组合特征。组合特征最优分类准确率可达95.37%,优于直接使用原始时域或频域的特征进行分类的结果。方法充分利用了异常心音病理特点,将其使用特征组合的方式进行量化,以达到提高正常与肥心病心音分类准确率的目的。
王子超,金衍瑞,赵利群,刘成良[9](2021)在《基于极限梯度提升和深度神经网络共同决策的心音分类方法》文中指出心音是诊断心血管疾病常用的医学信号之一。本文对心音正常/异常的二分类问题进行了研究,提出了一种基于极限梯度提升(XGBoost)和深度神经网络共同决策的心音分类算法,实现了对特征的选择和模型准确率的进一步提升。首先,本文对预处理后的心音信号进行心音分割,在此基础上提取了5个大类的特征,前4类特征采用递归特征消除法进行特征选择,作为XGBoost分类器的输入,最后一类为梅尔频率倒谱系数(MFCC),作为长短时记忆网络(LSTM)的输入。考虑到数据集的不平衡性,本文在两种分类器中皆使用了加权改进的方法。最后采用异质集成决策方法得到预测结果。将本文所提心音分类算法应用于PhysioNet网站在2016年发起的PhysioNet心脏病学挑战赛(CINC)所用公开心音数据库,以测试灵敏度、特异性、修正后的准确率以及F得分,结果分别为93%、89.4%、91.2%、91.3%,通过与其他研究者应用机器学习、卷积神经网络(CNN)等方法的结果比较,在准确率和灵敏度上有明显提高,证明了本文方法能有效地提高心音信号分类的准确性,在部分心血管疾病的临床辅助诊断应用中有很大的潜力。
周静[10](2020)在《基于自动分析技术的心音分类方法研究》文中提出心音信号分析在心血管疾病的临床检测及体检中起着重要的作用。心音信号分析中最常用的方法为自动分析技术,主要包括降噪、分割、特征提取及分类等核心步骤。本文对心音自动分析技术进行了分析,并对存在的难点进行了深入研究,主要工作可概括如下:(1)在降噪算法的研究中,本文首先研究了基于小波的降噪方法,并提出了一种基于coif-5的小波自适应降噪方法。然而,实际中的噪声往往具备非平稳、混沌等特性,心音小波系数大于噪声小波系数的理论并不完全严格,且基于小波降噪方法无法追踪噪声变化,在长时采集心音中提取的阈值参数易出现错误。因此,本文进一步提出了一种融合改进最小值控制递归平均和最优修正对数谱幅度估计的心音降噪方法,采用短时窗平滑动态追踪及估计噪声最小值,通过最小化干净心音与估计的干净心音的差异来最大限度的抑制噪声。实验结果验证了提出算法的有效性。(2)本文对阈值分割和基于隐马尔可夫模型的方法进行了研究。阈值分割的优点是算法复杂度低,在高实时性处理系统中更适用。本文提出了一种基于非平稳系统辨识原理的包络提取新方法,通过心音短时平稳性强于噪声短时平稳性的特点,顺序辨识心音帧的非平稳相关性,从而获得更有效的特征包络。然而,阈值分割精度往往随信噪比降低而降低,故进一步提出了一种基于个性化高斯混合模型和时间相关的隐马尔可夫模型,通过高斯混合模型来约束隐马尔可夫模型。为了避免时域特征模糊造成分割成分的判别错误,采用卷积神经网络对基础心音Mel频率倒谱系数的优化特征进行分类,优先判别出S1和S2分割段,再明确心动周期其余成分。最终,提出算法在Challenge 2016测试数据集下获得了92.93%的分割精度,较现阶段的其他算法效果更好。(3)心音分类是分析系统的最终目的,本文主要研究正常与异常心音分类。本文提出了一种基于多特征融合的非线性径向基支持向量机心音分类方法。其中,采用Challenge2016数据集构建训练集与测试集,采用和鲸社区上载数据作为验证集,提取各心音记录的时域时长、幅度、能量、频谱以及峰度等420维特征,采用主成分分析进行降维获得271维主要特征。在非线性径向基支持向量机下测试集准确率为82.39%,验证集准确率为80.44%,测试集灵敏度与特异性总体得分为0.8629。
二、心音信号噪声消除的小波变换方法(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、心音信号噪声消除的小波变换方法(论文提纲范文)
(1)电子听诊器的设计与应用研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 研究现状 |
