一、肺音信号的非线性检测与肺胸系统声传递特征研究（论文文献综述）
曹春雷,王双维,吴颜生,柴宗谦,梁士利[1]（2019）在《基于语谱图的改进型LBP肺音识别》文中研究说明为了准确区分各种肺音信号,获得更理想的肺音识别效果,提出了一种基于语谱图的改进型LBP肺音识别方法.首先通过短时傅里叶变换将肺音信号转化为灰度语谱图;其次利用改进后LBP算法计算语谱图的局部纹理关系,将局部二值模式特征进行级联构成特征向量;最后利用支持向量机对正常肺音和三类异常肺音信号进行识别分类.结果表明,该方法对不同肺音信号的识别率可达92.59%,为肺部疾病的医疗诊断提供了新的思路.
苌飞霸,尹军,何庆华,毕玉田[2]（2016）在《病理性肺音信号的分析识别方法》文中指出目的:通过研究肺音与肺部疾病的内在联系,分析识别肺音信号的特征值,为人体肺部器官的器质和功能性病变等肺部急性病诊断提供重要依据。方法:对病理性肺音分类及肺音检测系统中肺音信号噪声干扰的来源进行阐述,并对目前存在的短时傅里叶变换、小波分析识别、高阶谱分析法等病理性肺音分析识别方法的优缺点进行归纳总结。结果:短时傅里叶变换应用于肺音信号分析识别降低了对肺音信号平稳性的要求;小波分析识别是典型的肺音分析识别方法,对肺音中混入的心音等非相同频率段噪声的消除效果较好;高阶谱分析有效地抑制高斯噪声的同时保留了肺音信号的相位特性,且能提取同类肺音信号模式特征的相似性和异类肺音信号模式特征的差异性。结论:完善的肺音信号分析识别方法,对于肺部病理性肺音的特征提取及完整的系统肺音特征参数数据库建立,以及对于肺部疾病相关基础研究及临床诊断与数据统计日益显示出重要性。肺音信号分析识别在临床上具有重要的研究价值,通过本文的综述对借助于肺音信号特征值检查人体肺部病理信息具有重要的借鉴意义。
张柯欣[3]（2016）在《病理性附加肺音可视化识别方法研究》文中研究说明病理性附加肺音属于非周期性的瞬变信号,对病理性附加肺音进行即时识别和有效分析,是监控呼吸系统病情和不断改进治疗方法的十分必要的手段。病理性附加肺音的产生原因复杂、产生部位各异、采集方式方法不统一,其分析和识别比心音研究更加困难。目前对肺音的分析多利用时频分析和各种数值分析的方法进行研究探索,这些对不同种类的肺音自动分类的方法由于缺少提供给临床医生的直观依据和样本数偏少,还很难得到临床的认可和推广。本文提出了一种病理性附加肺音可视化识别的方法,能够提供给临床医生直观分类依据并有效识别典型肺音,本文围绕这一方法进行了如下的研究工作:（1）提出了典型的病理性附加肺音的一种频谱图像模型,并根据这一模型设计出新的病理性附加肺音识别方法。新模型与方法具有如下创新之处,首先,对于水泡音（也称湿啰音）和喘鸣音（也称干啰音）这两种国际上的典型病理性附加肺音分类,现有研究仅有谱图描述,而没有对谱图特征的分析,新模型则分别给出了这两种肺音的谱图特征表现,为可视化识别这两种肺音给出了图像判断依据。其次,新模型统一了这两种典型病理性附加肺音的谱图特征,给出了统一的数学模型和特征计算方法,将不同的肺音用不同的数值特征进行区别,为建立统一的病理性附加肺音可视化识别方法奠定了数值分析基础。（2）依据病理性附加肺音的统一频谱图像模型,提出了水泡音可视化识别方法。提出了基于STFT变换的VC-STFT算法、基于小波变换的VCWT算法和基于S变换的VCST算法,设计了具体的算法并进行了算法数据分析。通过实验分析验证了水泡音可视化识别方法的有效性。（3）依据病理性附加肺音的统一频谱图像模型,提出了喘鸣音可视化识别方法。提出了基于STFT的VW-STFT算法、基于Hough变换的VWHT算法、基于小波变换的VWWT算法和基于S变换的VWST算法,设计了具体的算法并进行了算法数据分析,对各种算法的准确率和特点进行了分析。通过实验分析验证了喘鸣音可视化识别方法的有效性。（4）依据病理性附加肺音的融合频谱图像模型,提出了融合计算的方法来实现对病理性附加肺音的可视化识别,提出并实现了 VLFR肺音可视化融合识别算法。通过实验和算法的数据分析验证了这一方法的有效性和优势。（5）对临床采集和国际上共享的肺音数据提出了统一处理的标准化方法,将临床采集和互联网上公开的肺音数据按照这一方法进行了统一处理并纳入本文的实验肺音库。这一方法为不同采集方式和来源的肺音利用同样的算法进行处理提供了数据基础。基于这项工作,才能提出上述典型病理性附加肺音的谱图特征模型。
