關鍵詞：心音分割 集合經驗模態分解 高斯建模 時域特征 基于時間相關性的隱馬爾可夫模型 

摘要：針對現有心音定位分割方法精度有限的難題,提出了一種對心率變異性較低的信號建模分割方法。首先,通過集合經驗模態分解(Ensemble empirical mode decomposition,EEMD)使用有效的本征模態函數(Intrinsic mode function,IMF)分量來表征心音信號,提高心音信號的可分析性;然后,通過基礎心音與非基礎心音間的高斯約束關系建立高斯混合模型(Gaussian mixture model,GMM);接著,優化隱馬爾可夫模型(Hidden Markov model,HMM)并建立基于時間相關性的隱馬爾可夫模型(Duration-dependent hidden Markov model,DHMM),更簡潔地描述分割模型,降低算法復雜度;最后,通過時域特征區分出s1,收縮期,s2和舒張期。將本文算法與經典Hilbert算法和邏輯回歸的隱半馬爾科夫模型(Logistic regression hidden semi-Markov model,LRHSMM)算法進行了對比,實驗結果表明,本文算法的檢出正確率和運算耗時等評價指標更優。

數據采集與處理雜志要求:

{1}基金項目：如果論文是項目成果，請按“項目名稱（項目號）”的形式寫出。項目名稱與項目號兩者都要有。

{2}稿件應具有科學性、創新性和實用性，論點明確、論據可靠、數據準確、邏輯嚴謹、文字通順。

{3}文中圖表或插圖請附清晰的原圖文件（tif. 或eps.格式，不低于600 像素）。

{4}注釋是對論文中某一特定內容的解釋或補充說明，用帶圈數字注于當頁頁腳。

{5}稿件文字、標點、年代、數字等書寫方式均以國家有關規定為準。

注：因版權方要求，不能公開全文，如需全文，請咨詢雜志社