基于DHMM的低心率变异性心音的分割方法

• 作者: 侯雷静 周静 应冬文 许春冬 龙清华
• 来源期刊: 数据采集与处理
• 学科: 医学
• 关键词: 心音分割 集合经验模态分解 高斯建模 时域特征 基于时间相关性的隐马尔可夫模型
• 年，卷（期）: 2019,（4）
• 页码范围: 605-614
• 页数: 10页
• 分类号: R318.04
• 字数: 5955字
• 语种: 中文
• DOI: 10.16337/j.1004-9037.2019.04.004

摘要

针对现有心音定位分割方法精度有限的难题,提出了一种对心率变异性较低的信号建模分割方法.首先,通过集合经验模态分解(Ensemble empirical mode decomposition,EEMD)使用有效的本征模态函数(Intrinsic mode function,IMF)分量来表征心音信号,提高心音信号的可分析性;然后,通过基础心音与非基础心音间的高斯约束关系建立高斯混合模型(Gaussian mixture model,GMM);接着,优化隐马尔可夫模型(Hidden Markov model,HMM)并建立基于时间相关性的隐马尔可夫模型(Duration-dependent hidden Markov model,DHMM),更简洁地描述分割模型,降低算法复杂度;最后,通过时域特征区分出s1,收缩期,s2和舒张期.将本文算法与经典Hilbert算法和逻辑回归的隐半马尔科夫模型(Logistic regression hidden semi-Markov model,LRHSMM)算法进行了对比,实验结果表明,本文算法的检出正确率和运算耗时等评价指标更优.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	许春冬	江西理工大学信息工程学院	38	141	6.0	10.0
2	应冬文	江西理工大学信息工程学院	6	16	2.0	4.0
4	周静	江西理工大学信息工程学院	7	3	1.0	1.0
7	龙清华	江西理工大学信息工程学院	6	2	1.0	1.0
8	侯雷静	中国科学院声学研究所语言声学与内容理解重点实验室	1	0	0.0	0.0