CN107837091B - 一种单通道心肺音分离方法及系统 - Google Patents
一种单通道心肺音分离方法及系统 Download PDFInfo
- Publication number
- CN107837091B CN107837091B CN201711129632.8A CN201711129632A CN107837091B CN 107837091 B CN107837091 B CN 107837091B CN 201711129632 A CN201711129632 A CN 201711129632A CN 107837091 B CN107837091 B CN 107837091B
- Authority
- CN
- China
- Prior art keywords
- sound
- time
- cardiopulmonary
- signal
- heart
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/02—Stethoscopes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/003—Detecting lung or respiration noise
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Physics & Mathematics (AREA)
- Pulmonology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种单通道心肺音分离方法及系统,其中方法包括:步骤1,对采集的心肺音混合信号x(t)进行处理,获得心肺音混合信号x(t)的时频谱X;步骤2,对时频谱X中20Hz~100Hz部分取列平均得到心音的幅模时序模板H0;步骤3,根据心音的幅模时序模板H0构造心音时序结构正则项,对时频谱X进行非负矩阵分解,抽取心音信号时频谱的估计Xc和肺音信号时频谱的估计Xr;步骤4,根据心音信号时频谱的估计Xc和肺音信号时频谱的估计Xr,重构出心音和肺音的时域信号。所述单通道心肺音分离方法及系统能有效地分离心音和肺音在频域内的重叠成分,只需要单通道的心肺音混合信号作为输入即能实现心肺音的有效分离,临床实用性强,无须聚类,心肺音分离效果稳定。
Description
技术领域
本发明涉及心肺音分离技术领域,特别是涉及一种单通道心肺音分离方法及系统
背景技术
心音和肺音信号蕴含着丰富的心肺健康信息。心肺音信号检测对于心肺疾病的诊断和预防有着极其重要的意义。在临床条件下,由放置于胸腔表面的听诊器所采集到的心音和肺音信号往往混合在一起,并夹杂有外界环境噪声,不利于医生临床诊断。因此,从采集到的混合信号中分离出干净的心音信号和肺音信号并消除环境噪声干扰,有着重要的临床意义和实用价值。
一般地,心音的频率范围为20 Hz ~600Hz,而肺音的频率范围为60 Hz ~1000Hz。由于心音和肺音在时域和频域内都有重叠,导致其难以通过传统的频域滤波方法实现分离。为解决该问题,研究人员已经提出了许多方法,包括基于小波变换的滤波方法、自适应滤波方法、独立成分分析、非负矩阵分解(Nonnegative Matrix Factorization,NMF)等,但是这些方法均有各自的缺陷:
基于小波变换的滤波方法不容易选择恰当的分解层数和阈值,以适应心肺音混合情况的个体差异;
自适应滤波方法需要精确的参考信号作为模板才能够较好地实现心肺音分离,而临床实践中精确的心肺音参考信号是难以获得的;
独立成分分析至少需要2个通道的观测信号作为输入才能够被应用,与目前一般临床听诊条件不相符。
NMF作为一种矩阵降维技术最早被应用于图像特征提取,近年来被广泛应用于语音增强和单通道语音分离领域当中,其目的是在非负的约束条件下找到两个低维的矩阵使得它们的乘积能够近似于原来给定的矩阵。NMF具有实现上的简便性、分解形式和分解结果上的可解释性,以及占用存储空间少等诸多优点。鉴于NMF具有以上的优点,已有研究人员提出了一种基于NMF基函数聚类的心肺音盲分离方法,但该方法的聚类过程容易受到远离中心奇异点的影响,而且没有利用心音的时序结构,使得心肺音分离效果不稳定,不利于实际应用。
综上所述,心肺音分离仍然是一个有待解决的技术难题。
发明内容
本发明的目的是提供了一种心肺音分离方法及系统,只需要单通道的心肺音混合信号作为输入即可实现心肺音快速有效的分离,以满足临床听诊的需要。
为解决上述技术问题,本发明实施例提供了一种单通道心肺音分离方法,包括:
通过 获得心音信号时频谱的估计和肺音信号时频谱的估计,其中,和分别为频谱基矩阵和时序系数矩阵, 表示的第i行, 和分别为心音模板匹配的尺度因子和偏置量,其中,l表示元素全为1的列向量,;λ表示折中系数。
其中,所述步骤1,包括:
其中,所述短时傅里叶变换采用的窗函数为汉明窗,所述汉明窗的窗长度为100~128,窗移动的补偿为50~64。
其中,所述重构出心音和肺音的时域信号为采用时频掩码重构出心音和肺音的时域信号,或采用维纳掩码重构出心音和肺音的时域信号。