1.3 本文的主要内容和结构安排 |
第2章 心音基础理论和特征介绍 |
2.1 心脏结构和心动周期 |
2.1.1 心脏结构 |
2.1.2 心动周期 |
2.2 心音成分与疾病种类 |
2.3 心音听诊区域 |
2.4 提取的心音特征概述 |
2.4.1 时域特征 |
2.4.2 频域特征 |
2.4.3 非线性特征 |
2.5 本章小结 |
第3章 电子听诊器设计与实现 |
3.1 系统整体方案设计 |
3.2 硬件电路设计与实现 |
3.2.1 音频处理模块 |
3.2.2 用户交互模块 |
3.2.3 信息传输与主控制器模块 |
3.2.4 电源管理模块 |
3.2.5 硬件展示图 |
3.3 系统软件设计与实现 |
3.4 本章小结 |
第4章 心音信号降噪与分割 |
4.1 心音信号的降噪处理 |
4.1.1 经验模态分解理论介绍 |
4.1.2 经验模态分解用于心音信号去噪 |
4.1.3 降噪结果对比 |
4.2 心音信号分割 |
4.2.1 心音定位方法 |
4.2.2 边界检测 |
4.2.3 分割结果比较 |
4.3 本章小结 |
第5章 心音特征筛选和分类模型 |
5.1 心音数据集 |
5.2 心音特征筛选方法及评估 |
5.3 心音的时频分析 |
5.4 心音深度学习模型 |
5.4.1 特征提取模型 |
5.4.2 分类模型 |
5.5 模型结果 |
5.6 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
攻读学位期间取得的研究成果 |
致谢 |
(2)心音心电信号处理的神经网络方法(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.1.1 心音信号研究背景及意义 |
1.1.2 胎儿心电信号研究背景及意义 |
1.2 研究现状 |
1.2.1 心音信号算法概述 |
1.2.2 胎儿心电信号算法概述 |
1.3 本文的创新点与主要贡献 |
1.3.1 基于全局结构信息的神经网络序列标注算法 |
1.3.2 基于端到端时序特征表达的神经网络序列标注算法 |
1.3.3 基于多尺度时序检测的神经网络分类算法 |
1.3.4 基于记忆门控编码及时序解码的神经网络序列标注算法 |
1.3.5 基于物联网的心音信号自动分析系统 |
1.4 论文组织结构 |
第2章 基于全局结构信息的神经网络序列标注算法 |
2.1 引言 |
2.2 研究动机 |
2.3 算法基础 |
2.3.1 心音包络特征 |
2.3.2 长短时记忆网络 |
2.4 全局结构信息心音分段网络 |
2.4.1 网络结构 |
2.4.2 网络训练 |
2.4.3 实现细节 |
2.5 实验的结果及分析 |
2.5.1 基准数据集 |
2.5.2 评价指标 |
2.5.3 算法对比 |
2.5.4 端效应及包络特征长度 |
2.5.5 消融实验及收敛性分析 |
2.6 本章小结 |
第3章 基于端到端时序特征表达的神经网络序列标注算法 |
3.1 引言 |
3.2 研究动机及问题定义 |
3.2.1 研究动机 |
3.2.2 问题定义 |
3.3 端到端心音分段网络 |
3.3.1 网络结构 |
3.3.2 网络训练 |
3.4 实验的结果及分析 |
3.4.1 算法对比 |
3.4.2 消融实验 |
3.4.3 收敛性分析 |
3.5 本章小结 |
第4章 基于多尺度时序检测的神经网络分类算法 |
4.1 引言 |
4.2 研究动机和问题定义 |
4.2.1 研究动机 |
4.2.2 问题定义 |
4.3 相关工作 |
4.4 多尺度时序检测心音分类网络 |
4.4.1 多尺度时序卷积 |
4.4.2 网络结构 |
4.4.3 网络训练 |
4.5 实验结果及分析 |
4.5.1 基准数据集 |
4.5.2 评价指标 |
4.5.3 心音分类任务算法对比 |
4.5.4 心音分段算法对比 |
4.6 本章小结 |
第5章 基于记忆门控编码及时序解码的神经网络序列标注算法 |
5.1 引言 |
5.2 研究动机 |
5.3 算法基础 |
5.3.1 门控线性单元 |
5.3.2 损失函数 |
5.4 编码器解码器时序标注网络 |
5.4.1 网络结构 |
5.4.2 算法损失函数 |
