检索历史 清除

摘要心肺疾病已成为威胁人类生命健康的“头号杀手”。据2018年世界卫生组织统计数据显示，每年约有4100万人死于非传染性疾病，其中约53%死于心血管疾病和慢性呼吸系统疾病。听诊器是心肺疾病临床诊断初步筛查的常用医疗器械。但是心音和肺音在时域和频域上的串扰降低了临床听诊的有效性，传统信号处理方法如带通滤波无法完全分离出心音和肺音。针对该问题以及在现有国内外心肺音分离技术研究的基础上，本文提出了一种基于字典学习网络的心肺音分离方法：<br>　　1)基于非负矩阵分解(Non-Negative Matrix Factorization, NMF)模型和基于长短时记忆(Long Short Time Memory, LSTM)网络的心肺音分离方法取得了较好的效果。它们都是先通过短时傅里叶变换(Short-Time Fourier Transform, STFT)时频分析方法获得心肺音混合信号的时频谱，然后进行心肺音时频谱分离获得估计的心音时频谱和肺音时频谱，最后结合混合信号的相位，重构心音时域信号和肺音时域信号。但是，STFT固定的三角基函数集不一定最适于心肺音分离。针对该问题，本文建立了内嵌有字典(基函数)学习网络的心肺音分离模型，实现了直接由时域混合信号至时域心音和肺音信号的端到端的网络优化。通过仿真实验结果表明，与基于STFT的现有技术不同，该模型能够依据训练数据自适应地调整变换基函数，从而增强心肺音分离性能。<br>　　2)现有心肺音分离方法大多数都是假定输入混合信号中心音和肺音的能量比是已知的，并据此选择分离模型。但是，临床听诊信号中心音和肺音的能量比是无法预先获知的。这将造成分离模型选择困难，制约了心肺音分离的性能。针对该问题，在基于字典学习网络的心肺音分离模型基础上，本文提出了多信噪比模型集成网络，能够依据混合信号估计不同信噪比分离模型的最佳权重，从而输出对应实际信噪比的心音信号和肺音信号。通过仿真实验结果表明，与假定心肺音能量比已知的现有技术不同，多信噪比分离模型集成网络解决了临床条件下心肺音分离模型与混合信号的自适应匹配问题。最后本文还通过心音分割算法证明在肺音信号污染的心音信号条件下心肺音分离的有效性和必要性。