导读:本文包含了心音去噪论文开题报告文献综述及选题提纲参考文献，主要关键词:心音,先心病,提升小波,小波
心音去噪论文文献综述
肖苗,常俊,潘家华,杨宏波,王威廉[1]（2019）在《基于提升小波变换的心音去噪新方法》一文中研究指出针对传统的小波阈值函数去噪无法有效滤除信号中的特定噪声,结合软、硬阈值函数的优点,提出了一种基于提升小波新阈值函数算法对心音信号进行去噪.首先利用提升小波变换对心音信号进行分解;然后利用新阈值函数更新其小波系数进行重构;最后与提升小波软、硬阈值函数去噪后的心音进行了希尔伯特包络提取验证其去噪效果.实验结果表明,提出的提升小波去噪新方法较软、硬阈值方法有更好的滤波效果,且提取的曲线包络更加清晰、平滑.(本文来源于《云南大学学报(自然科学版)》期刊2019年06期）
董利超,郭兴明,郑伊能[2]（2019）在《基于CEEMD的心音信号小波包去噪算法研究》一文中研究指出针对传统心音去噪方法易将其部分高频有用信息作为噪声滤除而造成滤波后的心音信号失真及信息丢失的问题,提出了一种基于互补总体经验模态分解(CEEMD)的小波包变换去噪算法。首先通过互补总体经验模态分解将心音信号分解为从高频到低频的不同固有模态函数分量(IMFs),并利用自相关函数客观界定信号的模态分量范围;然后对噪声主导模态分量和混迭模态分量采用小波包变换进行滤波提取有用信息后,与剩余固有模态分量进行重构得到去噪后的信号。实验结果表明,改进的算法不仅可以去除心音中的噪声成分,明显改善心音信号的信噪比和均方根误差,而且能够有效保留信号的高频有用信息,且在不同噪声水平下的去噪性能均优于传统算法,鲁棒性较好。(本文来源于《振动与冲击》期刊2019年09期）
查启秋[3]（2017）在《基于FPGA的心音采集系统设计与信号去噪分析》一文中研究指出近些来年来,先天性心脏病的发病率呈逐年增加的趋势,对人们构成了很大的危害。但这种疾病并非不治之症,只要病人能够早发现并及时得到的治疗,是能够有可能得到康复的。由于先天性心脏病的早期症状不明显,因此临床难以诊断,通常依靠有多年听诊经验的医生用听诊器来诊断,然而这种诊断方法难以在一些边远山区普及。本文对心音信号进行了深入研究,设计了基于FPGA的心音信号采集系统,希望通过这项研究可以为基层医务人员制作出一种高质量的心音信号采集设备,为医生临床诊断先天性心病提供了十分重要价值的参考依据。本文对心音采集系统与心音信号进行了研究,首先阐述了心音采集系统的研究现状,然后结合心音信号的特点,最终选取了基于FPGA的心音采集系统设计。本文做了以下5个方面的工作:1.心音信号通过心音传感器将心音信号转换为电信号,但心音信号具有容易受到噪声影响、且幅度小的特点,设计了前端电路,用于把心音信号传输到FPGA,在电路中对心音信号进行了跟随与放大,同时考虑到为了方便听诊,加了一个外放模块,这样就可以对心音进行实时地监听。2.传统采集系统使用的A/D转换芯片为12位精度,本文设计的采集系统在FPGA中用A/D转换芯片为24位精度的WM8731音频芯片。相比传统采集系统,本采集系统具有更高的采集精度,更高的分辨率,并且它的采样率可达到96KHz。3.对心音进行去噪分析研究,由于心音信号频率很低,所以在FPGA上设计了FIR低通滤波器,来完成心音信号去噪。4.网络传输设计使用的是DM9000A芯片,由于网络控制器的实现比较复杂,所以使用Quartus Ⅱ中的NiosⅡ软核来完成一个SOPC系统,这样就大大简化了设.计,可以实现把采集到的数据送到上位机。5.传送来的信号通过上位机来进行显示,上位机设计使用C#语言与measurementstudio插件进行开发,实现对数据的显示。(本文来源于《云南大学》期刊2017-03-01）
周克良,邢素林,聂丛楠[4]（2016）在《基于自适应阈值小波变换的心音去噪方法》一文中研究指出在采集心音信号时,难免会引入一些噪声,对心音信号诊断之前必须对其做去噪处理。由于心音信号是非线性非平稳信号,对心音信号去噪处理常用小波变换去噪方法,但是传统的小波阈值函数去噪方法需要自定义阈值,去噪效果也不理想,且可能会滤除了大量的细节特征,从而无法对心音信号做出正确的判断。为了克服传统小波阈值函数对心音信号去噪处理出现失真的问题,本文在半软阈值函数的基础上提出了基于蚁群算法优化选取阈值的非线性小波变换去噪方法。以原始心音为研究对象,通过选用db6小波并进行6层小波分解,分别选用硬阈值函数、软阈值函数、半软阈值函数、蚁群算法的优化阈值的半软函数等不同的小波去噪处理,并将去噪效果与原始心音进行对比,然后利用蚁群算法的全局搜索性搜索最小均方误差意义下的最佳阈值。仿真结果分析表明:蚁群算法优化选取阈值的心音去噪效果不仅能够去除噪声,还能保留信号细节特征,该方法与传统的硬阈值函数去噪方法相比信号的信噪比(SNR)和均方根误差(RMSE)均得到明显的改善。(本文来源于《广西师范大学学报(自然科学版)》期刊2016年01期）