5.4.3 目标标签序列编码 |
5.5 实验结果与分析 |
5.5.1 基准数据集及预处理 |
5.5.2 评价指标 |
5.5.3 算法对比 |
5.5.4 消融实验 |
5.5.5 改进的损失函数 |
5.6 本章小结 |
第6章 总结与展望 |
6.1 本文工作总结 |
6.2 未来工作展望 |
参考文献 |
作者在读期间科研成果简介 |
致谢 |
(3)基于小波变换的心音信号降噪方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究目的与意义 |
1.2 国内外研究现状 |
1.3 研究内容与主要工作 |
1.4 本文结构 |
第2章 基于小波变换的心音信号降噪方法 |
2.1 引言 |
2.2 心音信号的组成及其特点 |
2.2.1 心音信号的组成 |
2.2.2 心音信号的时域和频域特性 |
2.3 心音信号的小波分解与重构 |
2.3.1 小波变换 |
2.3.2 心音信号的小波分解与重构 |
2.4 基于小波降噪常用阈值函数 |
2.5 本章小结 |
第3章 改进阈值函数的心音信号降噪与分割 |
3.1 引言 |
3.2 小波基和分解层数的确定 |
3.3 降噪阈值的确定 |
3.4 改进的阈值函数 |
3.5 心音信号的分割与定位 |
3.5.1 心音信号包络提取 |
3.5.2 心音周期分割及定位 |
3.6 本章小结 |
第4章 心音信号降噪与分段定位实验结果分析 |
4.1 引言 |
4.2 小波阈值降噪实验结果 |
4.2.1 异常心音信号的小波分解与重构 |
4.2.2 使用不同阈值函数的小波降噪结果对比 |
4.2.3 小波降噪性能评价指标及实验数据分析 |
4.3 心音信号分段与定位实验结果 |
4.4 实时信号采集与处理软件设计 |
4.4.1 电子听诊器的心音信号采集 |
4.4.2 用户界面设计 |
4.4.3 程序设计 |
4.5 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表的论文 |
致谢 |
(4)面向可穿戴应用的心音信号处理方法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究工作的背景与意义 |
1.2 国内外研究现状 |
1.2.1 可穿戴心音监测应用的典型结构 |
1.2.2 心音信号去噪方法 |
1.2.3 心音信号特征提取方法 |
1.2.4 心音信号分类方法 |
1.3 本文的主要工作与指标 |
1.4 本论文的结构安排 |
第二章 心音信号相关理论及系统整体设计 |
2.1 心音信号的生理基础 |
2.1.1 心音的产生原理 |
2.1.2 心杂音的产生原理 |
2.2 可穿戴应用噪声分析 |
2.2.1 噪声类型分析 |
2.2.2 噪声的时频谱分析 |
2.3 心音信号时频域分析方法及对比 |
2.3.1 短时傅里叶的时频分析 |
2.3.2 平滑伪魏格纳维尔分布的时频分析 |
2.3.3 S变换的时频分析 |
2.3.4 GHM多小波包分解的时频分析 |
2.3.5 处理方法对比及结果分析 |
2.4 整体方案设计 |
2.5 验证算法所用数据集 |
2.6 本章小结 |
第三章 降噪算法研究 |
3.1 心音降噪算法介绍及关键技术实现 |
3.1.1 变分模态分解 |
3.1.2 主信号的提取 |
3.1.3 基于 GHM 多小波的离散多小波包分解 |
3.1.4 主成分分析 |
3.2 算法的执行步骤及流程 |
3.3 算法降噪效果 |
3.4 本章小结 |
第四章 分割及分类算法研究 |
4.1 心音分割及分类算法介绍及关键技术实现 |
4.1.1 包络提取 |
4.1.2 最大类间法选定阈值 |
4.1.3 双门限法 |
4.1.4 奇异值分解 |
4.1.5 支持向量机 |
4.2 方法的执行步骤及流程 |
4.3 S1/S2 分割及分类效果 |
4.4 本章小结 |
第五章 S3/S4 及心杂音的处理 |
5.1 S3/S4 波形处理 |
5.1.1 波形处理过程 |
5.1.2 S3/S4 分割效果展示 |
5.2 心杂音波形处理 |
5.2.1 心杂音的种类及分类方式 |
5.2.2 心杂音的分类方法及效果 |
