导读:本文包含了肺音信号论文开题报告文献综述及选题提纲参考文献，主要关键词:虚拟仪器,心肺音,检测,分析
肺音信号论文文献综述
张总,王建莉[1]（2019）在《简易心肺音信号检测与分析系统设计》一文中研究指出针对现有医疗系统心肺音检查系统价格昂贵、数据直观性不足等缺点,提出一种简易心肺音检测与分析系统。该系统以虚拟仪器为数据分析平台,以计算机声卡为模数转换装置,通过听诊器与声音传感器组成的电子拾音器进行心肺音信息采集,利用虚拟仪器直观的设计特点,解决原有系统的不足,可作为心肺疾病的诊断及未出现明显病例特征前的心肺疾病在心肺音特征上的反映,达到疾病早期诊断及心肺音症状可视化存储的目的,通过对正常心音信号、正常肺泡呼吸音及病态的大湿罗音和主动脉瓣狭窄伴关闭不严密心音信号实测并进行音频信号的功率谱分析发现,简易心肺音信号检测与分析系统运行正常,达到了设计目的。(本文来源于《新技术新工艺》期刊2019年05期）
苌飞霸,尹军,何庆华,毕玉田[2]（2016）在《病理性肺音信号的分析识别方法》一文中研究指出目的:通过研究肺音与肺部疾病的内在联系,分析识别肺音信号的特征值,为人体肺部器官的器质和功能性病变等肺部急性病诊断提供重要依据。方法:对病理性肺音分类及肺音检测系统中肺音信号噪声干扰的来源进行阐述,并对目前存在的短时傅里叶变换、小波分析识别、高阶谱分析法等病理性肺音分析识别方法的优缺点进行归纳总结。结果:短时傅里叶变换应用于肺音信号分析识别降低了对肺音信号平稳性的要求;小波分析识别是典型的肺音分析识别方法,对肺音中混入的心音等非相同频率段噪声的消除效果较好;高阶谱分析有效地抑制高斯噪声的同时保留了肺音信号的相位特性,且能提取同类肺音信号模式特征的相似性和异类肺音信号模式特征的差异性。结论:完善的肺音信号分析识别方法,对于肺部病理性肺音的特征提取及完整的系统肺音特征参数数据库建立,以及对于肺部疾病相关基础研究及临床诊断与数据统计日益显示出重要性。肺音信号分析识别在临床上具有重要的研究价值,通过本文的综述对借助于肺音信号特征值检查人体肺部病理信息具有重要的借鉴意义。(本文来源于《中国医学物理学杂志》期刊2016年07期）
郭鹿鸣[3]（2016）在《基于盲源分离的心肺音信号分离方法研究与应用》一文中研究指出在现代医学中,听诊是一种检查心肺系统健康状况有效、非侵入的医疗手段。通过听诊能够得到表征心脏和肺部器官健康状况的心肺音信号。心肺音信号包含了心脏和呼吸器官丰富的生理和病理学信息。但是在实际临床检查中,听诊器采集到的声音信号不仅包含了心音信号,也包含了肺音信号和外部的环境噪声。这种混合了心音、肺音和环境噪音的声音信号很难用于精细化的病症分析,从而妨害了的医生的诊断效果。由于心音与肺音在时域和频域上都相互混迭在一起,即使在没有噪声的环境中,依靠听诊也无法获得理想的效果。怎样将获取的听诊混迭信号分离成为独立的心音和肺音信号已经被广大的研究人员认定为一个盲源分离问题。盲源分离(BSS)即盲信号分离技术已经在语音信号处理、图像处理、医学信号处理、地球信号处理、雷达信号处理、通信信号处理等等众多领域取得了广泛的应用。所谓盲源分离,即在混合过程和被混合信号均未知的情况下,如何对传感器观测信号进行分析,并从观测值中恢复或估计出源信号。这样一个看似不可能解决的问题,在一定的假设下取得了巨大的成功,很多新颖而有效的解决方案层出不穷。本文为心肺音混合声信号提供了一种新的盲源分离方法,该方法利用了非负矩阵分解、聚类分析以及时频掩码技术,并成功的将混迭的临床听诊声信号分离为心音和肺音两个独立的声信号。