热门标签 | HotTags
当前位置:  开发笔记 > 人工智能 > 正文

【心电信号】基于matlabLMS自适应滤波算法提取胎儿心电信号【含Matlab源码953期】

一、简介1心音:心脏收缩舒张时产生的声音,可用耳或听诊器在胸壁听到,亦可用电子仪器记录下来(心音图)。可分为第一心音(S1)第二心音(S2)。(正常情况下均可听到)。第三心音(S3

一、简介

1 心音:

心脏收缩舒张时产生的声音,可用耳或听诊器在胸壁听到,亦可用电子仪器记录下来(心音图)。可分为第一心音(S1)第二心音(S2)。(正常情况下均可听到)。第三心音(S3通常仅在儿童及青少年可听到),第四心音(S4正常情况很少听到)。从心脏产生的心音经过组织的介导传到胸壁表面,其中以骨传导最好。

心音是心脏及心血管系统机械运动状况的反映,其中包含着心脏各个部分本身及相互之间作用的生理和病理信息。心音信号的识别与分类对心血管系统疾病的诊断具有重要的意义,其准确性、可靠性的好坏决定着诊断与治疗心脏病患者的效果。早期的心音识别与分类是医生根据听诊结果来完成的,显然这一过程具有一定的主观性且可靠性不高。随着信号处理与分析技术的不断发展,对心音的研究也逐步由定性分析进入了定量分析的阶段。国内外许多生物医学工程研究人员将传统的模式识别方法,以及神经网络方法用于心音的识别与分类,期望实现心音的自动解释和自动诊断,以便向临床医生提供实用的辅助诊断信息。此外,心音的识别与分类还有助于对心音产生机制的理解。

心音信号研究主要是采用微电子技术,检测技术,现代数字信号处理技术和生物医学工程技术,研究和揭示心音与心脏病之间的关系。

无论是多大单位的记录,人的体重,心率,血压等生理参数,都是时变的,称为心率或者血压的变异性。

心音是在心动周期中,由于心肌收缩和舒张,瓣膜启闭,血流冲击心室壁和大 动脉等因素引起的机械振动,通过周围组织传到胸壁,将耳紧贴胸壁或将听诊器放在胸壁 定部位,听到的声音 通常很容易听到第一和第二心音,有时在某些情况下听到第三或第四心音。

第一心音:S1,发生在心脏收缩期开始,音调低沉,持续时间较长(约0.15秒)。产生的原因包括心室肌的收缩,房室瓣突然关闭以及随后射血入主动脉等引起的振动。第一心音的最佳听诊部位在锁骨中线第五肋间隙或在胸骨右缘。相对于心电图上QRS波开始后0.020.04s,占时0.080.15s

第二心音:S2,发生在心脏舒张期的开始,频率较高,持续时间较短(约0.08秒)。产生的原因是半月瓣关闭,瓣膜互相撞击以及大动脉中血液减速和室内压迅速下降引起的振动。第二心音的最佳听诊部位在第二肋间隙右侧的主动脉瓣区和左侧的肺动脉瓣区。相对于T波终末部。

第三心音和第四心音:

第三心音S3发生在第二心音后0.1~0.2秒,频率低,它的产生与血液快速流入心室使心室和瓣膜发生振动有关,通常仅在儿童能听到,因为 较易传导到体表。相当于T波后距第二心音0.12~0.20s。

第四心音S4由心房收缩引起,也称心房音,相当于心电图上P波后0.15~0.18s,振幅低。

心音杂音对正常心音形成了一定的干扰,但心音杂音的出现对心音信号分析具有实际应用价值和临床意义。

根据杂音出现的时间与S1,S2心音的关系,可分为早,中,晚期杂音。杂音的强度一般可视其振幅与S1比较分类。大于S1,强。小于S1,大于1/3S1,中。低于S1的1/3则为低,仅有轻微振动则为极低振幅杂音。

由于心音信号属于强噪声背景下的人体微弱生物信号,由于心音信号是由复杂的生命体发出的不稳定的自然信号。心音的改变和杂音的出现往往是心脏产生器质性病变的早期症状,心脏内部的物理结构发生变化将直接影响和改变心音信号。

目前广泛应用 的心电图检查是心脏变时性和变传导性的最佳检测方法,但不能用来检测心脏的变力性先天心脏瓣膜受损。心脏传导组织病变引起的心脏机械活动障碍不会首先反应在心电图上,却能首先反应在心音信号上。当冠心病的阻塞达到70%以上时才能引起心电图信号的改变,实际上,达到25%就可以改变心音信号。

