心音,是心脏血流动力与心血管系统相互作用而产生的一系列机械振动,携带了大量关于心血管系统健康状况的信息,是诊断心脏疾病、评估心脏功能的重要信息来源。人体在平静状态下,呼吸是引起心脏血流动力变化的重要因素。本文基于“呼吸—心脏血流动力—心音形态”的生理关系链条,研究呼吸对第二心音分裂的定量作用,建立呼吸相位与心音特征之间的模型。本文工作主要包括以下两个部分。(1)呼吸过程中第二心音分裂现象的研究。研究了呼吸引起心脏血流动力周期性变化的生理机制。根据第二心音主动脉瓣分量(A分量)和肺动脉瓣分量(P分量)的分裂关系,提出了呼吸状态下第二心音模型,提出了定量估计分裂值的叠加平均法。在仿真条件下,对本文方法、短时傅立叶变换方法(STFT方法)和希尔伯特振动分解方法(HVD方法)的估计性能进行了对比。仿真结果表明:本文方法、HVD方法和STFT方法的均方根误差分别为0.98毫秒,0.84毫秒和1.1毫秒。进一步采集了12名健康成年人的同步心电、心音和呼吸信号,验证了本文方法的有效性。从运算复杂度、估计分裂值与呼吸相位的一致性程度等方面,对以上三种方法进行对比。实验结果表明,本文方法具有最小的复杂度,运算时间约是HVD方法的数百分之一、约是STFT方法的十分之一,估计分裂值的一致性程度略优于HVD方法或相当,高于STFT方法。(2)利用心音特征预测呼吸相位。研究了呼吸引起的心音形态变化,发现了跟呼吸相关的心音特征。主要有心音的幅度特征、能量特征、时间域特征和固有模态函数(Intrinsic Mode Function,IMF)相关特征。以RBF神经网络、GRNN神经网络和支持向量机对呼吸相位与心音特征之间的关系进行建模。以22名健康成年人的呼吸信号和心音信号对模型进行了测试。结果表明,呼吸相位与心音特征之间存在特定的非线性关系,神经网络具有拟合这种非线性关系的能力。通过实验数据,定量评估了各个模型的预测性能。分析发现,GRNN神经网络具有最佳预测性能,呼吸相位的预测误差在0.23弧度至0.87弧度之间。以上研究成果有利于定量评估“呼吸—心脏血流动力—心音形态”的生理关系链条,形成间接评估心脏功能的方法,在筛查心脏血流动力异常、呼吸功能异常等方面具有潜在应用价值。