该方法分为叁个阶段：1、分离阶段—将混合声信号的时域信号通过短时傅里叶变换得到心肺音时频信号,再将时频信号通过非负矩阵分解技术降维,得到心音或者肺音源信号的独立分量集；2、聚类阶段—利用所提出的聚类分析技术对源信号独立分量集进行分类训练,得到心音和肺音的时频谱信号；3、重构阶段—利用时频掩码技术和逆短时傅里叶变换将心音和肺音的时频谱信号重构为时域上的心音和肺音信号；本文实验数据来自开源数据集,将开源听诊胸音信号通过MATLAB进行仿真得到的实验结果证明了该方法的可行性。与此同时,为了验证心肺音盲源分离的实际应用可行性,我们制作了一个Android应用程序,并取得了很好的效果。本文还就心肺音盲源分离的相关技术做了阐述,其中主要介绍了盲源分离技术中的分类情况、典型代表独立成分分析技术和单通道盲源分离问题。(本文来源于《广东工业大学》期刊2016-06-01）
郭鹿鸣,何良明,唐增[4]（2016）在《基于盲源分离的心肺音信号分离方法》一文中研究指出本文提出了一种基于盲源分离的心肺音信号分离方法,能够将听诊得来的心肺音混合信号分离成心音和肺音两种单独的、非冗余的信号。并通过仿真实验验证了该方法的可行性。(本文来源于《科技展望》期刊2016年11期）
郑明杰[5]（2016）在《基于希尔伯特—黄变换的肺音信号识别方法研究》一文中研究指出肺音信号是人体与外界进行气体交换过程中所产生的一种生理声信号。肺音中包含着大量的生理与病理信息,能够很好的表征人体呼吸系统的健康情况,因而在呼吸音学与临床医学等都有着十分重要的研究意义。传统的人工听诊方法对肺部疾病的医疗诊断虽然有着便捷无创等优良的特性而广受青睐,但也存在着人为判断的主观性以及设备与人耳对信号频率范围的局限性等问题。因此,肺音识别的电子化与自动化将是该领域的必然发展趋势。近年来,伴随着现代信号分析技术的发展、硬件设施的开发与完善,以及对不同疾病下的异常肺音的进一步了解,机器化肺音识别与分类的研究发展迅速。然而,目前的肺音研究仍然有着较大的局限与不足:1.机器识别与分类后只是定量性分类为正常音或者特定的几种异常音,而缺乏与实际诊疗相结合的具体病理信息,比如异常音存在于呼吸相的位置。2.除早期的波形放大等手段外,缺乏像心电图与脑电图等视觉诊断的依据,肺音仍然依赖于经验丰富的医师的人工听觉判断来进行进一步的诊断。本文则针对于肺音识别研究中所存在的问题,提出了一种基于希尔伯特-黄变换方法来对肺音呼吸气相进行分割的方法,并通过MATLAB绘制GUI界面构建包含呼吸相分割的人机交互肺音识别软件系统。本文的主要内容包括如下叁个方面(1)系统地介绍了肺音知识,对典型异常肺音的产生机理与信号特征进行了阐释,以及当前对于肺音识别技术所采用的方法进行了介绍。(2)阐述了基于HHT变换的信号处理方法的基本原理与拓展应用,并针对于目前对肺音信号对呼吸相分割的不足之处,提出一种基于HHT变换的肺音呼吸气相识别与分割的方法。(3)通过MATLAB构建一个包含有呼吸气相分割的人机交互肺音识别软件系统。该系统能够通过对肺音信号进行气相分割,将气相信息作为有效特征来应用于肺音的识别,通过人机交互能够进一步完善分割与识别结果,在视觉辅助诊断方面也有着良好的可用性。(本文来源于《江苏大学》期刊2016-04-01）