秦国瑾[4]（2016）在《呼吸音数据采集及定量分析研究》文中研究表明随着大气污染加剧,环境问题越来越成为大众关心的话题。随之而来的呼吸系统疾病,更是民众关心的热点。由于呼吸音信号中包含着呼吸系统的大量生理病理信息,所以呼吸音信号的分析和研究近年来成为科学研究的热点和焦点。呼吸音听诊作为一种无创呼吸音监测手段,得到了越来越广泛的应用。由于临床常见呼吸音疾病多为混合病变,且病变位置不固定,传统的单导听诊不能提供丰富的临床信息。因此,在本研究室前期研究工作的成果基础上,提出了多部位呼吸音采集方法,在对采集到的七个部位的信号做了深入分析以后,针对采集到的环状软骨下三角区呼吸音信号,研究了一套快速有效呼吸音解析算法,智能实现正常呼吸音和异常呼吸音的识别。为了完成以上目标,本文主要在以下几个方面进行深入研究:（1）新型的呼吸音采集方法设计及呼吸音信号采集在深入的研究和学习了呼吸音与呼吸系统疾病的关系之后,分别在七个临床呼吸音听诊部位（环状软骨下三角区,左上肺,左中肺,左下肺,右上肺,右中肺,右下肺）采集呼吸音,已经采集数据为:25名来自西华大学无呼吸系统疾病志愿者的54例呼吸音信号和20名来自解放军军区452医院呼吸内科呼吸疾病患者的46例异常呼吸音信号（其中包括30例哮喘病人呼吸音信号）,完成了本研究所需的呼吸音数据储备工作。（2）呼吸音信号的预处理对采集到的呼吸音噪音源进行分析,针对各种呼吸音设计相应的处理方法,例如:带通滤波器去噪、小波自适应阈值降噪AWT、平稳-非平稳滤波技术ST-NST,通过以上的方案尽可能提高呼吸音信号的信噪比,通过对比实验,预处理效果比较明显。（3）特征提取本文针对呼吸音的特性,采用了时域和频域相结合的特征提取方法,时域主要通过同态滤波的包络提取方法提取呼吸音包络,提取出呼、吸气相转换点以及吸气相、呼气相持续时间T1、T2、呼吸气相时间比Tr=T2/T1、呼吸频率Rr参数;频域主要通过离散快速傅里叶变换、基于小波变换的频带能量特征提取法、频谱下划面积四等分处频率提取法。提取了各频带归一化能量值T=[E1 E2 E3 E4 E5 E6 E7],频谱曲线下面积划成四等分处的频率Q25、Q50、Q75。通过以上参数,对正常人呼吸音和哮喘病人呼吸音进行初步的识别。（4）临床呼吸音定量分析研究利用上述介绍的呼吸音特征提取方法,对临床采集的正常呼吸音和哮喘病人进行特征提取,通过对特征参数的分析研究、数理统计,初步建立了临床呼吸音定量评价体系。本文实测了两例哮喘病人发作入院及缓解出院的呼吸音信号,进行时频特征参数的定量分析,初步验证了该评价体系的有效性。本文主要对正常呼吸音和异常呼吸音中的哮喘病人呼吸音进行了深入研究,建立了相关临床呼吸音定量评价体系,并进一步验证了该评价体系的有效性。其中对两例哮喘病人进行了跟踪采集和数据处理,从直观数据表征了病人此次入院治疗的治疗效果。
姚小静[5]（2014）在《基于遗传BP神经网络的肺音分类识别算法研究》文中进行了进一步梳理肺音是人体重要的生理信号之一，是呼吸时产生的一种声信号。肺音出现异常往往预示着肺器官的病变，是肺病的早期信号之一。肺音具有可观的科研价值和临床价值，所以近年来它已经成为国内外专家竞相研究的课题。肺音的发生机理和传导机理很复杂，它本身也具有非平稳性和随机性，加上获取肺音的设备不统一和分析方法的多样性，导致国内外肺音的研究结果的差异性较大。肺听诊是呼吸疾病辅助诊断的重要工具。随着计算机和电子技术的不断进步，肺音诊断将会实现自动实时采集、计算机智能处理和分析的功能。肺音辅助诊断技术的研究也终会在识别正异常肺音和推断病人患病种类上取得重大成果，发挥临床上肺病诊断的作用。本文的肺音信号是电子听诊器采集临床上的正常和异常肺音。将肺音经过滤波和周期分段预处理后，分别采用韦尔奇功率谱估计和小波变换得到肺音信号的统计特征值。通过比较神经网络和遗传神经网络两类分类器的性能，选择遗传神经网络这种优化的识别算法进行肺音的识别。将每一类肺音和肺部疾病联系起来，通过识别哮鸣音、捻发音和爆裂音分别预测每类肺音对应的呼吸疾病。首先，进行肺音的预处理。获取了临床常见的四类肺音（正常、哮鸣音、捻发音和爆裂音）后，将它们经滤波和周期分割等预处理后得到待分析的肺音样本。本文改进了小波变换滤除心音的算法，将肺音通过小波滤波得到心音干扰成份，再用原始肺音减去心音干扰成份而得到较纯净的肺音。肺音的周期分段则采用Violal积分波形法，得到肺音的特征波形，对肺音进行周期分割。其次，进行肺音的特征提取。采用改进的韦尔奇功率谱统计特征值和小波系数统计特征值作为肺音特征。肺音的韦尔奇功率谱的统计特征值是功率谱的平均值、中值、几何平均值、调和平均值、切尾平均值、标准差、四位分极差、平均绝对偏差值构成的组合特征；肺音的小波系数统计特征值是肺音的小波分解第二层至第七层细节系数的绝对值的均值、每个子带小波系数的能量、标准偏差、相邻子带绝对平均值的比值构成的组合特征。这两类组合特征分别作为肺音的新组合特征。与传统韦尔奇功率谱值和小波系数特征值相比，这两种组合特征维度得到降低，有利于分类效率的提升。最后，进行肺音的分类识别。研究了人工神经网络（BP网络）的分类原理和遗传算法。采用遗传算法得到优化的BP神经网络的权值和阈值，最后得到遗传BP神经网络（GABPNN）—改进的BP神经网络。分别用韦尔奇功率谱统计特征值和小波系数统计特征作为BP神经网络的输入进行肺音识别，结果显示韦尔奇功率谱特征的识别率为83%，高于小波系数特征的识别率（81.1%）。作为对照，用遗传算法与BP神经网络结合的GABPNN分类器来识别肺音，用韦尔奇功率谱特征作为GABPNN的特征，识别结果显示，GABPNN的识别率为89.0%，识别率优于BP神经网络的识别率（83.0%），GABPNN的识别误差更小，网络的稳定性更强。本文算法皆在MATLAB软件上实现，最后设计了方便用户使用的图形界面，能实现肺音的加载、波形显示和分析识别，以及肺病预测的功能。
