基于DHMM的低心率變異性心音的分割方法
關(guān)鍵詞：心音分割 集合經(jīng)驗(yàn)?zāi)B(tài)分解 高斯建模 時(shí)域特征 基于時(shí)間相關(guān)性的隱馬爾可夫模型
摘要：針對(duì)現(xiàn)有心音定位分割方法精度有限的難題,提出了一種對(duì)心率變異性較低的信號(hào)建模分割方法。首先,通過集合經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble empirical mode decomposition,EEMD)使用有效的本征模態(tài)函數(shù)(Intrinsic mode function,IMF)分量來(lái)表征心音信號(hào),提高心音信號(hào)的可分析性;然后,通過基礎(chǔ)心音與非基礎(chǔ)心音間的高斯約束關(guān)系建立高斯混合模型(Gaussian mixture model,GMM);接著,優(yōu)化隱馬爾可夫模型(Hidden Markov model,HMM)并建立基于時(shí)間相關(guān)性的隱馬爾可夫模型(Duration-dependent hidden Markov model,DHMM),更簡(jiǎn)潔地描述分割模型,降低算法復(fù)雜度;最后,通過時(shí)域特征區(qū)分出s1,收縮期,s2和舒張期。將本文算法與經(jīng)典Hilbert算法和邏輯回歸的隱半馬爾科夫模型(Logistic regression hidden semi-Markov model,LRHSMM)算法進(jìn)行了對(duì)比,實(shí)驗(yàn)結(jié)果表明,本文算法的檢出正確率和運(yùn)算耗時(shí)等評(píng)價(jià)指標(biāo)更優(yōu)。
數(shù)據(jù)采集與處理雜志要求:
{1}基金項(xiàng)目：如果論文是項(xiàng)目成果，請(qǐng)按“項(xiàng)目名稱（項(xiàng)目號(hào)）”的形式寫出。項(xiàng)目名稱與項(xiàng)目號(hào)兩者都要有。
{2}稿件應(yīng)具有科學(xué)性、創(chuàng)新性和實(shí)用性，論點(diǎn)明確、論據(jù)可靠、數(shù)據(jù)準(zhǔn)確、邏輯嚴(yán)謹(jǐn)、文字通順。
{3}文中圖表或插圖請(qǐng)附清晰的原圖文件（tif. 或eps.格式，不低于600 像素）。
{4}注釋是對(duì)論文中某一特定內(nèi)容的解釋或補(bǔ)充說明，用帶圈數(shù)字注于當(dāng)頁(yè)頁(yè)腳。
{5}稿件文字、標(biāo)點(diǎn)、年代、數(shù)字等書寫方式均以國(guó)家有關(guān)規(guī)定為準(zhǔn)。
注：因版權(quán)方要求，不能公開全文，如需全文，請(qǐng)咨詢雜志社