李小进[6]（2014）在《嵌入式系统低功耗优化技术在肺音信号处理中的应用》一文中研究指出降低嵌入式系统的功耗有助于提高其稳定性、延长电池的续航时间、拓展产品的适用范围、减小其尺寸和重量。在全球倡导发展绿色经济的大背景下，降低嵌入式系统的功耗也是节能减排、保护生态环境的必然要求。本文以一款用于监测麻醉术中病人呼吸功能的嵌入式系统为研究对象，对它的低功耗优化问题进行深入探讨，以期降低其功耗，延长电池的使用时间，提高该系统的稳定性。首先，简要介绍嵌入式系统低功耗优化技术的研究背景和研究现状，在此基础上，详细阐述了CMOS电路的功耗特性、DVS和DPM技术、源程序级和算法级软件低功耗优化的关键技术及其相关原理。对MPU、存储系统、外围设备的低功耗优化的一般性方法进行了研究和总结。提出了一种可降低存储系统功耗的RAM自适应可重构动态分配机制，并给出了相应算法。其次，根据肺音信号处理系统的结构、功能和特点，着重研究该系统低功耗优化的策略与方法。提出可通过动态变换DSP数字信号处理器的运行速度、使用低功耗指令、正确处理未用引脚等措施来降低DSP的功耗；可对该系统的软件部分进行低功耗优化，通过充分利用片内存储空间和寄存器、合理使用存储器的低功耗模式、恰当地使用内联函数和宏、增强程序的局部性、相关数据的连续存储、循环体的适度展开与合并等策略与方法的联合使用来降低存储系统的功耗；对于LCD等外设，可通过使用中断方式、外设的低功耗模式、降低服务质量等方法来降低它们的功耗。最后，通过叁组实验来检验这些优化方法的有效性，并对实验结果作出分析和评估。结果表明，优化后的肺音信号处理系统在工作状态、待机状态及模拟用户使用时，其平均功耗均有不同程度的降低，从而实现了降低该系统的功耗的目标。(本文来源于《哈尔滨理工大学》期刊2014-03-01）
姚小静,王洪,李燕,崔建国[7]（2013）在《肺音信号分析及其识别方法的研究进展》一文中研究指出肺音蕴含着丰富的肺器官机能信息及生理病理状态信息。随着电子听诊器的出现和信号处理研究的深入,肺音信号的分析和识别技术向着精确化和智能化的方向发展。肺音听诊已成为了一种实用的临床诊断肺病的手段。介绍了肺音信号的特性、获取、处理和识别技术,对国内外的研究现状和肺音信号研究的多种方法进行了总结和评述,并对肺音诊断技术的发展趋势进行了展望。(本文来源于《重庆理工大学学报(自然科学)》期刊2013年12期）
王春华[8]（2010）在《基于盲源分离的肺音信号提取研究》一文中研究指出肺音信号是一种生理声信号,它是在人体的呼吸系统与外界在换气过程中产生的。肺音信号产生机理复杂却包含有丰富的生理和病理学信息。在现代的医学中,电子听诊是诊断呼吸系统疾病的一种常用的并且重要的手段。然而在听诊过程中,却有着心音信号这样一个不可避免的干扰。所以怎样从体表采集的肺音信号中除掉心音信号这样一个干扰,也从而成为一个热门研究。本文采用盲源分离(BSS)技术,来分离心音信号与肺音信号。盲信号分离就是在混合过程和被混合源信号均未知的情况下,根据少量的先验信息,从观测值中恢复或估计出源信号。这一先验信息通常就是盲信号分离中的基本假设条件一源信号是统计独立的。线性即时混合和独立性假设条件下的盲分离问题又称为独立分量分析(ICA)。源信号的统计独立性是一个很宽松的条件,因此盲信号分离在众多的领域中获得了广泛的应用,例如语音信号处理、图像信号处理、生物医学信号处理、通信、雷达等等。本文介绍了盲源分离的基本数学原理和基本模型、求解问题的步骤,详细阐述和分析了独立分量分析的理论和算法。同时论述了ICA在信号处理中的应用,提出了存在的问题和进一步研究的方向。详细阐述了利用快速不动点(FastICA)算法和信息极大准则(Infomax)算法实现语音分离的相关问题。最后结合心音信号与肺音信号是具有短时平稳性的非平稳信号的事实,我们采用FastICA算法和Infomax算法对肺音信号和心音信号进行盲源分离,最后通过仿真试验,表明了上述两个算法有较好的性能。同与以往的肺音信号提取的方法相比,我们采用盲源分离的方法既能够在分离出肺音信号也能够分离出心音信号。因此本文的研究有双重的意义。(本文来源于《山东科技大学》期刊2010-05-01）
