基于WPD能量分布的病理性心脏杂音分析新方法

摘要

提出了一种基于小波包技术的先天性心脏病病理性心脏杂音分析方法。考虑到无噪声和病理性杂音的能量强度分布在频域上的差异，引入WP分解，计算并比较各频段的WP能量。在分析大量临床心音资料的基础上，将杂音能量分布划分为5个频带，提出心脏杂音相关评价指标(ICM)，用于病理性杂音的分析。最后，根据正常心音的统计结果，确定正常心音与病理性心音之间的阈值。分析结果验证了所提出的评价指标和相应的阈值。

参考文献

1. “国家心肺血液研究所”，2011年。2014年6月14日生效。http://www.nhlbi.nih.gov/health/health-topics/topics/chd/．视图:谷歌学者
2. H. Valafar, F. Valafar, A. Darvill等，“预测羟脲在镰状细胞贫血患者个体中的有效性”，医学中的人工智能第18卷第2期2，页133-148,2000。视图:谷歌学者
3. 《先天性心脏病》，2011年。2014年7月28日通过http://www.pted.org/?id=list#1．视图:谷歌学者
4. 新生儿常规检查中发现心脏杂音的发生率及临床意义沙特心脏协会杂志第22卷第2期1，页25-27,2010。视图:谷歌学者
5. S. Reichlin, T. Dieterle, C. Camli, B. Leimenstoll, A. Schoenenberger，和B. Martina，“非心脏病专家对急诊科心脏收缩期杂音的初步临床评估”，美国急诊医学杂志，页71-75,2004。视图:谷歌学者
6. “心脏杂音患者的心脏疾病自动诊断:神经网络技术的应用”国际医学工程与技术杂志，第30卷，第61-68页，2006。视图:谷歌学者
7. Sepideh Jabbari和Hassan Ghassemian，“基于多变量匹配追踪的心脏收缩性杂音诊断瓣膜疾病的建模”，生物与医学计算机号，第41卷。9, pp. 802-811, 2011。视图:谷歌学者
8. Saeid Sanei, Mansoureh Ghodsi和Hossein Hassani，“一种自适应的奇异频谱分析方法，用于从心音中检测杂音，”医学工程与物理学第33卷第3期3, pp. 362-367, 2011。视图:谷歌学者
9. 崔三珍，申永均，朴宪国，“小波包检测方法的选择”，专家系统与应用第38卷第2期4, pp. 4264-4271, 2011。视图:谷歌学者
10. 陈跃荣，王胜勇，沈佳萱，“基于矩阵分解的特征提取用于杂音分类，”医学工程与物理学第34卷第3期6, pp. 756-761, 2012。视图:谷歌学者
11. Zümray Dokur和Tamer Ölmez，“基于小波变换和增量自组织映射的心音分类”，数字信号处理第18卷第2期6，页951-959,2008。视图:谷歌学者
12. Fatemeh Safara, Shyamala Doraisamy, Azreen Azman, Azrul Jantan, and Asri Ranga Abdullah Ramaiah，“用于心音分类的小波包分解树的多级基选择”，生物与医学计算机号，第43卷。10, pp. 1407-1414, 2013。视图:谷歌学者
13. M. Hariharan, C. Y. Fook, R. Sindhu, Abdul Hamid Adoma, and Sazali Yaacoba，“基于样本熵的小波包变换对语言障碍的客观评价”，数字信号处理，第23卷，第2期。3, pp. 952-959, 2013。视图:谷歌学者
14. Shivnarayan Patidar和Ram Bilas Pachori，“通过使用受限可调q小波变换去除杂音来分割心音信号，”生物医学信号处理与控制号，第41卷。4, pp. 559-567, 2013。视图:谷歌学者
15. Sanjay R. Bhatikar, Curt DeGroff, and Roop L. Mahajan，“基于人工神经网络方法的儿科心脏病听诊分类器”，医学中的人工智能，第33卷，第251-260页，2005。视图:谷歌学者
16. Abdulkadir Sengur，“基于主成分分析的专家系统:人工免疫系统和模糊k-NN诊断心脏瓣膜疾病”，生物与医学计算机，页329 - 338,2008。视图:谷歌学者
17. Sepideh Babaei和Amir Geranmayeh，“利用PCG信号的小波变换对心脏瓣膜疾病进行神经网络分类的心音再现”，生物与医学计算机，第8-15页，2009。视图:谷歌学者
18. Amir A. Sepehri, Joel hanq, Thierry Dutoit, Arash Gharehbaghi, Armen Kocharian, and A. Kiani，“儿童先天性心脏病的计算机筛查”，生物医学的计算机方法和程序，第92卷，第2期2，页186-192,2008。视图:谷歌学者
19. Samit Ari, Koushik Hembram，和Goutam Saha，“使用基于LMS的最小二乘支持向量机分类器从PCG信号检测心脏异常”，专家系统与应用，第37卷，第2期12，第8019-8026页，2010。视图:谷歌学者
20. “基于自回归谱分析和多支持向量机技术的心音杂音分类”，生物与医学计算机，第40卷，第5期。1，页8-20,2010。视图:谷歌学者
21. 孙淑萍，王海斌，蒋忠伟，方宇，陶婷，“基于分割的心音特征提取与分类器模型的室间隔缺损诊断系统”，专家系统与应用号，第41卷。4, pp. 1769-1780, 2014。视图:谷歌学者
22. Peter Libby医学博士，O. Robert, Bonow医学博士等，《布朗瓦尔德心脏病:心血管医学教科书》，2007,p:1583。
23. 崔三进，“利用小波包分解和支持向量机检测心脏瓣膜疾病”，专家系统与应用第35期4, pp. 1679 - 1687,2008。视图:谷歌学者
24. M. Nilsson, P. Funk, E. M. Olsson, B. vonSchele, N. Xiong，“通过将心理生理学医学知识应用到基于实例的学习系统中来诊断压力相关疾病的临床决策支持，”医学中的人工智能，第36卷，第159-176页，2006。视图:谷歌学者
25. Donna Giria, U. Rajendra Acharya, Roshan Joy Martis等，“使用LDA、PCA、ICA和离散小波变换对冠心病患者的自动化诊断”，以知识为基础的系统， vol. 37, pp. 274-282, 2013。视图:谷歌学者
26. t . SawayamaCD:心音听诊训练，南湖出版社，1994年(日本)。
27. 网上床旁学习:心音听诊。访问日期:2014年6月14日，网址:http://www.medic.mie-u.ac.jp/student/sinnzou.html．

版权

版权所有©2014 Hindawi出版公司。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。