除此之外,本发明实施例还提供了一种单通道心肺音分离方法,包括输入模块、存储模块和中央处理器模块,所述输入模块用于将对采集的心肺音混合信号进行功率放大并转换为数字信号后输入到所述中央处理器模块中,经过所述中央处理器模块采用如上所述的单通道心肺音分离方法处理后产生的心音和肺音的时域信号,输出至所述存储模块,所述存储模块用于存储输入的所述心肺音混合信号、所述中央处理器模块工作过程中的中间参数以及输出的所述心音和肺音的时域信号。
其中,还包括与输入模块、所述中央处理器模块连接的环境噪音去除模块,用于去除高斯白噪声,获干净的心肺音混合信号,
其中,还包括与所述中央处理器模块连接的显示器以及与所述显示器相互连接的扬声器和无线通信器。
本发明实施例所提供的单通道心肺音分离方法及系统,与现有技术相比,具有以下优点:
本发明实施例提供的单通道心肺音分离方法及系统,通过从心肺音混合信号的时频谱中提取出能够体现心音幅模随时间变化的模板,并构建正则项引导心肺音混合信号时频谱的非负矩阵分解,抽取心音信号时频谱的估计和肺音信号时频谱的估计,根据所述心音信号时频谱的估计和所述肺音信号时频谱的估计,重构出心音和肺音的时域信号。与传统的频域滤波方法相比,所述单通道心肺音分离方法和系统能有效地分离心音和肺音在频域内的重叠成分;与基于独立成分分析的心肺音分离方法相比,只需要单通道的心肺音混合信号作为输入即能实现心肺音的有效分离,临床实用性强;与基于NMF频谱基函数聚类的心肺音盲分离方法相比,在于利用了心音的时序结构信息,以正则化方法引导非负矩阵分解,无须聚类,心肺音分离效果稳定、计算效率高,提高了工作效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的单通道心肺音分离方法的一种具体实施方式的步骤流程示意图;
图2为本发明实施例提供的单通道心肺音分离方法的一种具体实施方式的步骤流程示意图;
图3为本发明实施例提供的单通道心肺音分离方法中分离出的心音信号图;
图4为本发明实施例提供的单通道心肺音分离方法中分离出的肺音信号图;
图5为本发明实施例提供的单通道心肺音分离系统的一种具体实施方式的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1~图5,图1为本发明实施例提供的单通道心肺音分离方法的一种具体实施方式的步骤流程示意图;图2为本发明实施例提供的单通道心肺音分离方法的一种具体实施方式的步骤流程示意图;图3为本发明实施例提供的单通道心肺音分离方法中分离出的心音信号图;图4为本发明实施例提供的单通道心肺音分离方法中分离出的肺音信号图;图5为本发明实施例提供的单通道心肺音分离系统的一种具体实施方式的结构示意图。
在本发明的一个实施例中,所述单通道心肺音分离方法,包括:
步骤1,对采集的心肺音混合信号进行处理,获得所述心肺音混合信号的时频谱;即将采集的信号进行一定的处理,获得对应的时频谱,这里的采集的心肺音混合信号,可以是临床采集的,即实时从病人身上采集的,也可以是由他人从病人采集,然后远程传输到的心肺音混合信号。
本发明中的单通道心肺音分离方法,通过从心肺音混合信号的时频谱中提取出能够体现心音幅模随时间变化的模板,并构建正则项引导心肺音混合信号时频谱的非负矩阵分解,抽取心音信号时频谱的估计和肺音信号时频谱的估计,根据所述心音信号时频谱的估计和所述肺音信号时频谱的估计,重构出心音和肺音的时域信号。
本发明中初始采集的心肺音混合信号,除了包括噪音之外,就是心音信号和肺音信号,除了采用对所述时频谱中20Hz~100Hz部分取列平均得到心音的幅模时序模板,还可以采用类似的方式获得时频谱中肺音的相关的幅模时序模板。
在一个实施例中,如图2,单通道心肺音分离方法的步骤如下:
S1. 对采集到的心肺音混合信号,分别采用小波去噪和阈值滤波去噪去除混合信号中的高斯白噪声和能量微弱的背景噪声,并采用一个高通滤波器滤去心肺音混合信号中频率低于20Hz的成分,以得到一个更为干净的心肺音混合信号;
S4.在时频谱中,取出其中20Hz~100Hz部分的时频谱再取列平均得到心音的幅模时序模板;已有临床研究表明:虽然肺音的频率范围为60Hz~1000Hz,但其能量主要集中分布在150Hz~600Hz,在心肺音混合信号的时频谱中,20Hz~100Hz时频谱由心音主导,其幅模时序结构符合心音信号幅度周期性变化的特点,因此,将这一先验知识(即)作为正则项引入到对的非负矩阵分解过程中,以达到从混合信号中分离出心音信号的目的。
目标函数(1)式的含义是:在非负的约束条件下,要使得对X的重构误差最小,同时令矩阵的每一行在经过尺度缩放和偏置校正后跟模板足够的近似。折中系数的作用是权衡对X的重构误差和与的相关程度,使得当心音噪信比小时,目标函数倾向于最小化重构误差(此时,重构误差里含有噪声少),而降低对与相关程度的要求;当心音噪信比大时,重构误差里含有噪声多,目标函数则倾向于强调与的相关程度。可通过以下方式确定:
其中表示时频谱中100Hz以上的幅模总和,表示时频谱中20Hz~100Hz的幅模总和。通过求解(2)式这个非负约束的二次规划问题,以实现从混合信号时频谱中,提取心音成分的目的。(1)式的求解过程如下:
肺音信号时频谱的估计:
