摘要:心音信号作为一种天然的常规信号，在治疗心血管疾病的历史中有着举足轻重的地位[3]。心音包括许多来自心脏各部分的生理信息。此外，它们还具有普遍性，唯一性等生物学特征，易于收集。随着科技与电子技术一步一步的发展壮大，心音辅助诊断技术的研究也会在识别正常与异常心音与推断病人所患心脏疾病种类取得巨大的成果发挥临床上心脏疾病诊断的巨大作用。

本文是将已经去噪之后正常心音信号与异常心音信号经过小波包分解进行特征提取后，通过每个信号上的能量分布将正常心音信号与异常心音信号统计特征值，通过实验可以看出正常心音信号与异常心音信号的能量分布存在很大的差异。异常心音信号的能量分布明显大于正常心音信号。取得两种心音信号之间的差异，之后分别使用BP神经网络与LM-BP神经网络对心音信号样本进行训练。两种分类算法虽然都是神经网络，但是LM-BP神经网络算法有着更加优化的系统，经过LM算法优化后的BP神经网络明显的将迭代次数减小，可以预测花费的时间也会比BP神经网络算法少。最后进行心音信号的分类识别，得到了两种分类算法的结果，结果显示，两种分类算法的识别率都很高，而LM-BP神经网络算法不仅用时优于BP神经网络，性能也优于BP神经网络，与预测一样，LM-BP神经网络算法有着比普通的BP神经网络更好的应用前景。

本文算法皆在MATLAB软件上实现，能实现心音信号的识别，以及检测心脏疾病的功能。

关键词：心音信号；分类；小波包分解；BP神经网络；LM-BP神经网络

目录

摘要

Abstract

1 绪论-1

1.1 课题研究的目的与意义-1

1.1.1 心音信号基础-1

1.1.2 本课题的研究意义-2

1.2 国内外对心音的研究和应用现状-2

1.3 神经网络在医学信号研究中的应用-2

1.4 本课题的主要工作-3

2 心音信号特征提取-4

2.1 心音信号小波包能量特征提取-4

2.1.1小波包分解基础-4

2.1.2 心音信号小波包分解能量特征提取-5

3 BP神经网络对心音信号的识别分类-7

3.1 BP神经网络基本原理-7

3.2 使用BP神经网络对心音信号进行分类识别-9

4 LM优化 BP神经网络对心音信号的识别分类-11

4.1 LM优化BP神经网络的基本原理-11

4.2 使用LM优化BP神经网络对心音信号进行分类识别-12

5两种算法的分类结果和比较-14

5.1 BP神经网络算法结果-14

5.2 LM优化BP神经网络算法结果-14

5.3 两种分类算法的对比-15

结论-16

参考文献-17

附录A程序-18

致谢-22