姚小静,王洪,李燕,崔建国[6]（2013）在《肺音信号分析及其识别方法的研究进展》文中指出肺音蕴含着丰富的肺器官机能信息及生理病理状态信息。随着电子听诊器的出现和信号处理研究的深入,肺音信号的分析和识别技术向着精确化和智能化的方向发展。肺音听诊已成为了一种实用的临床诊断肺病的手段。介绍了肺音信号的特性、获取、处理和识别技术,对国内外的研究现状和肺音信号研究的多种方法进行了总结和评述,并对肺音诊断技术的发展趋势进行了展望。
钟美楠[7]（2012）在《便携式肺音采集技术的研究》文中提出肺音是呼吸系统在换气过程中产生的声音的总称，蕴含着呼吸系统的病理学、生理学信息。听诊器作为一种简易的检查工具，现在仍然在肺音听诊中广泛使用。传统听诊法受听诊者主观化和非定量化的限制，致使临床听诊较粗糙，不能够充分、精确地利用肺音信号中的有用信息。本论文研究基于STM32的肺音采集系统以SD卡为存储载体，记录病人肺音的数据，利于小波和小波波分析技术对肺音信号进行了噪声抑制，得到较为纯净的肺音波形曲线，从而方便与历史情况进行对比，也为远程治疗提供了可能性。本系统采用STM32微控制器作为主控芯片，电路部分采用模块化设计。论文分析了前置放大滤波模块、声音模块、稳压模块、采集模块和存储模块的电路设计和驱动程序设计。采用驻极体电容传声器实现肺音信号到电信号的转化；采用单电源供电的TLV2334和TPA711实现有源放大滤波电路和耳机驱动电路；通过SDIO接口将数据以文本格式存储到SD卡；通过使用读卡器或者笔记本电脑上自带的SD卡接口，可以将SD卡中的数据转移到电脑上。SD卡中的数据存储在电脑中以后，首先，将两路数据分别恢复成声音，然后使用Matlab设计的滤波器对数据进行低通滤波，最后再利用小波和小波包滤波得到噪声抑制后的肺音。病人实验数据在临床上采集，并与正常人的肺音进行了对比，观察到到正常人与病人的肺音信号在频谱特征中存在的差异，为准确的医疗诊断和分析提供了依据。
吴健[8]（2012）在《基于虚拟仪器的肺音分析系统的设计与实现》文中研究表明虚拟仪器技术是从二十世纪末发展起来的一种高级测控技术,它充分地将计算机图形界面和强大的软硬件技术与仪器仪表相融合,已广泛运用到各个领域。肺音是人体内一种特殊的生理信号,反应了人体呼吸系统的特征。肺音信号的研究在临床医学和教学中具有重要的意义。因此,设计出一个基于虚拟仪器的肺音分析系统具有重大的意义,将成为肺音研究领域又一重要成果。本系统选用主流的LabVIEW软件为平台,开发了一个以肺音信号采集模块、去噪模块、分析模块为主体的虚拟仪器。肺音信号的采集主要以压电传感器和计算机声卡为硬件,在LabVIEW前面板上配置好采样率等配置参数,即可进行信号的采集。肺音去噪模块是本设计的一个特色模块。肺音信号的主要频率集中在10-250Hz,那么心音等其它生理信号与肺音信号有很大的重叠部分,特别是心音信号在150Hz以下部分对肺音信号产生重大干扰,因此如何去除心音等高频信号而不影响到肺音的主要成分是一个重大难题。本模块提出了一种改进的去除心音的方法,该方法使用小波逼近系数的多尺度乘积来检测原始肺音中混合的心音,一旦心音成分被识别,将从每一级的小波系数中去除心音,并且使用ARMA模型来估算去除部分的数据,以补偿去除心音所产生的局部缝隙。最终实现从肺音中去除心音而并没有影响到原始肺音的主要成分。最后,与Matlab结合,开发出了肺音信号的分析模块,包括FFT功率谱和频谱分析、小波分析、Wigner-Ville分析。可根据分析结果来判断和研究各种类型的病态肺音信号。通过一系列的实验结果可以看出,该系统能够采集到良好的肺音信号,有效的去除心音等杂音的干扰,并对肺音信号进行多种分析,总体效果良好,达到预期目标。
