基于多尺度特征波形的心音分段算法*

韋 哲 韓 陽 李戰(zhàn)明 徐越病 郭 峰

心音信號(hào)中包含大量的病理、生理信息，因此，心音聽診對(duì)于臨床診斷具有重要意義。心音信號(hào)較心電信號(hào)可以更早的反映早期的心臟病理信息，具有早期診斷的作用。目前，對(duì)于心音的研究日益成熟[1]。心音定位為心音信號(hào)特征提取和模式識(shí)別提供基準(zhǔn)。

心電信號(hào)輔助心音定位可以獲得好的效果，但其對(duì)硬件要求很高，普及應(yīng)用具有局限性。近年來，許多依靠數(shù)字信號(hào)處理的自動(dòng)心音分段算法相繼產(chǎn)生[2-5]。由于人們對(duì)圖形的邊界敏感，因此以心音包絡(luò)線為基礎(chǔ)的心音分段一直為主流思想[6]。Liang等[3]利用香農(nóng)能量進(jìn)行心音分段，但由于算法自身過度依賴信號(hào)本身幅值，導(dǎo)致分段后的心音邊界模糊。林勇等[7]提出基于Hilbert-huang變換的分段方法，該方法更適合載波信號(hào)，此方法形成的心音包絡(luò)帶有毛刺，對(duì)后期處理造成負(fù)擔(dān)。王新沛等[8]將小波與香農(nóng)熵結(jié)合的方法提高了香農(nóng)熵的分段準(zhǔn)確性，同時(shí)指出人工智能對(duì)心音自動(dòng)分段有很大幫助，但是人工智能的算法復(fù)雜，要以犧牲運(yùn)算時(shí)間為代價(jià)。因此，尋找一種高效、精確的心音分段方法十分必要。

1 小波分析和多尺度特征波形理論

利用小波分解-重構(gòu)，將心音信號(hào)按頻率多分辨率分解，盡量保留第一心音和第二心音成分，濾除心音多余成分；將小波處理后的心音信號(hào)通過相關(guān)算法計(jì)算其多尺度特征波形，進(jìn)而提取心音包絡(luò)，實(shí)現(xiàn)心音主要成分定位。

1.1 小波分析

小波分析具有探測信號(hào)瞬態(tài)，展示信號(hào)頻率成分的能力，適合處理主要信息集中于低頻的心音信號(hào)。

在實(shí)際應(yīng)用中，為了使小波變換的計(jì)算更加有效，通常構(gòu)造的小波函數(shù)具有正交性，以消除小波空間內(nèi)兩點(diǎn)之間由于冗余度造成的關(guān)聯(lián)，同時(shí)減小計(jì)算誤差。

1.2 多尺度特征波形理論

目前，基于心音包絡(luò)的心音定位存在很多問題，例如由于算法抗噪能力差導(dǎo)致出現(xiàn)多余波峰；后期處理閾值選取不靈活；算法的適用范圍??；后期處理坐標(biāo)變換等問題。多尺度特征波形理論在心音信號(hào)和心音包絡(luò)上的應(yīng)用，極大克服了以上問題。以采用能量法進(jìn)行心音定位為例，說明以往算法的缺點(diǎn)(見圖1)。

圖1 基于能量的包絡(luò)提取

由圖1可見，能量法提取的心音包絡(luò)毛刺較多，邊緣不清晰，且出現(xiàn)多余波峰，為后續(xù)處理增加了困難。

多尺度特征波形理論在心音信號(hào)處理的應(yīng)用是建立在以下兩個(gè)假設(shè)的基礎(chǔ)之上：①實(shí)驗(yàn)中處理的心音信號(hào)為周期信號(hào)；②心音信號(hào)中摻雜的噪音為零均值、方差為常數(shù)。

設(shè)定一個(gè)信號(hào)s(t)，隨機(jī)噪聲為n(t)，輸出信號(hào)為y(t)=s(t)+n(t)，其方差則為。輸出信號(hào)的定義為心音信號(hào)的特征波形，但是真實(shí)的輸出信號(hào)為含有噪聲的y(t)，根據(jù)第二條假設(shè)：噪聲方差為未知常數(shù)。因此，得出下面的定義：在時(shí)間t的領(lǐng)域內(nèi)，稱為時(shí)間尺度，一個(gè)信號(hào)的多尺度的波形的數(shù)學(xué)含義是輸出信號(hào)的方差信號(hào)，即。 。