周克良,章祖忠,周利锋,聂丛楠[5]（2015）在《一种新阈值函数的小波变换在心音去噪中的设计》一文中研究指出为了解决传统小波阈值函数在心音去噪中存在噪声滤除不完全、去噪信号不连续、震荡,去噪的同时滤除了过多的细节信息等问题。提出了一种新阈值函数的Db6小波变换心音去噪方法。通过调整参数m来调整阈值函数,使得心音信号在小波变换细尺度上去除噪声并且尽可能的保留细节系数。然后用无偏估计优化选取方法选取阈值函数的最优阈值。仿真结果分析表明:该方法克服了传统阈值函数的缺陷,信号的信噪比(Signal-Noise Ratio,SNR)提高了20%和根均方误差(Root Mean Square Error,RMSE)提高了32.5%。(本文来源于《制造业自动化》期刊2015年20期）
高清河,刚晶,王和禹[6]（2015）在《基于平稳小波变换心音信号阈值去噪的对比分析》一文中研究指出为研究去除心音信号中的环境噪声、工频噪声和肌电噪声等多种噪声,获得最优的心音去噪方法。论文基于平稳小波变换选取db5小波对心音信号进行3尺度分解,对分解后的高频系数分别选择了硬阈值函数以及软阈值函数,并对固定阈值、Stein无偏似然估计阈值、启发式阈值、极大极小阈值以及Penalized阈值进行了对比分析。通过去噪衡量指标对心音信号不同阈值以及阈值函数的去噪效果对比分析,硬阈值的去噪效果要好于软阈值的去噪效果,去噪效果最好的是Stein无偏似然估计阈值,有效地去除了参杂在心音信号中的多种噪声。(本文来源于《计算机与数字工程》期刊2015年06期）
郭兴明,何彦青,卢德林,袁志会[7]（2014）在《平移不变小波在心音信号去噪中的应用》一文中研究指出小波阈值去噪方法可以消除心音信号中的噪声,但其缺乏平移不变性,可能在信号的奇异点附近产生人为的振荡现象,即Pesudo-Gibbs现象,影响去噪效果。采用平移不变(Translation Invariance,TI)小波阈值去噪的方法对心音信号进行去噪,通过对信号序列平移来改变奇异点在整段信号的位置,以降低或消除振荡。对信号采用平移不变小波去噪之前,先通过消除趋势项来降低信号采集过程中引入的干扰。实验结果表明,该方法消除了人为振荡现象,在保留心音信号主要特征的前提下,信号的信噪比(Signal-to-Noise Ratio,SNR)和根均方误差(Root Mean Square Error,RMSE)均得到明显改善。(本文来源于《计算机工程与应用》期刊2014年24期）
梁庆真,郭兴明,袁志会[8]（2014）在《局部投影和离散小波变换在心音信号去噪中的应用》一文中研究指出针对心音信号非线性的特点,提出噪声水平自适应估计的局部投影与离散小波阈值相结合的去噪方法,该算法既能得到精确的重构信号又能保留微弱信号的有效特征。Lorenz序列数值仿真结果表明,该方法可以有效地抑制噪声,其信噪比和均方误差均优于局部投影去噪和离散小波阈值去噪;对比不同算法去噪前后信号的最大Lyapunov指数,得出该方法能很好地保留原始信号的非线性特征。对实测心音信号的降噪研究,进一步表明了该方法的有效性。(本文来源于《振动与冲击》期刊2014年13期）
梁庆真[9]（2014）在《基于相空间去噪的心音信号递归定量分析及识别》一文中研究指出心血管疾病严重威胁着人类的健康。心音是心脏运动所产生的振动信号，蕴含着与心血管疾病有关的心房、心室、血管和瓣膜等部位的各种信息，所以心音分析是无创检测心脏病的重要手段。心脏跳动是非线性的，因而决定了心音的复杂性和非线性。目前人们更多地采用线性的方法对心脏模型进行简化或近似，这样并不足以完整的揭示生命活动规律。随着科学技术的发展，非线性系统的研究已取得了很大的进展，这为我们更好地评估心脏状态暗示了一条途径。心音信号是一种微弱振动信号，在采集的过程中会不可避免的引入干扰噪声，这会使有用信号成分受到污染，影响后续分析，所以心音的前期去噪显得尤为重要。