刘毅[9]（2006）在《非平稳信号的小波分析与拟合问题研究》文中研究说明随着现代科学技术的发展，人类认识自身的能力也日益提高。自20世纪80年代起，综合了计算机信号处理、图像处理与分析、真实感计算机图形学、虚拟现实等技术的非平稳信号的分析与处理技术一直是国内外研究与应用的热点。借助计算机技术对医学数据进行处理与分析越来越多地受到人们的重视，成为一门新兴的、迅速发展的交叉学科领域。在医学数据的各个研究分支中，肺音分析无疑是非常重要的一个领域，其成果对于临床诊断、医学教学等方面都将起到重要的推动作用。同时，其实际应用的意义远远地超出医学范畴。 基于时间一频率的变换方法在音频信号处理领域扮演着重要的角色。它可以同时从时域和频域的角度对声音信号进行处理。这些以传统的傅立叶变换为主要工具的分析手段在研究声音的性质和组成成分时十分有用；但对非平稳信号来说，这种工具就显得力不从心。因为它是一种全频域、全时域的变换，它将信号从时域变换到了频域，在频域的定位性是完全准确的（即频域分辨率最高），但其在时域却无任何分辨能力，不能提供任何局部时间段上的频率信息。相反，当一个函数用δ函数展开时，虽然其在时间域的定位性十分准确（即时域分辨率最高），但其在频域却无任何定位性，它反应的是信号在该时间下的整体频域特征，不能提供任何频率所对应的时间信息，而这些对时变信号来讲都是非常重要的。对时变信号的分析，通常需要提取局部时间段（或瞬间）的频域特征信息，对此Fourier分析就无能为力了。因此本论文将仔细探讨如何应用近几年发展起来的小波和小波包变换对非平稳信号进行分析和处理。 之所以选择小波和小波包变换是因为小波变换本身就是多分辨率的，这使得它比那些固定分辨率的变换，比如STFT（短时傅立叶变换）更加适合人类的生理声学模型。对小波包变换而言，运用各种不同的基选择方法，能够很容易地获得任意分辨率下的时频信息。而且，通过某种手段对不同的时变信号可以自适应地选择不同的基，从而获得稳定高效的处理结果。 本论文的主要工作概括如下： （1）对约束五点所决定的二次曲线类型进行了研究。将五点决定一条二次曲线这个古老而经典的问题转化为可视化的图形表示，使五个点的几何位
李圣君[10]（2006）在《呼吸音特征提取与分类识别方法研究》文中提出呼吸音是人体呼吸系统与外界在换气运动中产生的音的总称，蕴含着丰富的呼吸系统病理和生理信息。然而呼吸音的随机性、呼吸音获取和分析技术的细节方面的诸多不同，致使呼吸音分析的结果有较大的差异，也使得对照比较不同中心的研究结果比较困难。随着计算机技术及信号处理技术的不断进步，呼吸音识别作为一个热点课题日益受到关注。特征提取是呼吸音识别的核心问题。特征提取就是通过变换的方法，使得有效的分类特征在变换域显示出来，去掉对分类无意义的信息，寻找最有效的信号特征来构成用于分类识别的模式特征向量。 对于工作稳定的呼吸音分析系统来说，其传递函数保持不变，相应的幅频特性和相频特性也是固定的，因此所采集的呼吸音数据在某种程度上就能反映出被测信号的物理特性。 研究表明，不同呼吸音信号的时域波形以及不同变换后的波形都存在着差异。这种差异可以用包络来描述，包络的不同可以体现不同被测信号的特点。而常用的包络提取方法如Hilbert变换需要与滤波器结合，才能有效的应用，因此，本研究提出了基于复小波变换的呼吸音包络特征提取新方法。 研究中首先对采集到的呼吸音数据进行预处理，确定了四种典型的呼吸音信号（正常、气管炎、肺炎和哮喘）为样本数据。通过分析呼吸音信号的特性及时频分布特点，选取Morlet复小波，并选择适合的尺度对呼吸音数据进行变换得到包络，用包络的统计量和能量构造分类神经网络的输入特征矢量，取得了较好的结果，使识别率达到91.7％。 由于呼吸音信号由多频率成分构成并呈现明显的周期性波动，正常和异常呼吸音信号的能量空间分布会发生相应变化，能量的改变就意味着信号特征的改变，也就是说信号各频率成分能量的不同可以体现不同的被测信号的特性。小波变换作为一种多分辨率的时频联合分析方法，可以比较有效的提取呼吸音能量的特征。然而，由于呼吸音信号的频带较宽，而小波变换只是对尺度空间进行了分解，存在着“高频低分辨率”的缺陷。因此，本研究提出了基于小波包系数能量的呼吸音特征提取新方法。该方法首先根据小波包和呼吸音信号的特点，利用小
二、肺音信号的非线性检测与肺胸系统声传递特征研究（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、肺音信号的非线性检测与肺胸系统声传递特征研究（论文提纲范文）
（1）基于语谱图的改进型LBP肺音识别（论文提纲范文）
| 0 引言 |
| 1 肺音信号的语谱图表达 |
| 1.1 肺音信号的表达 |
| 1.2 语谱图的生成 |
| 2 基于改进LBP算法的语谱图特征提取算法 |
| 2.1 LBP算法原理描述 |
| 2.2 改进后的LBP算法 |
| 3 肺音分类算法 |
| 4 实验结果与仿真 |
| 4.1 实验数据库选择 |
| 4.2 肺音识别实验 |
| 4.2.1 不同肺音对比实验 |
| 4.2.2 改进型LBP算法的有效性验证 |
| 5 结论 |
（2）病理性肺音信号的分析识别方法（论文提纲范文）
| 前言 |
| 1 病理性肺音的分类 |
| 2 肺音信号噪声干扰的来源 |
| 3 病理性肺音的分析识别方法 |
| 3.1 STFT |
| 3.2 小波分析识别 |
| 3.3 高阶谱分析 |
| 4 总结 |
（3）病理性附加肺音可视化识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状和存在问题 |
