关键词：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 

摘要：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(Duration-dependent 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。

数据采集与处理杂志要求:

{1}基金项目：如果论文是项目成果，请按“项目名称（项目号）”的形式写出。项目名称与项目号两者都要有。

{2}稿件应具有科学性、创新性和实用性，论点明确、论据可靠、数据准确、逻辑严谨、文字通顺。

{3}文中图表或插图请附清晰的原图文件（tif. 或eps.格式，不低于600 像素）。

{4}注释是对论文中某一特定内容的解释或补充说明，用带圈数字注于当页页脚。

{5}稿件文字、标点、年代、数字等书写方式均以国家有关规定为准。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社