多尺度特征波形法提取的心音包絡(luò)，如圖2所示，該算法對(duì)雜音不敏感，所提取出的心音包絡(luò)沒有多波峰。

圖2 多尺度特征波形包絡(luò)提取

多尺度特征波形在含有隨機(jī)噪聲的心音信號(hào)中應(yīng)用效果最佳，如圖3所示。

圖3 含有隨機(jī)噪聲的正常心音包絡(luò)波形

圖3證明：雖然示例中的心音信號(hào)包含大量的隨機(jī)噪聲，但是利用多尺度特征波形提取的心音包絡(luò)很大程度地削弱隨機(jī)噪聲的影響，突出了主要的心音成分。

2 仿真實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)仿真

實(shí)驗(yàn)中所使用的心音數(shù)據(jù)來自加拿大蒙特利爾臨床醫(yī)學(xué)研究所、英國鄧迪大學(xué)及其他一些網(wǎng)絡(luò)資源，其中包含正常心音信號(hào)5例，異常心音信號(hào)50例。S1、S2的頻率范圍是20～100 Hz，其中S1主要成分集中在55～58 Hz，S2頻率成分集中在60～7 Hz。雜音的頻率往往較高，主要分布在50～80 Hz和120～660 Hz[9-10]。為減少計(jì)算量，實(shí)驗(yàn)中采用2000 Hz作為采樣率進(jìn)行重采樣，此時(shí)原始心音信號(hào)最高頻率成分小于采樣頻率的50%，可以保證重采樣信號(hào)不失真。

以早期主動(dòng)脈狹窄為例進(jìn)行分析，該病理信號(hào)特點(diǎn)是：可在第3～4肋間的胸骨緣聽到最強(qiáng)3/6～6/6度的收縮期輸出性雜音，并在同一部位感觸到震顫。心室收縮以第一心音為標(biāo)志，從心音時(shí)域波形中可發(fā)現(xiàn)非常明顯的收縮期雜音。實(shí)驗(yàn)平臺(tái)為MATLAB7.0。

2.1.1 小波分解

根據(jù)心音信號(hào)的頻率特點(diǎn)和心音特性，本文理論結(jié)合實(shí)踐，選擇Db10小波進(jìn)行5層分解。

根據(jù)小波分解后各層的頻率意義和心音信號(hào)及雜音的頻率特點(diǎn)，本文通過計(jì)算和實(shí)驗(yàn)獲得小波的分解層數(shù)，并選取小波分解-重構(gòu)后的第五層的高頻和低頻部分，第三層和第四層的低頻部分，其余部分置零。以室中隔缺損為例，該病理信號(hào)經(jīng)小波分解-重構(gòu)后的心音波形如圖4所示。

圖4 小波分解-重構(gòu)前后對(duì)比

通過對(duì)比可以發(fā)現(xiàn)：心縮期雜音很大程度上被削弱，此時(shí)，第一心音和第二心音已基本上可以被肉眼識(shí)別(見表1)。

表1 各層頻率意義

由于心音信號(hào)的峰-峰幅值受年齡、性別等個(gè)體因素影響，將小波處理后的心音信號(hào)幅值歸一化，以消除幅值對(duì)后期處理的影響。歸一化公式為：

其中hs為心音信號(hào)。

圖5 取值對(duì)包絡(luò)的影響

2.1.3 多尺度特征波形

2.1.4 心音包絡(luò)歸一化

通過單閾值法將包絡(luò)以時(shí)間門形式展現(xiàn)。閾值的主要作用為克服低值噪聲的影響，防止出現(xiàn)多余時(shí)間門，進(jìn)而提取主要心音成分。閾值的確定依賴于雜音的強(qiáng)度，通過全局搜索包絡(luò)的低于正常心音能量的部分，并將其幅值最大值作為低閾值。

