论文部分内容阅读
随着现代医疗科技的快速发展,肺音信号分析作为肺部疾病诊断最主要的方法之一,已逐渐成为人们研究的热点。肺音信号是一种声音信号,蕴含着丰富的生理、病理及器官机能信息,也是一种典型的非线性非平稳的多分量信号。肺音信号的采集、去噪处理、分类识别的研究与应用对于医师实现高效的诊疗具有很重大的临床意义。EMD(Empirical Mode Decomposition,经验模式分解)算法是一种优秀的分析多分量非线性非平稳信号的自适应数据驱动方法,被广泛应用于时频分析领域。因此,本文对EMD算法及肺音信号的处理与分析进行了详细的研究,主要内容如下:(1)提出了一种基于相关系数的RPSEMD改进算法,并与小波软阈值结合对肺音信号进行了去噪方面的研究。首先针对EMD算法中的模态混叠问题,分析了模态混叠问题产生的原因及解决模态混叠问题的两种思路,分别对这两种思路的典型算法包括EEMD(Ensemble Empirical Mode Decomposition,集合经验模式分解),RPSEMD(Regenerated Phase-Shifted Sinusoid-Assisted Empirical Mode Decomposition,再生相移的正弦波辅助经验模式分解)进行了深入的研究,总结了两种典型算法的特点,并在RPSEMD过程中嵌入循环去相关操作,更好地解决了模态混叠问题,减少了细节信息的丢失。最后,在上述研究的基础上,结合肺音信号处理中的去噪问题,将改进后的RPSEMD算法与小波软阈值相结合对肺音信号进行去噪处理,通过对采集到的肺音信号的实验,验证了该方法的有效性。(2)基于希尔伯特-黄变换对肺音信号特征提取进行了研究,针对现有的信号分析方法在时频分析方面的不足,分析了希尔伯特-黄变换的算法思想,该算法在EMD算法的基础上,对分解得到的一系列基本模式分量进行希尔伯特变换,可以得到完整的有关时间、频率和幅值的三维时频谱图。在此基础上,以3种肺音信号(正常音、啰音、哮鸣音)为样本数据,对每类肺音信号的一个呼吸周期数据进行希尔伯特-黄变换,得到希尔伯特边界谱,可以发现三类肺音信号的希尔伯特边界谱有很明显的差异,并对其进行理论分析,从中提取出有效的特征向量,并基于人工神经网络,支持向量机和K最近邻算法分别构建分类器,对3种肺音信号进行识别与分类,实验表明,该方法能够有效地识别出正常音,啰音和哮鸣音。