| 1.2.1 研究现状 |
| 1.2.2 存在问题 |
| 1.3 研究目标和内容 |
| 1.4 论文结构 |
| 第2章 病理性附加肺音的识别方法 |
| 2.1 基于可视化特征的方法研究 |
| 2.2 基于统计量特征的方法研究 |
| 2.3 基于小波特征量的方法研究 |
| 2.4 基于其他特征量分析的方法研究 |
| 2.5 基于机器学习的方法研究 |
| 2.6 本章小结 |
| 第3章 病理性附加肺音数据获取与分析 |
| 3.1 临床小儿肺炎患者肺音分类 |
| 3.2 肺音采集方法 |
| 3.2.1 肺音采集及预处理方法的研究现状 |
| 3.2.2 临床小儿肺炎肺音的数据采集 |
| 3.3 肺音数据处理 |
| 3.4 水泡音STFT谱图特征分析 |
| 3.5 喘鸣音STFT谱图特征分析 |
| 3.6 水泡音与喘鸣音的谱图特征模型 |
| 3.7 本章小结 |
| 第4章 水泡音可视化识别方法研究 |
| 4.1 水泡音STFT变换识别方法 |
| 4.2 水泡音小波变换识别方法 |
| 4.3 水泡音S变换识别方法 |
| 4.4 实验结果和分析 |
| 4.4.1 VC-STFT水泡音识别算法数据分析 |
| 4.4.2 VCWT水泡音识别算法数据分析 |
| 4.4.3 VCST水泡音识别算法数据分析 |
| 4.5 本章小结 |
| 第5章 喘鸣音可视化识别方法研究 |
| 5.1 喘鸣音Hough变换识别方法 |
| 5.2 喘鸣音STFT变换识别方法 |
| 5.3 喘鸣音小波变换识别方法 |
| 5.4 喘鸣音S变换识别方法 |
| 5.5 实验结果和分析 |
| 5.5.1 VW-STFT喘鸣音识别算法数据分析 |
| 5.5.2 VWHT喘鸣音识别算法数据分析 |
| 5.5.3 VWWT喘鸣音识别算法数据分析 |
| 5.5.4 VWST喘鸣音识别算法数据分析 |
| 5.6 本章小结 |
| 第6章 水泡音与喘鸣音融合识别研究 |
| 6.1 VLFR可视化肺音融合识别方法 |
| 6.2 VLFR实验结果和分析 |
| 6.3 VLFR算法效率分析 |
| 6.4 本章小结 |
| 第7章 结论与展望 |
| 7.1 本文的研究工作总结 |
| 7.2 未来研究的展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的论文及科研工作 |
| 作者简介 |
（4）呼吸音数据采集及定量分析研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的目的与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要工作 |
| 2 呼吸音及呼吸音信号采集 |
| 2.1 呼吸音概述 |
| 2.1.1 呼吸音的产生及基本特征 |
| 2.1.2 异常呼吸音的产生与基本特征 |
| 2.1.3 呼吸音、附加音与呼吸系统疾病的关系 |
| 2.2 支气管哮喘病人呼吸音特征 |
| 2.2.1 支气管哮喘 |
| 2.2.2 哮喘病人哮鸣音 |
| 2.3 呼吸音的采集 |
| 2.3.1 呼吸音采集系统结构 |
| 2.3.2 呼吸音信号的采集 |
| 2.4 本章小结 |
| 3 呼吸音信号的预处理 |
| 3.1 呼吸音音源特点 |
| 3.2 呼吸音噪声来源分析 |
| 3.3 呼吸音降噪预处理方法分析 |
| 3.3.1 小波理论 |
| 3.3.2 基于小波的自适应阈值(AWT)降噪方法 |
| 3.3.3 基于平稳-非平稳滤波技术(ST-NST)降噪方法 |
| 3.3.4 消噪性能对比分析 |
| 3.3.5 实测呼吸音降噪 |
| 3.4 本章小结 |
| 4 呼吸音信号特征提取 |
| 4.1 常用呼吸音信号时域分析方法 |
| 4.1.1 基于希尔伯特变换的呼吸音包络提取 |
| 4.1.2 基于归一化平均香农能量的呼吸音包络提取 |
| 4.1.3 基于单自由度模型的呼吸音包络提取 |
| 4.1.4 三种呼吸音包络提取算法比较 |
| 4.2 改进的呼吸音特征提取算法及时域特征提取 |
| 4.2.1 基于同态滤波的呼吸音包络提取方法 |
| 4.2.2 时域特征参数提取 |
| 4.3 呼吸音信号频域分析方法 |
| 4.3.1 快速傅里叶变换和频谱曲线下面积划成四等分处的频率 |
| 4.3.2 基于小波变换的频带能量特征提取法 |
| 4.4 本章小结 |
| 5 临床呼吸音定量分析研究 |
| 5.1 呼吸音时域定量分析研究 |
| 5.2 呼吸音频域定量分析研究 |
| 5.2.1 基于呼吸音能量分布的临床测试及验证 |
| 5.2.2 基于呼吸音频率分布的临床测试及验证 |