S6.利用时频掩码技术和逆短时傅里叶变换(ISTFT)重构出心音和肺音的时域信号。基于以下假设:心音和肺音信号在一个很小的时频域内由其中的一种信号占主导地位,我们设计的时频掩码有如下形式:
利用时频掩码,可以得到心音和肺音的复时频谱:
在本发明实施例的步骤1和S1中,目的是为了获取干净的心肺音混合信号,即除了心肺音混合信号不含有其它成分信号,而去除噪声的方法,除了上述的方法外,又有如下方法:利用自适应滤波或维纳滤波去除输入的所述心肺音混合信号中的高斯白噪声,以获得所述干净的心肺音混合信号。
即所述步骤1,包括:
除了上述几种去噪方法之外,还可以使用其它的去噪方法,本发明对其不做具体限定。
本发明对于所述干净的心肺音混合信号进行时频分析的方法不做具体限定,所述对所述干净的心肺音混合信号进行时频分析,可以为对所述干净的心肺音混合信号进行短时傅里叶变换,也可以为对所述干净的心肺音混合信号进行连续小波变换,还可以为对所述干净的心肺音混合信号进行希尔伯特黄变换。
在本发明这一个实施例中,采用短时傅里叶变换对进行时频分析,采用汉明窗,窗长度为128,窗移动的步长为64 ,本发明对于短时傅里叶变换的具体参数不作具体限定。所述汉明窗的窗长度一般为100~128,窗移动的补偿一般为50~64。
在这一实施例中,在S5中,先设定好降维后的维度K和迭代步数(在本例子中K=5,迭代步数为50),然后随机生成非负矩阵和非负系数,折中系数的值由(2)式确定(在本例子中, ),经过(4)—(7)的循环迭代后可求得所需要的和,最后由(8)、(9)求得心音和肺音的时频谱估计和。
所述心音和肺音重构过程中的时频掩码方法,也可采用维纳掩码等其它时频掩码方法,本发明对其不做具体限定。
其中,图3为分理处的心音信号图,图4为分离出的肺音信号图。
除此之外,本发明实施例还提供了一种单通道心肺音分离系统,包括输入模块、存储模块和中央处理器模块,所述输入模块用于将对采集的心肺音混合信号进行功率放大并转换为数字信号后输入到所述中央处理器模块中,经过所述中央处理器模块采用如上所述的单通道心肺音分离方法处理后产生的心音和肺音的时域信号,输出至所述存储模块,所述存储模块用于存储输入的所述心肺音混合信号、所述中央处理器模块工作过程中的中间参数以及输出的所述心音和肺音的时域信号。
由于所述单通道心肺音分离系统中的中央处理器模块采用如上所述的单通道心肺音分离方法处理后产生的心音和肺音的时域信号,因此具有如上相同的有益效果。
为了减少噪声心肺音信号的分离的影响,提高心肺音信号的纯度,所述单通道心肺音分离系统还包括与输入模块、所述中央处理器模块连接的环境噪音去除模块,用于去除高斯白噪声,获干净的心肺音混合信号。
可以采用小波去噪、阈值滤波,以及自适应滤波去噪、维纳滤波去噪等方法进行处理,其目的都是为了得到一个更为干净的心肺音混合信号。
为了更进一步获取心肺音分离的过程以及结果,所述单通道心肺音分离系统还包括与所述输入模块和所述中央处理器模块连接的输出模块,用于输出并显示输入的所述心肺音混合模拟信号、所述中央处理器模块处理过程产生的所述心音信号和所述肺音信号。
由于在心肺音分离的过程中,需要对一些函数进行参数设定,可以是将参数预先设定好再执行,但是往往是但不到预期的效果,或者是还具有进一步的提升空间,因此为了方便参数的调整,提高心肺音的分离质量和效率,所述单通道心肺音分离系统还包括所述环境噪音去除模块、所述中央处理器模块连接的设置模块,用于设置所述环境噪音去除模块、所述中央处理器模块的工作参数。
为提高所述单通道心肺音分离系统的适用范围,所述输出模块一般包括相互连接的显示器、扬声器和无线通信器。
本发明中的输入模块一般包括有模拟信号放大器、采样器和模数转换器。存储模块包括有与CPU适配的DDR内存和串口硬盘。
当然与输入模块对应的还有输出模块,输出模块包括有显示器、扬声器和WIFI传输模块中央处理器模块可由数字信号处理芯片(DSP)实现。即在一实施例中,所述单通道心肺音分离系统还包括与所述中央处理器模块连接的显示器以及与所述显示器相互连接的扬声器和无线通信器。
DSP可由现场可编程逻辑阵列(FPGA)替代,输出模块中WIFI传输模块可由蓝牙传输模块、zigbee通信模块替代,或者是有其它的通信传输模块代替,本发明对其不作具体限定。
综上所述,本发明实施例提供的单通道心肺音分离方法及系统,通过从心肺音混合信号的时频谱中提取出能够体现心音幅模随时间变化的模板,并构建正则项引导心肺音混合信号时频谱的非负矩阵分解,抽取心音信号时频谱的估计和肺音信号时频谱的估计,根据所述心音信号时频谱的估计和所述肺音信号时频谱的估计,重构出心音和肺音的时域信号。与传统的频域滤波方法相比,所述单通道心肺音分离方法和系统能有效地分离心音和肺音在频域内的重叠成分;与基于独立成分分析的心肺音分离方法相比,只需要单通道的心肺音混合信号作为输入即能实现心肺音的有效分离,临床实用性强;与基于NMF频谱基函数聚类的心肺音盲分离方法相比,在于利用了心音的时序结构信息,以正则化方法引导非负矩阵分解,无须聚类,心肺音分离效果稳定、计算效率高,提高了工作效率。
以上对本发明所提供的单通道心肺音分离方法及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (9)