5.3 本章小结 |
第六章 硬件平台算法验证 |
6.1 硬件平台验证结果 |
6.1.1 闹市环境下的实验结果 |
6.1.2 雨天环境下的实验结果 |
6.1.3 挥臂动作的实验结果 |
6.1.4 行走动作的实验结果 |
6.1.5 静站动作的实验结果 |
6.1.6 静坐动作的实验结果 |
6.2 本章小结 |
总结与展望 |
致谢 |
参考文献 |
附录1 VMD分解参数搜索表 |
攻读硕士学位期间取得的成果 |
(5)多通道光纤声波传感系统及降噪算法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 光纤传感技术 |
1.1.1 光纤传感技术原理概述 |
1.1.2 光纤传感类型 |
1.2 光纤声波传感器 |
1.2.1 光纤声波传感技术应用背景 |
1.2.2 光纤声波传感器分类 |
1.3 语音信号降噪算法 |
1.4 本课题研究意义及主要内容 |
第二章 多通道光纤声波传感系统原理及搭建 |
2.1 光纤法布里-珀罗声波传感器基本原理 |
2.1.1 法布里-珀罗腔干涉原理 |
2.1.2 光纤法布里-珀罗声波传感器工作原理 |
2.2 三波长自适应强度解调法原理 |
2.2.1 单波长强度解调法 |
2.2.2 三波长自适应强度解调法 |
2.3 多通道光纤声波传感系统搭建 |
2.3.1 光学部分设计 |
2.3.2 电学部分设计 |
2.4 本章小结 |
第三章 针对多通道光纤声波传感系统的去噪研究 |
3.1 谱减法 |
3.1.1 基本谱减法 |
3.1.2 Boll的改进谱减法 |
3.1.3 多窗谱估计的改进谱减法 |
3.2 小波包阈值去噪 |
3.2.1 连续小波变换和离散小波变换 |
3.2.2 小波阈值去噪原理 |
3.2.3 小波包阈值去噪原理 |
3.3 融合算法 |
3.3.1 融合算法实现流程 |
3.3.2 小波基函数选取 |
3.3.3 融合算法性能测试 |
3.4 本章小结 |
第四章 高能量冲击噪声消除算法 |
4.1 希尔伯特变换提取信号包络 |
4.2 短时能量分析 |
4.3 中值滤波算法 |
4.4 基于希尔伯特变换和短时能量的冲击噪声消除算法 |
4.4.1 算法描述 |
4.4.2 算法性能测试 |
4.5 本章小节 |
第五章 总结与展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得的成果 |
(6)心音信号的压缩感知及智能重建(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题的研究背景和意义 |
1.2 国内外的研究发展 |
1.2.1 发展初期 |
1.2.2 发展中期 |
1.2.3 目前状况和发展趋势 |
1.3 本文的主要工作 |
1.4 本文的组织结构 |
2 基本理论 |
2.1 数据压缩的概述 |
2.1.1 数据压缩的定义 |
2.1.2 数据压缩参数 |
2.1.3 数据压缩系统的组成 |
2.2 数据压缩的信息论基础 |
2.2.1 熵 |
2.2.2 数据压缩与信源编码 |
2.3 数据压缩的主要评价标准 |
2.3.1 信号压缩系统的性能评价 |
2.3.2 心音信号的压缩判断指标 |
2.3.3 心音信号测试数据的来源 |
2.4 多小波变换相关理论 |
2.4.1 多小波理论发展 |
2.4.2 多小波多分辨分析 |
2.4.3 离散多小波变换 |
3 信号的离散卷积多小波分解 |
3.1 离散卷积多小波变换(DCWT)方法的由来 |
3.2 基本符号含义 |
3.3 离散卷积小波变换的数学基础 |
3.4 重建滤波器的选择 |
3.5 方法总结 |
4 基于k-means的聚类方法和相关性的聚类方法 |
4.1 奇异值分解降维 |
4.2 基于K-means的聚类方法研究 |
4.2.1 K-均值算法的定义 |
4.2.2 算法的优缺点 |
4.3 基于相关性的聚类算法 |
4.3.1 相关性算法的定义 |
4.3.2 算法流程 |
4.4 量化编码 |
4.4.1 均匀量化 |
4.4.2 最佳量化 |
4.4.3 矢量量化 |
5 压缩感知和智能重建 |