| 5.3 临床呼吸音定量评价体系的建立 |
| 5.4 临床呼吸音定量评价体系的初步验证 |
| 5.4.1 临床呼吸音数据选取和分析 |
| 5.4.2 临床呼吸音定量评价体系验证 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及科研成果 |
| 致谢 |
（5）基于遗传BP神经网络的肺音分类识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略语表 |
| 1 绪论 |
| 1.1 课题背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.3 本课题肺音研究的主要工作 |
| 2 肺音信号的获取、分析和预处理 |
| 2.1 肺音信号的获取技术 |
| 2.2 韦尔奇变换与小波变换 |
| 2.2.1 傅里叶变换 |
| 2.2.2 短时傅里叶变换（STFT) |
| 2.2.3 信号的连续小波变换 |
| 2.2.4 信号的离散小波变换 |
| 2.2.5 小波的多分辨率分析和 MALLAT 算法 |
| 2.3 小波分析去噪技术 |
| 2.4 小波的肺音混合去噪技术 |
| 2.4.1 肺音的高通滤波 |
| 2.4.2 基于小波变换的混合去噪原理与实现 |
| 2.5 肺音周期分割算法的研究与实现 |
| 2.6 本章小结 |
| 3 肺音信号的特征提取和识别技术 |
| 3.1 模式识别技术和特征提取技术 |
| 3.1.1 模式识别的基本原理 |
| 3.1.2 特征提取技术 |
| 3.1.3 分类器的设计 |
| 3.1.4 人工神经网络的分类识别技术 |
| 3.1.5 BP 神经网络原理 |
| 3.1.6 BP 神经网络的设计基础 |
| 3.1.7 基于遗传算法的优化的 BP 网络 |
| 3.2 临床常见的四类肺音与肺病的联系 |
| 3.3 本章小结 |
| 4 肺音特征提取和分类识别技术的实现 |
| 4.1 基于韦尔奇功率谱的肺音特征提取 |
| 4.1.1 韦尔奇功率谱估计 |
| 4.1.2 肺音的韦尔奇功率谱特征提取 |
| 4.2 基于小波系数统计特征值的肺音特征提取 |
| 4.2.1 肺音的小波分析 |
| 4.2.2 肺音小波系数统计特征值的提取实现 |
| 4.3 BP 神经网络与遗传 BP 神经网络（GABPNN）的识别与分析 |
| 4.3.1 BP 神经网络的识别与分析 |
| 4.3.2 遗传 BP 神经网络（GABPNN）的肺音识别结果与分析 |
| 4.4 本章小结 |
| 5 肺音分析识别系统的设计与实现 |
| 5.1 肺音分析识别系统构架和功能 |
| 5.2 基于 MATLAB 软件的ＧＵＩ操作界面编写 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 本文的工作总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 |
（6）肺音信号分析及其识别方法的研究进展（论文提纲范文）
| 1 肺音信号及其研究意义 |
| 2 肺音获取技术 |
| 3 肺音信号处理方法 |
| 3.1 肺音去噪 |
| 3.2 肺音的时域、频域和其他分析方法 |
| 3.3 短时加窗傅里叶变换 |
| 3.4 小波分析 |
| 4 肺音信号特征抽取和分类识别 |
| 5 结束语 |
（7）便携式肺音采集技术的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 综述 |
| 1.1 项目背景 |
| 1.2 国内外现状 |
| 1.3 工作内容 |
| 1.4 论文组织结构 |
| 2 肺音简介 |
| 2.1 肺音的发生原理 |
| 2.2 肺音的种类 |
| 2.2.1 正常肺音 |
| 2.2.2 病理性肺音 |
| 2.3 本章小结 |
| 3 肺音采集电路 |
| 3.1 系统框图 |
| 3.2 采集模块 |
| 3.2.1 元器件的选型 |
| 3.2.2 放大滤波电路 |
| 3.2.3 肺音播放电路 |
| 3.2.4 Multisim 仿真 |
| 3.3 STM32 微控制器 |
| 3.3.1 MCU 选取原则 |
| 3.3.2 AD 转换和 DMA 模块 |
| 3.3.3 SD 卡存储模块 |
| 3.3.4 FAT 文件系统 |
| 3.4 本章小结 |
| 4 肺音特点及信号预处理 |
| 4.1 预备工作 |
| 4.1.1 系统频谱 |
| 4.1.2 单一频率及音乐 |
| 4.1.3 正常人肺音 |
| 4.2 临床采集病人肺音 |
| 4.2.1 病人情况 |
| 4.2.2 频谱分析 |
| 4.3 数据处理 |
| 4.3.1 巴特沃兹滤波器 |