1.一种单通道心肺音分离方法,其特征在于,包括:
5.如权利要求4所述单通道心肺音分离方法,其特征在于,所述短时傅里叶变换采用的窗函数为汉明窗,所述汉明窗的窗长度为100~128,窗移动的补偿为50~64。
6.如权利要求1所述单通道心肺音分离方法,其特征在于,所述重构出心音和肺音的时域信号为采用时频掩码重构出心音和肺音的时域信号,或采用维纳掩码重构出心音和肺音的时域信号。
8.如权利要求7所述单通道心肺音分离系统,其特征在于,还包括与输入模块、所述中央处理器模块连接的环境噪音去除模块,用于去除高斯白噪声,获干净的心肺音混合信号。
9.如权利要求7所述单通道心肺音分离系统,其特征在于,还包括与所述中央处理器模块连接的显示器以及与所述显示器相互连接的扬声器和无线通信器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711129632.8A CN107837091B (zh) | 2017-11-15 | 2017-11-15 | 一种单通道心肺音分离方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711129632.8A CN107837091B (zh) | 2017-11-15 | 2017-11-15 | 一种单通道心肺音分离方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107837091A CN107837091A (zh) | 2018-03-27 |
CN107837091B true CN107837091B (zh) | 2021-01-26 |
Family
ID=61678970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711129632.8A Active CN107837091B (zh) | 2017-11-15 | 2017-11-15 | 一种单通道心肺音分离方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107837091B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764184B (zh) * | 2018-06-01 | 2022-02-15 | 广东工业大学 | 一种心肺音信号的分离方法、装置、设备及存储介质 |
CN110010145B (zh) * | 2019-02-28 | 2021-05-11 | 广东工业大学 | 一种消除电子听诊器摩擦声的方法 |
CN110236589B (zh) * | 2019-06-03 | 2022-04-29 | 苏州美糯爱医疗科技有限公司 | 一种电子听诊器的实时心肺音自动分离方法 |
CN110532424A (zh) * | 2019-09-26 | 2019-12-03 | 西南科技大学 | 一种基于深度学习和云平台的肺音特征分类系统及方法 |
CN111374694A (zh) * | 2020-03-20 | 2020-07-07 | 深圳市真元保玖科技有限公司 | 肺功能监测系统、监测方法及其电子装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102525452A (zh) * | 2011-10-19 | 2012-07-04 | 广东工业大学 | 一种基于斜投影的单通道胎儿心电盲分离装置及分离方法 |
CN105787946A (zh) * | 2016-03-17 | 2016-07-20 | 广东工业大学 | 一种非负盲分离胎心音分析方法及装置 |
-
2017
- 2017-11-15 CN CN201711129632.8A patent/CN107837091B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102525452A (zh) * | 2011-10-19 | 2012-07-04 | 广东工业大学 | 一种基于斜投影的单通道胎儿心电盲分离装置及分离方法 |
CN105787946A (zh) * | 2016-03-17 | 2016-07-20 | 广东工业大学 | 一种非负盲分离胎心音分析方法及装置 |
Non-Patent Citations (1)
Title |
---|
On the Blind Recovery of Cardiac and Respiratory Sounds;Ghafoor Shah et al.;《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》;20150131;第19卷(第1期);第151-157页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107837091A (zh) | 2018-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107837091B (zh) | 一种单通道心肺音分离方法及系统 | |