5.1 压缩感知 |
5.2 智能重建 |
6 研究结果和分析 |
6.1 基于离散卷积多小波分解的试验算法流程 |
6.2 基于K均值和相关性聚类算法的流程 |
6.2.1 K均值算法流程 |
6.2.2 相关性算法流程 |
6.3 实现的流程图 |
6.4 实验结果及分析 |
7 总结和展望 |
7.1 全文总结 |
7.2 进一步工作 |
致谢 |
参考文献 |
个人简历、在学期间发表的学术论文及取得的研究成果 |
(7)基于EMD自适应重构的心音信号分析方法(论文提纲范文)
摘要 |
Abstract |
缩略语注释表 |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 论文主要内容 |
2 心音及心音信号采集 |
2.1 心音信号 |
2.1.1 心音产生及其组成 |
2.1.2 心脏杂音特点 |
2.2 心音听诊 |
2.2.1 心音听诊头 |
2.3 临床心音采集 |
2.4 本章小结 |
3 基于EMD自适应重构的心音信号分析 |
3.1 经验模态分解(EMD)算法概述 |
3.2 基于EMD自适应重构IMF分量方法概述 |
3.2.1 互相关系数 |
3.2.2 均方根误差 |
3.2.3 自适应阈值评价指标 |
3.3 仿真说明 |
3.3.1 开源数据结果分析 |
3.3.2 实验室数据结果分析 |
3.4 本章小结 |
4 基于EMD改进自适应重构法及心音信号多维特征提取 |
4.1 基于EMD自适应Hausdorff距离重构IMF方法概述 |
4.1.1 Hasudorff距离法概述 |
4.1.2 改进自适应Huasdorff距离重构法概述 |
4.2 多维特征提取 |
4.2.1 时域特征提取方法 |
4.2.2 频域特征提取方法 |
4.2.3 非线性特征提取方法 |
4.3 仿真说明 |
4.3.1 改进自适应EMD重构的IMF信号分析 |
4.3.2 特征提取实验对比 |
4.4 本章小结 |
5 基于特征筛选排序的心音分类算法研究 |
5.1 特征筛选及分类 |
5.1.1 特征筛选方法概述 |
5.1.2 分类器概述 |
5.2 特征筛选结果分析 |
5.3 分类结果分析 |
5.3.1 开源数据分类结果分析 |
5.3.2 实验室数据仿真分类结果分析 |
5.4 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
攻读硕士学位期间发表论文及科研成果 |
致谢 |
(8)基于特征参数提取及优化算法的肥心病心杂音分析研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题研究目的与意义 |
1.2 国内外心音研究现状 |
1.3 国内外肥心病心音研究现状 |
1.4 本文主要工作 |
2 肥心病心音概述与数据采集 |
2.1 肥心病心脏结构 |
2.2 肥心病心音产生机理及特征 |
2.3 心脏听诊与数据采集 |
2.4 本章小结 |
3 小波变换在心音信号特征提取中的应用 |
3.1 小波变换理论 |
3.1.1 连续小波变换 |
3.1.2 离散小波变换 |
3.1.3 Mallat算法 |
3.2 心音信号单子带重构算法分析 |
3.3 小波基函数选择 |
3.4 特征提取与统计对比分析 |
3.5 本章小结 |
4 PCA与 LDA在心音特征降维中的应用 |
4.1 基于PCA的心杂音组合能量特征提取 |
4.2 基于LDA的特征线性组合分析 |
4.3 降维后特征有效性分析 |
4.3.1 PCA特征优化实验结果 |
4.3.2 LDA特征组合分类结果 |
4.4 本章小结 |
5 基于特征选择的单子带能量特征优化组合 |
5.1 特征子集选择 |
5.1.1 卡方检验特征选择 |
5.1.2 BPSO特征选择 |
5.1.3 ERT特征选择 |
5.2 临床心音数据验证 |
5.2.1 特征选择方法实验对比 |
5.2.2 BPSO方法有效性验证 |
5.3 本章小结 |
6 心杂音时频域特征提取与优化组合 |
6.1 频域低通截止频率ω_c与缩放因子SF提取 |
6.2 时域心杂音特征提取 |
6.3 时频域特征组合分类 |
6.3.1 时频域特征组合 |