| 4.3.2 切比雪夫一型滤波器 |
| 4.3.3 窗函数法 |
| 4.3.4 切比雪夫逼近法 |
| 4.4 本章小结 |
| 5 基于小波包的肺音分析 |
| 5.1 小波与小波包对比 |
| 5.2 小波包分析与去噪 |
| 5.2.1 小波包理论分析 |
| 5.2.2 小波应用于肺音信号 |
| 5.2.3 小波包对肺音滤波 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（8）基于虚拟仪器的肺音分析系统的设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 虚拟仪器和肺音的国内外研究发展现状 |
| 1.1.1 国外研究状况 |
| 1.1.2 国内研究状况 |
| 1.2 本课题的研究意义 |
| 1.3 论文结构及所完成的工作 |
| 1.4 本章小结 |
| 第二章 虚拟仪器技术与肺音 |
| 2.1 虚拟仪器技术简介 |
| 2.1.1 虚拟仪器产生背景及基本概念 |
| 2.1.2 虚拟仪器系统结构及特点 |
| 2.1.3 LabVIEW 简介 |
| 2.1.4 LabVIEW 创建虚拟仪器的基本过程 |
| 2.1.5 LabVIEW 与Matlab 混合编程 |
| 2.1.6 子VI 的创建与使用 |
| 2.2 肺与肺音简介 |
| 2.2.1 肺的结构与作用机制 |
| 2.2.2 肺音的产生机理及分类 |
| 2.3 本章小结 |
| 第三章 肺音信号采集模块的设计与实现 |
| 3.1 系统的软硬件架构 |
| 3.1.1 软件部分 |
| 3.1.2 硬件部分 |
| 3.2 肺音信号的采集 |
| 3.3 VI 的实现 |
| 3.4 本章小结 |
| 第四章 肺音信号去噪模块的设计与实现 |
| 4.1 研究目的 |
| 4.2 消除心音干扰方法的比较 |
| 4.3 采取的方法 |
| 4.3.1 小波变换与小波多尺度乘积 |
| 4.3.2 心音检测与去除 |
| 4.3.3 线性预估模块 |
| 4.4 VI 的实现 |
| 4.4.1 系统结构图 |
| 4.4.2 心音检测部分 |
| 4.4.3 心音去除部分 |
| 4.4.4 建模与预估 |
| 4.5 仿真结果 |
| 4.5.1 心音检测与去除 |
| 4.5.2 预估模块 |
| 4.5.3 去噪后效果显示 |
| 4.6 本章小结 |
| 第五章 肺音信号分析模块的设计与实现 |
| 5.1 肺音信号的FFT 分析 |
| 5.1.1 FFT 分析理论 |
| 5.1.2 VI 的实现 |
| 5.2 肺音信号的小波分析 |
| 5.2.1 小波分析理论 |
| 5.2.2 VI 的实现 |
| 5.3 肺音信号Wigner-Ville 分布 |
| 5.3.1 Wigner-Ville 分布理论 |
| 5.3.2 VI 的实现 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来研究展望 |
| 致谢 |
| 参考文献 |
| 研究生期间作者的研究成果 |
（9）非平稳信号的小波分析与拟合问题研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 小波分析的研究进展 |
| 1.1.1 小波分析的研究进展 |
| 1.1.2 小波分析的应用 |
| 1.2 肺音分析的研究进展 |
| 1.2.1 肺音信号的产生机理 |
| 1.2.2 肺音信号的获取及研究意义 |
| 1.3 本论文的主要工作与创新点 |
| 第二章 预备知识 |
| 2.1 连续小波变换 |
| 2.2 二进小波变换 |
| 2.3 小波框架 |
| 2.4 正交基与多分辨率分析 |
| 2.4.1 正交基 |
| 2.4.2 由函数空间的划分引入多分辨率分析 |
| 2.5 小波包分析 |
| 2.6 本章小结 |
| 第三章 五点决定二次曲线及其在插值中的应用 |
| 3.1 五点决定一条二次曲线 |
| 3.1.1 四点决定一条抛物线方程 |
| 3.1.2 五点决定一条二次曲线 |
| 3.2 隐式二次曲线和有理二次BEZIER曲线的相互转化 |
| 3.3 重新参数化在数据点参数化中应用 |
| 3.4 数值实验 |
| 3.5 本章小结 |
| 第四章 基于小波变换模极大值的三次插值算法 |
| 4.1 二进小波变换的模极大值与信号的多尺度边缘特性 |
| 4.1.1 小波变换的模极大值 |
| 4.1.2 二进小波变换模极大值的多尺度边缘特性 |
| 4.2 信号分解的有效尺度及模极大值位置的有效定位 |
| 4.2.1 信号分解的有效尺度研究 |
| 4.2.2 寻找模极大值的有效位置 |
| 4.3 信号的分段三次HERMITE插值重构算法 |