郭皓,黄华[9]（2009）在《利用高阶统计量进行心肺音信号的盲分离》一文中研究指出根据心肺音信号采集的特点,提出利用利用高阶统计量对心肺音信号进行盲分离。这样可以有效地去除高斯有色噪声,并对肺音信号采集时的一个重要干扰源——心音信号进行分离。(本文来源于《生物医学工程学杂志》期刊2009年02期）
郑燕娇,钱翔,周一平,张卫星,叶大田[10]（2008）在《基于单导肺音信号的呼吸气相识别》一文中研究指出为进行不用测量气流的自动肺音识别,提出了一种基于单导肺音信号的呼吸气相检测算法。在肺音平均功率谱上定位出吸气顶点和呼吸气相切换点。通过吸气顶点,来判断气相模式,为肺音特征分析提供时域定位标准。经37例实验数据验证,结果表明:全自动模式下正常肺音分相准确率为85.7%,半自动模式下的准确率达92.3%。该算法可有效地识别呼吸气相,可简化肺音研究。(本文来源于《清华大学学报(自然科学版)》期刊2008年12期）
肺音信号论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
目的:通过研究肺音与肺部疾病的内在联系,分析识别肺音信号的特征值,为人体肺部器官的器质和功能性病变等肺部急性病诊断提供重要依据。方法:对病理性肺音分类及肺音检测系统中肺音信号噪声干扰的来源进行阐述,并对目前存在的短时傅里叶变换、小波分析识别、高阶谱分析法等病理性肺音分析识别方法的优缺点进行归纳总结。结果:短时傅里叶变换应用于肺音信号分析识别降低了对肺音信号平稳性的要求;小波分析识别是典型的肺音分析识别方法,对肺音中混入的心音等非相同频率段噪声的消除效果较好;高阶谱分析有效地抑制高斯噪声的同时保留了肺音信号的相位特性,且能提取同类肺音信号模式特征的相似性和异类肺音信号模式特征的差异性。结论:完善的肺音信号分析识别方法,对于肺部病理性肺音的特征提取及完整的系统肺音特征参数数据库建立,以及对于肺部疾病相关基础研究及临床诊断与数据统计日益显示出重要性。肺音信号分析识别在临床上具有重要的研究价值,通过本文的综述对借助于肺音信号特征值检查人体肺部病理信息具有重要的借鉴意义。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
肺音信号论文参考文献
[1].张总,王建莉.简易心肺音信号检测与分析系统设计[J].新技术新工艺.2019
[2].苌飞霸,尹军,何庆华,毕玉田.病理性肺音信号的分析识别方法[J].中国医学物理学杂志.2016
[3].郭鹿鸣.基于盲源分离的心肺音信号分离方法研究与应用[D].广东工业大学.2016
[4].郭鹿鸣,何良明,唐增.基于盲源分离的心肺音信号分离方法[J].科技展望.2016
[5].郑明杰.基于希尔伯特—黄变换的肺音信号识别方法研究[D].江苏大学.2016
[6].李小进.嵌入式系统低功耗优化技术在肺音信号处理中的应用[D].哈尔滨理工大学.2014
[7].姚小静,王洪,李燕,崔建国.肺音信号分析及其识别方法的研究进展[J].重庆理工大学学报(自然科学).2013
[8].王春华.基于盲源分离的肺音信号提取研究[D].山东科技大学.2010
[9].郭皓,黄华.利用高阶统计量进行心肺音信号的盲分离[J].生物医学工程学杂志.2009
[10].郑燕娇,钱翔,周一平,张卫星,叶大田.基于单导肺音信号的呼吸气相识别[J].清华大学学报(自然科学版).2008