6.3.2 分类识别结果分析 |
6.3.3 结果讨论 |
6.4 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表论文及科研成果 |
致谢 |
(10)基于自动分析技术的心音分类方法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.3 研究的目的及意义 |
1.4 自动分析技术心音识别的系统框架 |
1.5 本文研究的内容及组织安排 |
1.5.1 本文的研究内容 |
1.5.2 本文的组织安排 |
第二章 心音信号的产生与分析 |
2.1 心音信号的产生机理 |
2.1.1 心脏的结构 |
2.1.2 心音源成分的产生 |
2.1.3 心音的传导 |
2.2 心音信号的组成及特点 |
2.3 心音信号的采集与噪声 |
2.3.1 心音信号的采集 |
2.3.2 心音信号的噪声环境 |
2.4 心音数据库 |
2.5 本章小结 |
第三章 噪声动态估计下的心音降噪 |
3.1 基于小波变换的心音降噪 |
3.1.1 小波降噪的关键参数 |
3.1.2 心音信号的小波分解 |
3.1.3 小波系数的阈值化处理 |
3.2 基于IMCRA-OMLSA的心音降噪 |
3.2.1 IMCRA-OMLSA降噪算法的基本框架 |
3.2.2 基于OMLSA的心音降噪 |
3.2.3 基于IMCRA的噪声估计 |
3.3 实验结果与分析 |
3.3.1 实验结果的主观分析 |
3.3.2 实验结果的客观评价 |
3.4 本章小结 |
第四章 基于时间相关性隐马尔可夫模型与卷积神经网络的心音分割 |
4.1 基于阈值的包络分割 |
4.1.1 非平稳性系统辨识原理 |
4.1.2 基于系统辨识的包络提取 |
4.1.3 自适应阈值及分割点的判定 |
4.1.4 实验结果及分析 |
4.2 基于PGMM-DHMM的心音分割 |
4.2.1 面向心音信号的HMM与DHMM |
4.2.2 心动周期的提取 |
4.2.3 心音信号的高斯建模 |
4.2.4 实验结果及分析 |
4.3 基于PGMM-DHMM与CNN的心音分割 |
4.3.1 心音信号MFCC提取的一般方法 |
4.3.2 心音信号MFCC特征提取的优化 |
4.3.3 面向S1和S2的分类器 |
4.3.4 FHS分类的结果与分析 |
4.3.5 联合CNN的心音分割结果 |
4.4 本章小结 |
第五章 基于支持向量机的正常与异常心音分类 |
5.1 用于分类的实验数据说明 |
5.2 心动周期特征的提取 |
5.3 基于主成分分析法的特征降维 |
5.4 基于SVM正常与异常分类器的设计 |
5.4.1 SVM的基本原理 |
5.4.2 SVM的核函数及参数选取 |
5.5 分类结果与分析 |
5.6 本章小结 |
第六章 总结与展望 |
6.1 本文主要贡献及创新点 |
6.2 进一步工作及展望 |
参考文献 |
致谢 |
攻读学位期间的研究成果 |
四、心音信号噪声消除的小波变换方法(论文参考文献)
- [1]电子听诊器的设计与应用研究[D]. 刘伟伟. 太原理工大学, 2021(01)
- [2]心音心电信号处理的神经网络方法[D]. 陈尧. 四川大学, 2021(01)
- [3]基于小波变换的心音信号降噪方法研究[D]. 张宇宁. 延边大学, 2021
- [4]面向可穿戴应用的心音信号处理方法研究[D]. 梁宇航. 电子科技大学, 2021(01)
- [5]多通道光纤声波传感系统及降噪算法研究[D]. 陈世豪. 电子科技大学, 2021(01)
- [6]心音信号的压缩感知及智能重建[D]. 付旋卿. 重庆理工大学, 2021(02)
- [7]基于EMD自适应重构的心音信号分析方法[D]. 王彬蓉. 西华大学, 2021(02)
- [8]基于特征参数提取及优化算法的肥心病心杂音分析研究[D]. 张小兰. 西华大学, 2021(02)
- [9]基于极限梯度提升和深度神经网络共同决策的心音分类方法[J]. 王子超,金衍瑞,赵利群,刘成良. 生物医学工程学杂志, 2021(01)
- [10]基于自动分析技术的心音分类方法研究[D]. 周静. 江西理工大学, 2020(01)