| 4.3.1 基于模极大值的信号重建思想 |
| 4.3.2 单调分段三次Hermite插值算法 |
| 4.3.3 信号重构的算法过程 |
| 4.4 数值实验 |
| 4.5 本章小结 |
| 第五章 基于多尺度小波包分析的肺音特征提取 |
| 5.1 离散序列的小波变换 |
| 5.2 小波包分析的一般原理 |
| 5.2.1 离散序列的小波包变换 |
| 5.2.2 小波包的分解算法 |
| 5.3 肺音信号的最优基选择及特征提取 |
| 5.3.1 肺音信号的最优基选择 |
| 5.3.2 最优基下的频带划分 |
| 5.3.3 能量的表征及特征的提取 |
| 5.4 数值实验及性能分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的论文 |
| 攻读博士学位期间参与科研项目情况 |
| 获奖情况 |
| 学位论文评阅及答辩情况表 |
（10）呼吸音特征提取与分类识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 本文主要工作与特色 |
| 1.2.1 主要工作 |
| 1.2.2 特色及创新 |
| 第2章 预备知识 |
| 2.1 小波分析理论基础 |
| 2.1.1 一维连续小波变换 |
| 2.1.2 离散小波变换 |
| 2.1.3 一维正交MRA与Mallat算法 |
| 2.2 高阶累积量基础 |
| 2.2.1 高阶矩与高阶累积量的定义 |
| 2.2.2 高斯过程的高阶累积量 |
| 2.2.3 高阶累积量的性质 |
| 2.3 模式识别概念及关键技术 |
| 2.3.1 模式识别的基本概念 |
| 2.3.2 特征提取和选择 |
| 2.3.3 分类器的设计 |
| 2.3.4 神经网络模式识别方法 |
| 2.3.5 BP神经网络及其学习算法 |
| 2.4 本章小结 |
| 第3章 基于复小波的包络特征提取和识别 |
| 3.1 引言 |
| 3.2 HILBERT变换提取信号包络的原理及其缺点 |
| 3.3 复小波变换提取呼吸音包络特征 |
| 3.3.1 小波变换在提取信号包络中的应用 |
| 3.3.2 利用Morlet复值小波进行信号包络提取 |
| 3.3.3 利用Morlet小波进行呼吸音包络特征提取 |
| 3.3.4 特征提取结果与分析 |
| 3.4 识别及结果分析 |
| 3.5 本章小结 |
| 第4章 基于小波包的呼吸音特征提取和识别 |
| 4.1 小波包理论 |
| 4.1.1 小波包的定义与性质 |
| 4.1.2 小波包的空间分解 |
| 4.1.3 小波包算法 |
| 4.2 基于小波包的呼吸音特征提取 |
| 4.2.1 能量的表征 |
| 4.2.2 呼吸音信号的特征提取 |
| 4.3 基于小波包的呼吸音识别 |
| 4.3.1 特征提取的比较 |
| 4.3.2 神经网络识别结果与分析 |
| 4.4 本章小结 |
| 第5章 基于高阶谱的呼吸音特征提取 |
| 5.1 高阶谱的基本知识 |
| 5.2 基于高阶累积量的参数化呼吸音双谱分析 |
| 5.2.1 非高斯AR模型参数化的双谱分析 |
| 5.2.2 呼吸音信号的特征提取 |
| 5.3 特征提取实验结果及分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文 |
| 学位论文评阅及答辩情况表 |
四、肺音信号的非线性检测与肺胸系统声传递特征研究（论文参考文献）
- [1]基于语谱图的改进型LBP肺音识别[J]. 曹春雷,王双维,吴颜生,柴宗谦,梁士利. 东北师大学报(自然科学版), 2019(01)
- [2]病理性肺音信号的分析识别方法[J]. 苌飞霸,尹军,何庆华,毕玉田. 中国医学物理学杂志, 2016(07)
- [3]病理性附加肺音可视化识别方法研究[D]. 张柯欣. 东北大学, 2016(01)
- [4]呼吸音数据采集及定量分析研究[D]. 秦国瑾. 西华大学, 2016(12)
- [5]基于遗传BP神经网络的肺音分类识别算法研究[D]. 姚小静. 重庆理工大学, 2014(01)
- [6]肺音信号分析及其识别方法的研究进展[J]. 姚小静,王洪,李燕,崔建国. 重庆理工大学学报(自然科学), 2013(12)
- [7]便携式肺音采集技术的研究[D]. 钟美楠. 重庆大学, 2012(06)
- [8]基于虚拟仪器的肺音分析系统的设计与实现[D]. 吴健. 南京邮电大学, 2012(07)
- [9]非平稳信号的小波分析与拟合问题研究[D]. 刘毅. 山东大学, 2006(12)
- [10]呼吸音特征提取与分类识别方法研究[D]. 李圣君. 山东大学, 2006(12)
标签：特征提取论文; 呼吸音论文; matlab小波变换论文; 小波分析论文; 呼吸道疾病论文;