2 异常心音

  包括S2、S2的异常及收缩期,舒张期的附加音(或额外音)。

  ① 第一心音异常。指S1增强,减弱或分裂。估计S1的响度,最好是用听诊,心音图判断能力有限。S1增强、减弱或强弱不等的临床情况见表1。S1分裂指M1与T1相距>0.04sec,可见于正常儿童、青年及体瘦者,无重要意义。S1异常分裂时M1与T1相距可大于0.06秒,见于电激动延迟(如右束支传导阻滞等)、机械活动延迟(如房间隔缺损、严重二尖瓣狭窄等。听诊S1分裂在二尖瓣及三尖瓣区最清楚坐位及呼气时更清楚。

  ② 第二心音异常。包括S2增强,减弱或分裂。

  S2增强又分P2增强及A2增强,P2增强见于肺血流量增多(如间隔缺损),肺血管阻力增加;肺静脉压力增高(如二尖瓣狭窄)。P2亢进一般在肺动脉瓣区听到。A2增强见于体循环阻力增高或血流量增多,向肺动脉瓣及心尖区传导,见于 高血压等。

  S2减弱又分P2减弱及A2减弱。P2减弱见于肺动脉压低、肺血流量减少或 肺动脉瓣狭窄等。A2减弱见于体循环阻力低、血流减少、血压低、 主动脉瓣狭窄或严重关闭不全。

  S2分裂可为生理性。右室射血结束稍晚于左室,吸气时P2延迟出现,此时可听到S2分裂。但呼气时A2与P2接近或重叠,分裂消失。这见于青少年,在肺动脉瓣区听诊明显,坐位时可消失。

  S2异常分裂包括宽分裂、固定分裂、逆分裂、分裂减窄。宽分裂是呼气时S2分裂不消失,见于右室射血时间延长或左室射血时间缩短等情况。S2固定分裂指呼吸时A2 -P2间期无明显改变或变动<0.02sec,见于分流量较大的房间隔缺损等。S2逆分裂指A2在P2之后,吸气时A2-P2分裂不显,呼气时P2提早出现,分裂增宽。见于主动脉瓣关闭延迟。S2分裂减窄常由于严重肺动脉高压P2较早出现所致。

3 心音信号分析方法:

传统的谱分析方法通过快速傅立叶变换将时,频域关联起来。但FFT时频域分离,并以信号的频率特性时不变,或统计特性稳定为前提。

传统的稳态分析方法反映的是信号的静态频谱特征,对于包括人体心音信号在内的生物学生理信号,由于环境的影响而表现为非平稳时变特性。因此采用经典谱分析方法难以准确反映心音信号的动态变化。

在传统心音分析的基础上,提出了很多方法:

1.短时傅立叶变换(STFT)

2.小波变换

3.其他时频分析方法


二、源代码

clear all ;
load foetal_ecg.dat
abdominal =foetal_ecg(:,2:6); %loading abdominal signals
thoraic =foetal_ecg(:,7:9) ; %loading thoraic signals
d= mean(abdominal,2); %Average of abdominal signals
x=mean(thoraic,2); %Average of thoraic signals
M=2500; %数据长度
N = 8; %order of the filter
mu = .0000006; %value of step size
iter=length(x); %迭代次数默认为输入信号长度
w=zeros(N,M); %每一行代表一个加权参量,每一列代表一次迭代,初始为 0
e=zeros(M,1); %误差序列, e(k) 表示第 k 次迭代时预期输出与实际输入的误差
%将 y 信号右移 N位,以便进行迭代时的加权运算
x1=zeros(N,1);
for i=N+1:(N+M-1)
x1(i)=x(i+1-N);
end
%调整滤波器系数的 LMS算法
for n=2:iter;
x2=x1(n:1:n+N-1);
y(n)=w(:,n-1).'*x2; %每次取 N个参考信号与权系数相乘得到噪声估计
e(n)=d(n)-y(n); %噪声抵消的输出
w(:,n)=w(:,n-1)+2*mu*x2*e(n); %权矢量迭代
end ;
%最后稳定后的胎儿心电信号
for n=2:iter;
x2=x1(n:1:n+N-1);

