基于非负矩阵分解与改进希尔伯特谱的心肺音无监督分离方法研究

针对心肺音频谱时域重叠导致的诊断难题，Wangquan Wang团队提出基于改进TVF-EMD（时变滤波经验模态分解）和NMF（非负矩阵分解）的无监督单通道盲源分离算法。通过优化希尔伯特谱构建和动态基谱聚类，在合成与临床数据中实现SDR（信号失真比）、SIR（信号干扰比）等指标显著提升，为无创心肺疾病诊断提供新工具。

　　

心肺疾病是全球重大健康威胁，而听诊作为主要诊断手段却面临心肺音信号频谱重叠（HS:20–150 Hz，LS:50–2000 Hz）的技术瓶颈。传统单通道盲源分离（SCBSS）方法受限于模态混叠、外部数据依赖等问题，难以满足临床精准诊断需求。针对这一挑战，重庆计量质量检测研究院的王全旺团队在《Biomedical Signal Processing and Control》发表研究，提出融合改进时变滤波经验模态分解（ITVF-EMD）与非负矩阵分解（NMF）的创新算法，为无监督心肺音分离开辟新路径。

研究团队采用三大核心技术：1）ITVF-EMD通过自适应参数选择机制优化截止频率估计，解决传统TVF-EMD模态混叠问题；2）基于改进希尔伯特谱构建局部观测矩阵，最大化非高斯性特征；3）动态基谱聚类策略实现NMF分解过程中的源信号自动识别。实验采用合成数据与真实临床样本双重验证。

【方法总结】章节显示，研究通过线性混合模型S(t)=S_c(t)+aS_r(t)+η_ω建立理论基础，利用ITVF-EMD生成的IMF分量经希尔伯特变换提取时频特征。改进算法创新性地引入综合指标构建目标函数，显著提升分解稳定性。

【实验结果】表明，该方法在SDR、SAR（信号伪影比）、相关系数等指标上超越PC-DAE（周期性编码深度自编码器）、MCNMF（多约束NMF）等现有技术。特别是对第一心音（S1）和第二心音（S2）的分离精度达到临床可用标准。

讨论部分强调，该研究的核心价值在于完全基于混合信号自身特性实现分离，避免依赖外部训练数据。Fuliang He在结论中指出，动态更新的基谱聚类策略可自适应学习心肺音谱特征，未来可扩展至其他生物信号分离领域。研究获得重庆市雏鹰计划（CY220231）和重庆市计量质检院项目（CQJZ2024-CDCJSKF0006）支持，为智能听诊设备开发奠定算法基础。