传统去噪法一般从线性角度出发，忽略了心音非线性的本质，使其自身的动力学特性受损，导致后续提取的特征参数不准确，进而影响识别。针对心音信号非线性的特点，本文提出噪声水平自适应估计的局部投影与离散小波阈值相结合的去噪方法。该方法建立在相空间重构的基础上，先取较大的嵌入维，用局部投影降噪去除随机噪声部分，保留了较强信号和微弱信号，然后取较小的嵌入维，再次用局部投影降噪算法，这时特征值较大的信号为较强的信号，特征值较小的即为微弱信号，但是微弱信号中还包含一些噪声，而离散小波阈值去噪可以有效地保留信号信息，所以再用离散小波阈值降噪将此噪声去除，即可得到较完整的心音信号。对实测的心音信号进行分析，结果表明该方法能有效地抑制噪声，通过去噪前后最大Lyapunov指数的计算，判断出该方法能很好地保留原始信号的非线性特征。从非线性动力学系统的基本特征出发，选取临床采集的正常及两类异常心音信号为对象，对去噪后的心音信号进行非线性分析，包括基于递归图的递归定量分析和混沌特征量Kolmogorov熵的研究，并从中选取了递归率、确定率、最长对角线及Kolmogorov熵4个特征指标组成特征值向量，再通过主成分分析压缩特征值向量，然后根据该压缩了的特征值向量建立不同类别心音各自的联合概率密度分布模型，并设定判别阈值，可以对心音类型进行辨识。(本文来源于《重庆大学》期刊2014-04-01）
庞春颖,韩立喜,刘记奎[10]（2013）在《基于双自适应提升算法的心音信号去噪研究》一文中研究指出心音去噪是心音信号临床使用的前提。提出将双自适应提升算法用于心音去噪处理。该算法采用自适应更新和自适应预测构造小波函数,通过将传统的硬阈值和软阈值函数相结合,构造了一个改进的阈值函数进行心音信号去噪处理。对临床采集的80例心音信号进行了去噪实验,结果表明:该算法表现出良好的去噪效果,并增强了信号的局部特征。同普通小波去噪方法相比,其信噪比提高了46.5%,均方根误差减小了64.0%,而且运行速度快,可有效地用于临床心音信号的去噪处理。(本文来源于《振动与冲击》期刊2013年19期）
心音去噪论文开题报告
（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：
针对传统心音去噪方法易将其部分高频有用信息作为噪声滤除而造成滤波后的心音信号失真及信息丢失的问题,提出了一种基于互补总体经验模态分解(CEEMD)的小波包变换去噪算法。首先通过互补总体经验模态分解将心音信号分解为从高频到低频的不同固有模态函数分量(IMFs),并利用自相关函数客观界定信号的模态分量范围;然后对噪声主导模态分量和混迭模态分量采用小波包变换进行滤波提取有用信息后,与剩余固有模态分量进行重构得到去噪后的信号。实验结果表明,改进的算法不仅可以去除心音中的噪声成分,明显改善心音信号的信噪比和均方根误差,而且能够有效保留信号的高频有用信息,且在不同噪声水平下的去噪性能均优于传统算法,鲁棒性较好。
（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。
心音去噪论文参考文献
[1].肖苗,常俊,潘家华,杨宏波,王威廉.基于提升小波变换的心音去噪新方法[J].云南大学学报(自然科学版).2019
[2].董利超,郭兴明,郑伊能.基于CEEMD的心音信号小波包去噪算法研究[J].振动与冲击.2019
[3].查启秋.基于FPGA的心音采集系统设计与信号去噪分析[D].云南大学.2017
[4].周克良,邢素林,聂丛楠.基于自适应阈值小波变换的心音去噪方法[J].广西师范大学学报(自然科学版).2016
[5].周克良,章祖忠,周利锋,聂丛楠.一种新阈值函数的小波变换在心音去噪中的设计[J].制造业自动化.2015
[6].高清河,刚晶,王和禹.基于平稳小波变换心音信号阈值去噪的对比分析[J].计算机与数字工程.2015
[7].郭兴明,何彦青,卢德林,袁志会.平移不变小波在心音信号去噪中的应用[J].计算机工程与应用.2014
[8].梁庆真,郭兴明,袁志会.局部投影和离散小波变换在心音信号去噪中的应用[J].振动与冲击.2014
[9].梁庆真.基于相空间去噪的心音信号递归定量分析及识别[D].重庆大学.2014
[10].庞春颖,韩立喜,刘记奎.基于双自适应提升算法的心音信号去噪研究[J].振动与冲击.2013