2.1.5 確定S1和S2

由于心縮期比心舒期長很多，所以實(shí)驗(yàn)中通過判斷S1S2＜S2S1是否成立來辨別兩個(gè)心音位置；尋找每個(gè)心音成分的中間坐標(biāo)值，在MATLAB程序中用text函數(shù)和返回坐標(biāo)值標(biāo)注心音名稱。

2.2 結(jié)果分析

2.2.1 結(jié)果

以早期主動(dòng)脈狹窄為例，將原始心音信號(hào)和包絡(luò)時(shí)間門曲線圖在圖中一并顯示。從圖中可以看出，提取的包絡(luò)完全覆蓋了正常心音信號(hào)，雜音信號(hào)被顯示在包絡(luò)線外。從圖中可以清楚的辨別雜音出現(xiàn)的位置是心縮期。在此基礎(chǔ)上，可實(shí)現(xiàn)第一心音、第二心音及心舒期、心縮期持續(xù)時(shí)間的求取。

2.2.2 評(píng)價(jià)

通過心音分段判別準(zhǔn)則進(jìn)行包絡(luò)質(zhì)量評(píng)價(jià)。心音分段準(zhǔn)確性準(zhǔn)則：①所有的第一心音能量接近；②所有第二心音能量接近。據(jù)統(tǒng)計(jì)，正常心音識(shí)別率為100%；早期主動(dòng)脈狹窄、晚期主動(dòng)脈瓣狹窄、室中隔缺損等三類異常心音幾乎可實(shí)現(xiàn)100%定位，平均正確定位率為98%(見圖6)。

圖6 早期主動(dòng)脈狹窄心音分段結(jié)果

3 結(jié)論

利用多尺度特征波形法可以得到平滑的心音包絡(luò)，削弱噪音，克服雜音的影響，避免其他算法提取心音包絡(luò)的缺陷。通過大量的理論論證和仿真實(shí)驗(yàn)，得出多尺度特征波形法可以實(shí)現(xiàn)心音信號(hào)的分段及定位，得到的心音包絡(luò)平滑、邊界清晰，具有良好的分段效果。對(duì)于雜音頻率與心音主要成分頻率混疊且無統(tǒng)計(jì)學(xué)特點(diǎn)的病理心音信號(hào)等問題有待進(jìn)一步研究。

[1]Rakovic P，Sejdic E，Stankovic LJ, et al. Time-frequency signal processing approaches with applications to heart sound analysis[J].Computers in Cardiology,2006(33):197-200.

[2]Yan Z, Jiang Z, Miyamoto A, et al. The moment segmentation analysis of heart sound pattern[J].comput methods programs Biomed,2010,98(2):140-150.

[3]Liang H, Lukkarinen S, Hartimo I. Heart sound segmentation algorthm based on heart sound envelogram[J].Computers in Cardioligy,1997(24):105-108.

[4]Omran S,Tayel M.A heart sound segmentation and feature extraction algorithm using wavelets[C].Egypt:Communications and Signal Processing,2004:235-238.

[5]Kumar P. Estimation boundaries of primary heart sounds for diagnosing heart valve disorders[J].Advances in Medical, Signal and Information Processing,2006:55-58.

[6]M.Sabarimalai Manikand, Soman KP. Robust heart sound activity detection in noisy environments[J].Electronic Letters,2010,46(16):1100-1102.

[7]林勇,許曉飛.基于經(jīng)驗(yàn)?zāi)Ｊ椒纸獾男囊糇詣?dòng)分段算法[J].中國生物醫(yī)學(xué)工程學(xué)報(bào),2008,27(4):485-488.

[8]王新沛,劉常春,李遠(yuǎn)洋,等.基于高階香農(nóng)熵的心音分段算法[J].吉林大學(xué)學(xué)報(bào),2010,40(5):1433-1436.

[9]韋哲,李戰(zhàn)明,程自峰,等.基于聲卡的心音信號(hào)采集與處理系統(tǒng)的實(shí)驗(yàn)研究[J].中國醫(yī)療設(shè)備,2008,23(10):7-10.

[10]陳潔,張俊琦.正常心音的第一、第二心音頻率檢測[J].生物醫(yī)學(xué)工程,2008,27(2):114-117.