- 文献综述（或调研报告）：
大量的研究工作已经投入到开发准确和鲁棒的心音分割算法以及心音分类方法。现分别对分割和分类的一些方法进行整理与归纳。
首先是一些心音分割的方法。Varghees V N等人提出了一种基于全变分滤波、香农熵包络提取、分析信号计算、基于瞬时相位的边界确定和边界位置调整的鲁棒性心音活动自动检测方法，用于自动确定正常和病理PCG信号中包含的心音和心脏杂音部分的边界。在第一阶段，电视滤波方法的目的是平滑背景噪声，并保留PCG信号中的心音和杂音。第二阶段对滤波后的PCG信号样本的阈值香农熵进行零相位滤波，得到平滑的香农熵包络。在第三阶段，将瞬时相位波形计算为平滑信号包络线分析信号的相位角。在第四阶段，通过处理瞬时相位波形的正斜线角点和连续零点之间的局部极大值和极小值，确定候选包络线的边界。最后，将所确定的候选边界作为确定原始PCG信号中包含的声学心音的真实峰值和边界的指南。在大型PCG数据库中进行的各种实验表明，在信噪比为5db时，该方法的灵敏度为99.43%，阳性预测值为93.56%，检测错误率为7.46%，能准确判断心音(S1, S2, S3, S4)、杂音和收缩期/舒张期的边界。由于它不像现有的其他方法那样包含搜索返回算法，因此在低计算负载的情况下，这种方法更加可靠，具有更好的检测精度，因此可直接用于计算机辅助心音自动分析、PCG信号增强、PCG信号压缩和基于PCG的人识别系统的预处理步骤[6]。
Papadaniil C D 和Hadjileontiadis L J提出了一种利用集合经验模态分解和峰度特征进行有效的心音分割和提取的方法。该方法自动检测第一个(S1)和第二个(S2)心音的位置，并从心脏听诊原始数据中提取它们，然后采用集成经验模态分解结合峰度特征对心音图进行分析，定位S1、S2的存在，并从记录数据中提取。其性能评估实验数据集共有43个心录音，分别来自11个正常人,16主动脉瓣狭窄患者,和16的二尖瓣返流的不同程度的严重性的患者。实验结果表明，总的来说，该方法以94.56%的百分比确定心音位置，并对83.05%的病例正确分割心脏周期。此外，加性高斯噪声和呼吸噪声的噪声应力测试结果证明了该方法的噪声鲁棒性[5]。
Springer D B，Tarassenko L和 Clifford G D解决了在嘈杂的、真实的PCG记录中使用半隐马尔科夫模型(HSMM)对第一和第二心音进行精确分割的问题，并使用逻辑回归对发射概率估计进行了扩展。他们还实现了一种改进的Viterbi算法来解码最有可能的状态序列，并在112例患者(包括12181次第一次和11627次第二次心音)记录的10172秒PCG大数据集上对该方法进行了评估。在评估隐式测试集时，该方法实现了平均F1得分为95.63plusmn;0.85%，而当前最先进的分数是86.28plusmn;1.55%。与之前基于高斯分布的发射概率估计相比，他们使用逻辑回归提供的状态间的区别更大，而且还使用了扩展的Viterbi算法，使得该方法能够显著优于基于双边配对t检验的当前最先进的方法[2]。
Sedighian P等人研究了同态滤波和无监督隐马尔科夫模型(HMM)在小儿心音分割中的应用。他们在数据预处理后，采用同态滤波方法提取能量包络图，之后为了检测S1和S2峰，对能量环境图进行归一化（删除其平均值）和零交叉。然后，将两个标准应用于峰调节，峰值检测后采用一维、二态连续密度隐马尔可夫模型将峰分为S1峰和S2峰。最后采用20倍交叉验证(100次实现)在公共可用的Pascal Challenge数据集上评估了该方法的有效性，并将其性能与其他三种现有方法进行了比较。结果表明，该方法对第一、第二心音成分的识别正确率分别为92.4%plusmn;1.1%和93.5%plusmn;1.1%，在正确率和计算复杂度上均优于现有的三种方法：Gupta的方法、Sepehri方法和Castro的方法。他们提出的方法在峰值识别的准确性方面比Castro方法的优势似乎并不明显，但计算复杂度较低，也是一种较好的小儿心音分割方法[8]。
心音分类的方法也有很多人在研究。Olmez T和 Dokur Z 提出利用人工神经网络对心音进行分类，将小波变换与G网络相结合，成功地对7类心音进行了分类：主动脉瓣狭窄，二尖瓣反流，二尖瓣狭窄，肺动脉狭窄，主动脉反流，重叠奔马律和正常心音。将小波变换同时应用与时域和频域的分析，小波变换通过将信号分解为时间和频率均具有良好局域性的基本构造块，对第一和第二心音进行分割，可以表征信号的局部规律性，然后使用小波细节系数在第六分解层来确定S1和S2。生长与学习(growth and learn, GAL)被提出作为一种增量的、有竞争力的学习网络来提高心音的分类性能。在一项研究中观察到GAL具有快速训练和分类,实现简单和令人满意的性能。因此，为了实时进行心音分类，他们使用GAL作为增量神经网络。该过程训练集由18例非病理性心音和37例病理性心音组成。输入特征向量包含收缩期54个特征，舒张期25个特征，收缩压和舒张压信号大小的2个特征，总共有81个特征。由于本研究中使用的特征数量较多，因此总体计算时间增加。临床心音类别不止7个，分类性能通常随着类别数量的增加而下降。由于小波变换具有成功的分类结果，在未来的研究中，小波变换仍可用于7个以上HS类别的分类[14]。
Zuuml;mray Dokur,和Lmez Ouml;T提出了一种新的心音分类方法，将离散小波变换应用于心音信号循环的窗口化。小波变换用于S1-S2语音的分割和特征的确定。在第三、第四和第五分解级细节系数的基础上，利用自适应峰值检测器确定S1-S2声音的时间。在特征提取中，采用散度分析方法，将特征向量的维数从50降到了10。在分类阶段，通过神经网络对14种不同心音进行了分类。为了提高心音分类的性能，提出了一种增量神经网络。实验结果表明，即使在噪声环境下，该算法也能很好地对心音信号进行分类[12]。
Wang X和 Li Y是针对2016年生理信号挑战赛中正常/异常心音分类问题，通过改变预处理中滤波器的通带，增加有利于分类的频域特征和熵特征，提高对心音记录正常/异常分类的准确性。他们将原本心音预处理中通带为25-400 Hz的巴特沃思滤波器替换为通带为31.25-250 Hz的小波滤波器，提高了心音分割的准确性。采用基于时间依赖性logistic回归的隐马尔可夫模型(HSMM)将再次采样的心音进行分割。然后，计算了20个基本时域特征。在上述20个特征基础上，增加了4个频域特征、4个熵特征和2个时域特征，提高了分类精度。在隐式测试集中得到了很好的结果，敏感性为71.6%，特异性为78.2%，总分为74.9%[1]。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