三、运行结果

在这里插入图片描述


四、备注

版本:2014a

完整代码或代写加1564658423



推荐阅读
  • 生成式对抗网络模型综述摘要生成式对抗网络模型(GAN)是基于深度学习的一种强大的生成模型,可以应用于计算机视觉、自然语言处理、半监督学习等重要领域。生成式对抗网络 ... [详细]
  • 不同优化算法的比较分析及实验验证
    本文介绍了神经网络优化中常用的优化方法,包括学习率调整和梯度估计修正,并通过实验验证了不同优化算法的效果。实验结果表明,Adam算法在综合考虑学习率调整和梯度估计修正方面表现较好。该研究对于优化神经网络的训练过程具有指导意义。 ... [详细]
  • 浏览器中的异常检测算法及其在深度学习中的应用
    本文介绍了在浏览器中进行异常检测的算法,包括统计学方法和机器学习方法,并探讨了异常检测在深度学习中的应用。异常检测在金融领域的信用卡欺诈、企业安全领域的非法入侵、IT运维中的设备维护时间点预测等方面具有广泛的应用。通过使用TensorFlow.js进行异常检测,可以实现对单变量和多变量异常的检测。统计学方法通过估计数据的分布概率来计算数据点的异常概率,而机器学习方法则通过训练数据来建立异常检测模型。 ... [详细]
  • Learning to Paint with Model-based Deep Reinforcement Learning
    本文介绍了一种基于模型的深度强化学习方法,通过结合神经渲染器,教机器像人类画家一样进行绘画。该方法能够生成笔画的坐标点、半径、透明度、颜色值等,以生成类似于给定目标图像的绘画。文章还讨论了该方法面临的挑战,包括绘制纹理丰富的图像等。通过对比实验的结果,作者证明了基于模型的深度强化学习方法相对于基于模型的DDPG和模型无关的DDPG方法的优势。该研究对于深度强化学习在绘画领域的应用具有重要意义。 ... [详细]
  • 背景应用安全领域,各类攻击长久以来都危害着互联网上的应用,在web应用安全风险中,各类注入、跨站等攻击仍然占据着较前的位置。WAF(Web应用防火墙)正是为防御和阻断这类攻击而存在 ... [详细]
  • 建立分类感知器二元模型对样本数据进行分类
    本文介绍了建立分类感知器二元模型对样本数据进行分类的方法。通过建立线性模型,使用最小二乘、Logistic回归等方法进行建模,考虑到可能性的大小等因素。通过极大似然估计求得分类器的参数,使用牛顿-拉菲森迭代方法求解方程组。同时介绍了梯度上升算法和牛顿迭代的收敛速度比较。最后给出了公式法和logistic regression的实现示例。 ... [详细]
  • 读手语图像识别论文笔记2
    文章目录一、前言二、笔记1.名词解释2.流程分析上一篇快速门:读手语图像识别论文笔记1(手语识别背景和方法)一、前言一句:“做完了&#x ... [详细]
  • cs231n Lecture 3 线性分类笔记(一)
    内容列表线性分类器简介线性评分函数阐明线性分类器损失函数多类SVMSoftmax分类器SVM和Softmax的比较基于Web的可交互线性分类器原型小结注:中文翻译 ... [详细]
  • 【论文】ICLR 2020 九篇满分论文!!!
    点击上方,选择星标或置顶,每天给你送干货!阅读大概需要11分钟跟随小博主,每天进步一丢丢来自:深度学习技术前沿 ... [详细]
  • 1.组合最优化问题定义:是通过数学方法的研究去寻找离散事件的最优编排、分组、次序或筛选等。描述:最优化问题的数学模型的一般描述是,x为决策 ... [详细]
  • OCR:用字符识别方法将形状翻译成计算机文字的过程Matlab:商业数学软件;CUDA:CUDA™是一种由NVIDIA推 ... [详细]
  • Opencv提供了几种分类器,例程里通过字符识别来进行说明的1、支持向量机(SVM):给定训练样本,支持向量机建立一个超平面作为决策平面,使得正例和反例之间的隔离边缘被最大化。函数原型:训练原型cv ... [详细]
  • 3年半巨亏242亿!商汤高估了深度学习,下错了棋?
    转自:新智元三年半研发开支近70亿,累计亏损242亿。AI这门生意好像越来越不好做了。近日,商汤科技已向港交所递交IPO申请。招股书显示& ... [详细]
  • ICRA2019最佳论文  Making Sense of Vision and Touch: SelfSupervised Learning of Multimodal Representatio
    文章目录摘要模型架构模态编码器自监督预测控制器设计策略学习控制器设计实验结论和展望会议:ICRA2019标题:《MakingSenseofVision ... [详细]
  • 人工智能推理能力与假设检验
    最近Google的Deepmind开始研究如何让AI做数学题。这个问题的提出非常有启发,逻辑推理,发现新知识的能力应该是强人工智能出现自我意识之前最需要发展的能力。深度学习目前可以 ... [详细]
author-avatar
锋仔
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有