心音去噪的研究与实现模板.doc

资料内容仅供您学习参考，如有不当或者侵权，请联系改正或者删除。心音去噪的研究与实现心音是最重要的信号之一。然而,许多外界因素会影响心音信号的采集。心音是弱电气信号以至很弱的外部噪声就能导致信号中的病理和生理信息的错误判断,从而导致疾病的错诊。因此对心音信号去噪的研究非常重要。本文提出了一种基于matlab的更系统的心音去噪的研究与分析。基于matlab的心音去噪的研究首先应用matlab的强大的图像处理功能将含噪心音信号变换到小波域,用小波变换在母粒的层次上对其进行分解,并采用软阈值函数的小波变换阈值法去噪,得到小波分解系数,采用这样的方法信号的去噪效果显著改进了。根据小波分解得到的各段分解系数,利用小波变换合成重构信号。最后,本文是使用陷波滤波器消除50HZ的工频和35HZ的机电干扰信号。引言心音信号是用于检测心脏性能,获取生理和病理信息的重要信号之一。然而,在心音信号的采集过程中不可避免的会受到周围噪音的影响,比如电磁干扰,工频噪声,由人本身的呼吸、肺音产生的电干扰等。因此,我们采集到的是混合信号。有时噪声信号会严重干扰有效信号,造成有效信号的丢失,这对于提取相应的病理信息是及其不利的。为了减少有用信息的缺失,去噪是采集信号中的至关重要的过程。心音信号去噪旨在消除干扰信号保留有效信号。1.1研究的背景国外稍早于国内开始研究心音信号的去噪。LiangH,Lukkarinens,HartimoI在1997年提出了基于信号包络图的心音分段算法,采用了小波的分解与重构,使用shannon平均能量包络计算,选定阈值,找出峰值点位置,利用小波变换识别S1和S2。Hebden等主要运用统计学原理和神经网络识别S1和S2。由于识别过程不需要同时记录心音图作为参考信号,不但节省了存储空间,也免于了隔离设备的限制,更重要的是,在某种程度上节约了费用。另外,从起如何提取第三心音S3成为了研究热点。由于低振幅、低频率、持续时间短,提取S3成了个难题。提取S1和S2的方法能够获得准确的结果但计算比较复杂且不适用于S3。Kumar等首先采用小波阈值变换过滤从含噪心音中分离出S1,S2,和S3,然后使用高频标记和识别S3。在中国,心音分析仍处于初级阶段,时间频率分析已应用于心音信号的处理。现阶段已经完成了信号的线性分析(短时傅里叶变换,小波变换和Garboexpanding)非线性时频分析(winger-Ville分布,科恩分布和时频分布级数),提出了心音信号处理的应用和研究。然而,心音信号去噪仍停留在硬件去噪水平。1.2研究的价值心音信号包含了心脏各部分的心理病理信息.更重要的是心音信号易被心血管疾病影响,心音信号检测是心血管疾病无创性检测的重要方法。在采集心音信号的过程中,心音信号易受外界噪声的干扰(人本身呼吸的声音,皮肤摩擦的声音,工频噪声(50HZ),机电干扰(35HZ)和外部环境的高斯白噪声)。这样的情况下部分有用的心音信号就丢失了,导致诊断疾病的准确性和精度降低了。传统的去噪方法仅使用硬件去噪,但去噪效果不尽人意。更糟糕的是,硬件去噪中频率干扰很容易被引入。本文提出matlab编程去噪算法,最小化有效信息的损失,以便更有效地消除噪声。2.心音数据库的建设研究基于matlab的心音去噪,去噪需采用不同类型的心音信号。我们数据库里,心音去噪包括正常心音和非正常心音数据库。前者包括正常心音信号,快速的心跳声音,心底和心尖部正常心音。后者则包括第二心音的重叠率的分裂、减弱、增强,第一心音的分裂、减弱、程度不等的增强,二尖瓣不足,宽分裂,连续的杂音,轻度二尖瓣狭窄,心室萼片缺陷,老年人心脏肥大的反向分割,心音混乱,主动脉瓣关闭不全,主动脉瓣逆流,狭窄的主动脉瓣、逆流以及主动脉瓣区的第二心音的增强等等。我们的心音数据库里包含了详细的有关心音信号特点的分析和总结以及心音信号与噪声信号之间的比较,这些数据为心音去噪研究提供了相应的基础。3.心音去噪算法和陷波滤波器的设计用于心音去噪的多层小波分解阈值去噪算法的步骤。心音去噪算法根据心音信号与噪声信号的在各尺度上的小波系数具有不同特征的特点采用多层小波分解阈值法来消除噪声。在小波域,根据噪声信号机制构造了与之相应的小波系数处理的规则以及如何更多的过滤掉这些系数。同时,尽可能多的保留有用心音信号的小波系数。最后,心音信号采用阈值小波系数进行重建。小波变换阈值法降噪的整体框架。其中第二、第三、第四步是多层小波阈值去噪算法的核心部分。所有采集到的信号均是含噪心音信号。为了体现出所提出的方法的优点,可按如下步骤进行试验:首先在纯信号中加入高斯白噪声,然后采用本文提出的方法去噪,最后综合分析以上两个步骤,你会发现本文所提出的方法的可行性和实用性。3.1小波基函数的选择:最优小波函数的选择对多层小波变换算法是个关键。不同