基于DHMM的低心率变异性心音的分割方法

作者：许春冬; 周静; 应冬文; 侯雷静; 龙清华

来源：数据采集与处理, 2019, 34(04): 605-614.

DOI：10.16337/j.1004-9037.2019.04.004

• 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

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(Durationdependent 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。

• 单位
  江西理工大学; 中国科学院声学研究所