Xiong et al. | ECG signal enhancement based on improved denoising auto-encoder | |
CN107845389B (zh) | 一种基于多分辨率听觉倒谱系数和深度卷积神经网络的语音增强方法 | |
Assaleh | Extraction of fetal electrocardiogram using adaptive neuro-fuzzy inference systems | |
Cichocki et al. | Adaptive blind signal and image processing: learning algorithms and applications | |
US10366705B2 (en) | Method and system of signal decomposition using extended time-frequency transformations | |
CN107945817B (zh) | 心肺音信号分类方法、检测方法、装置、介质和计算机设备 | |
Venkataramani et al. | Adaptive front-ends for end-to-end source separation | |
Shah et al. | On the blind recovery of cardiac and respiratory sounds | |
Fotiadou et al. | Enhancement of low-quality fetal electrocardiogram based on time-sequenced adaptive filtering | |
US7474915B2 (en) | Separating mixed signals containing a distorted signal | |
CN107463956B (zh) | 一种基于非负矩阵分解的心肺音分离的方法及装置 | |
Khan et al. | Separating Heart Sound from Lung Sound UsingLabVIEW | |
Zhou et al. | Morphology extraction of fetal electrocardiogram by slow-fast LSTM network | |
Sharma et al. | Multiscale wavelet energies and relative energy based denoising of ECG signal | |
Wang et al. | Heart-lung sound separation by nonnegative matrix factorization and deep learning | |
Dhoulath Beegum et al. | Novel implementation of “Filtered-Reconstruction ICA” enabled wheeze component separation for preliminary diagnosis of COVID-19 | |
Ma et al. | A multichannel nonlinear adaptive noise canceller based on generalized FLANN for fetal ECG extraction | |
CN110236589B (zh) | 一种电子听诊器的实时心肺音自动分离方法 | |
Looney et al. | Subspace denoising of EEG artefacts via multivariate EMD | |
González–rodríguez et al. | Robust denoising of phonocardiogram signals using time-frequency analysis and U-Nets | |
JP2015031889A (ja) | 音響信号分離装置、音響信号分離方法及び音響信号分離プログラム | |
Charleston et al. | Interference cancellation in respiratory sounds via a multiresolution joint time-delay and signal-estimation scheme | |
CN113229842B (zh) | 一种基于复数深度神经网络的心肺音自动分离方法 | |
Hedayioglu et al. | Separating sources from sequentially acquired mixtures of heart signals |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |