應(yīng)用狀態(tài)描述方法(SRM)的心音信號(hào)識(shí)別

張曉芬，嚴(yán)中洪

(重慶理工大學(xué)藥學(xué)與生物工程學(xué)院，重慶 400054)

應(yīng)用狀態(tài)描述方法(SRM)的心音信號(hào)識(shí)別

張曉芬1，嚴(yán)中洪2

(重慶理工大學(xué)藥學(xué)與生物工程學(xué)院，重慶 400054)

介紹了一種新的心音信號(hào)識(shí)別方法——狀態(tài)描述方法(SRM)，它不僅能有效區(qū)分正異常心音，還能對(duì)同一個(gè)人不同時(shí)期的心音狀態(tài)進(jìn)行評(píng)估。利用SRM分析心音信號(hào)，通過傳統(tǒng)的方法提取出心音信號(hào)的特征值后，構(gòu)建出SRM模型。實(shí)驗(yàn)結(jié)果表明:通過該模型可以有效區(qū)分不同狀態(tài)的心音信號(hào)。區(qū)別于傳統(tǒng)心音識(shí)別方法，SRM通過尺度的變化能不同程度地顯示心音的狀態(tài)變化，為研究生物信號(hào)模式識(shí)別提供了一種新的思路。

心音識(shí)別;心音狀態(tài)評(píng)估;狀態(tài)描述方法;生物信號(hào)模式識(shí)別

心臟聽診是一種對(duì)心血管疾病進(jìn)行輔助診斷的不可或缺手段。研究表明:心音是由心臟的瓣膜和大血管在血流沖擊下形成的振動(dòng)，以及心臟內(nèi)血流的加速與減速形成的湍流與渦流和對(duì)心臟瓣膜、心房、室壁的作用所產(chǎn)生的振動(dòng)，再加上心肌在周期性的心電活動(dòng)作用下剛性的迅速增加和減小形成的振動(dòng)，最后經(jīng)過心胸傳導(dǎo)系統(tǒng)到達(dá)體表所形成的體表心音［1］。因此，心音中包含了許多心血管異常的重要信息。

國(guó)內(nèi)外不少的研究人員都曾嘗試采用不同的方法進(jìn)行心音信號(hào)的自動(dòng)識(shí)別。郭興明、陳劍、姚曉帥等［2－3］采用數(shù)學(xué)形態(tài)學(xué)進(jìn)行心音包絡(luò)的提取與識(shí)別研究。他們首先利用數(shù)學(xué)形態(tài)學(xué)方法提取心音的包絡(luò)，然后使用差分法并結(jié)合心音的醫(yī)學(xué)知識(shí)對(duì)其進(jìn)行自動(dòng)識(shí)別。Zamri Mohd Zin等［4］利用小波變換及人工神經(jīng)網(wǎng)絡(luò)(ANN)對(duì)心音信號(hào)進(jìn)行處理和識(shí)別，研究中采用積分小波變換和離散小波變換對(duì)心音信號(hào)進(jìn)行處理并得到心音信號(hào)的特征參數(shù)。將所得的特征參數(shù)作為人工神經(jīng)網(wǎng)絡(luò)的輸入向量，對(duì)多層感知神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和識(shí)別。Jiang［5－6］和Ilias Maglogiannis［7］采用SVM法進(jìn)行心音信號(hào)的模式識(shí)別。本文提出一種基于SRM的心音識(shí)別方法，雖然采用與SVM及ANN相似的原理來(lái)描述系統(tǒng)狀態(tài)，但區(qū)別在于SVM及ANN方法的內(nèi)部計(jì)算過程復(fù)雜，不可預(yù)測(cè)，而SRM方法的整個(gè)響應(yīng)過程比較清晰。

1 SRM方法理論

SRM方法是用于狀態(tài)分析評(píng)估的新方法，屬于模式識(shí)別范疇，由嚴(yán)中紅［8］在2010年提出。該方法最早應(yīng)用于橋梁健康結(jié)構(gòu)監(jiān)測(cè)，并取得了較好的結(jié)果。同樣，作為信號(hào)數(shù)據(jù)處理的一種，心音信號(hào)的模式識(shí)別也可以應(yīng)用SRM方法。為了把SRM方法推廣到醫(yī)學(xué)的信號(hào)處理方面(例如細(xì)胞圖像識(shí)別、基因分析評(píng)估、三高數(shù)據(jù)評(píng)估分析以及病理切片分析等)，有必要對(duì)SRM方法的理論基礎(chǔ)進(jìn)行介紹。

世界上任何物質(zhì)都可以看作一個(gè)系統(tǒng)，系統(tǒng)的狀態(tài)是它自身的內(nèi)部和外部因素的全響應(yīng)，本質(zhì)上由其自身的結(jié)構(gòu)或結(jié)構(gòu)屬性和自然環(huán)境所決定［9］。SRM方法可以定義和記錄一個(gè)系統(tǒng)的狀態(tài)變化，并可以通過一個(gè)狀態(tài)描述方程來(lái)表示:

式(1)中:ζ為系統(tǒng)狀態(tài)變量(在系統(tǒng)沒有變化的情況下該值為固定常數(shù));λ和x分別為系統(tǒng)的結(jié)構(gòu)參數(shù)和響應(yīng)特性。其中，ζ用來(lái)量化λ與x之間的對(duì)偶關(guān)系。

與SVM法相似，SRM方法也巧妙地利用了核函數(shù)，可以使高維特征向量的處理得到大大簡(jiǎn)化。核函數(shù)的合理運(yùn)用也是SRM方法的關(guān)鍵問題之一。通常選取核函數(shù)的方法有以下幾種:

1)利用專家的先驗(yàn)知識(shí)預(yù)先選定核函數(shù);

2)采用Cross－Validation方法(交叉驗(yàn)證方法)，即在進(jìn)行核函數(shù)選取時(shí)，分別試用不同的核函數(shù)。歸納誤差最小的核函數(shù)就是最好的核函數(shù)。

3)采用由Smits等人［10］提出的混合核函數(shù)方法。該方法相比之前兩種方法是目前選取核函數(shù)的主流方法，也是關(guān)于如何構(gòu)造核函數(shù)的又一開創(chuàng)性的工作。研究結(jié)果證明:將多項(xiàng)式和高斯核兩種核函數(shù)結(jié)合起來(lái)使用，既具有良好的學(xué)習(xí)性又具有良好的泛化性［11］。

選擇好合適的核函數(shù)之后，式(1)即可轉(zhuǎn)換為

其中:hi和x均與系統(tǒng)響應(yīng)特性有關(guān)。本實(shí)驗(yàn)中，心音信號(hào)的特征矩陣x通過傳統(tǒng)的特征提取方法來(lái)提取。

2 心音周期分割及特征提取方法

本文中的實(shí)驗(yàn)數(shù)據(jù)部分由3M Littmann公司提供，部分利用3M Littmann公司生產(chǎn)的3200型號(hào)的電子聽診器在醫(yī)院現(xiàn)場(chǎng)采集所得，另外部分則來(lái)自西華大學(xué)提供的各類心音數(shù)據(jù)。實(shí)驗(yàn)中采用30例正常心音及50例異常心音數(shù)據(jù)進(jìn)行分析。

2.1 心音周期分割及S1、S2分段

本文使用多尺度特征波形MS－CW和特征矩波形CMW進(jìn)行心音分段。實(shí)驗(yàn)結(jié)果證明:與傳統(tǒng)的小波分析方法相比，該算法速度更快，更簡(jiǎn)單，并具有更好的抗干擾能力。算法基于2個(gè)假設(shè):

1)假定心音信號(hào)均是周期性信號(hào)。實(shí)驗(yàn)中不考慮高危病人的心音數(shù)據(jù)，僅對(duì)家庭早期心音監(jiān)護(hù)數(shù)據(jù)進(jìn)行研究;

2)假設(shè)心音信號(hào)的噪聲部分為零均值，具有單位方差。

實(shí)驗(yàn)證明上述2個(gè)假設(shè)對(duì)心音信號(hào)的準(zhǔn)確分段具有重要作用［12］。圖1為原始信號(hào)及利用上述方法得到的心音分段結(jié)果。

圖1 原始心音分段結(jié)果

2.2 心音信號(hào)的特征提取

2.2.1 小波分析

本實(shí)驗(yàn)對(duì)采樣頻率為2 205 Hz的心音信號(hào)進(jìn)行3層小波分解，母小波選用Daub4小波。根據(jù)小波分析理論，原始信號(hào)與小波分解后各層小波分解系數(shù)的關(guān)系如式(2)所示:

取各層小波系數(shù)的模的平均值作為心音分析的特征值，則有

其中:aj表示各層小波系數(shù)模的平均值;j表示小波分解的層數(shù);dji表示小波系數(shù)矩陣中第j層第i個(gè)小波系數(shù)值;n表示小波系數(shù)矩陣的維數(shù)。

2.2.2 譜分析

實(shí)驗(yàn)中對(duì)心音信號(hào)進(jìn)行FFT處理，得到信號(hào)的頻譜圖。圖2為某一正常心音與一個(gè)異常心音的頻譜圖。為確保特征值的有效性，實(shí)驗(yàn)中選取的特征頻段要盡可能寬。本實(shí)驗(yàn)提取頻率值為1～50，151～250相對(duì)應(yīng)的幅值作為特征值，共150個(gè)特征值。

將頻譜特征值與小波系數(shù)特征值組成一個(gè)特征值矩陣，用于后面心音信號(hào)的分析識(shí)別及心音狀態(tài)變化的評(píng)估。

圖2 心音信號(hào)的頻率幅度譜

3 構(gòu)建SRM模型

在獲得心音信號(hào)的特征參數(shù)矩陣之后，利用這些特征值進(jìn)行SRM模型的構(gòu)建，即可實(shí)現(xiàn)心音的自動(dòng)識(shí)別及狀態(tài)評(píng)估。

在系統(tǒng)沒有發(fā)生變化的情況下，系統(tǒng)的狀態(tài)方程應(yīng)等于某一常數(shù)，即

式(3)中的m代表特征值個(gè)數(shù)。本文定義核函數(shù):

其中:尺度σ決定了對(duì)同一系統(tǒng)兩種不同狀態(tài)之間差異的敏感程度。尺度越大，對(duì)系統(tǒng)差異敏感度降低;反之，尺度越小，對(duì)差異的敏感度就越高。尺度σ可根據(jù)實(shí)際情況自行設(shè)定。

定義一個(gè)革蘭氏－施密特矩陣G:

據(jù)式(3)可得

求出式(4)的最小二乘解:

實(shí)驗(yàn)中將30例正常心音的特征值構(gòu)成一個(gè)特征矩陣，利用SRM方法得出的心音狀態(tài)如圖3 (a)所示。然后將一類異常心音的特征矩陣代入正常心音的特征矩陣中，計(jì)算得到狀態(tài)圖如圖3 (b)所示?？梢钥闯鰞烧叩臓顟B(tài)直方圖發(fā)生了明顯的變化，由此即可對(duì)正異常心音進(jìn)行分類識(shí)別。

為了說(shuō)明SRM方法中尺度對(duì)狀態(tài)描述結(jié)果的影響，實(shí)驗(yàn)中根據(jù)實(shí)際情況對(duì)尺度σ做了相應(yīng)的變化。圖4所示為尺度改變后正異常心音的狀態(tài)圖，可以看出:尺度σ=8時(shí)，可以明顯區(qū)分兩類心音信號(hào);σ=12時(shí)，兩類信號(hào)的部分區(qū)域重合，識(shí)別度降低。

實(shí)驗(yàn)中以二尖瓣狹窄(輕度、中度、重度)以及正常心音為例，對(duì)不同尺度下心音狀態(tài)的評(píng)估結(jié)果進(jìn)行了對(duì)比研究，結(jié)果如表1所示。

圖3 信號(hào)的狀態(tài)概率分布圖

圖4 不同尺度下心音信號(hào)的狀態(tài)直方圖

表1 不同尺度下心音狀態(tài)的評(píng)估結(jié)果

區(qū)別于傳統(tǒng)的心音分類方法，SRM還具備另一種特殊的用途:除了可以在相同尺度下區(qū)分正異常心音，如圖5所示;還可以顯示同一個(gè)人在不同時(shí)期心音狀態(tài)發(fā)生的變化情況，如圖6所示。圖6(a)表示的是一個(gè)正常人3天的心音狀態(tài)圖;圖6(b)表示的是一名患者2次測(cè)得的心音狀態(tài)圖，其中也包含一條正常心音的狀態(tài)曲線。根據(jù)這些曲線圖可以清楚地看出一個(gè)人在不同時(shí)期的心音狀態(tài)所發(fā)生的變化。

圖5 相同尺度下正異常心音的狀態(tài)曲線

圖6 某個(gè)人在不同時(shí)期的心音狀態(tài)曲線

4 結(jié)束語(yǔ)

在研究傳統(tǒng)心音識(shí)別算法的基礎(chǔ)上，本文提出了一種新的識(shí)別方法——SRM方法。區(qū)別于傳統(tǒng)的心音分類方法，SRM可以在相同尺度下描述正異常心音的狀態(tài)，從而有效區(qū)分正異常心音。同樣，可以利用該方法顯示同一個(gè)人在不同時(shí)期心音狀態(tài)發(fā)生的變化。通過改變尺度的大小可以改變對(duì)正異常心音的識(shí)別度，故可根據(jù)實(shí)際情況調(diào)節(jié)尺度。實(shí)際生活中，考慮到各類事物都可看作一個(gè)系統(tǒng)，因此本文方法可應(yīng)用到很多領(lǐng)域。

［1］吳延軍，徐涇平，趙艷.心音的產(chǎn)生于傳導(dǎo)機(jī)制［J］.生物醫(yī)學(xué)工程學(xué)雜志，1996，13(3):280－288.

［2］郭興明，陳劍，肖守中.基于數(shù)學(xué)形態(tài)學(xué)的心音信號(hào)識(shí)別方法［J］.生物醫(yī)學(xué)工程學(xué)雜志，2004，21(5):832－835.

［3］姚曉帥，郭興明，陳劍，等.基于數(shù)學(xué)形態(tài)學(xué)的心音包絡(luò)提取與識(shí)別方法研究［J］.北京生物工程，2004，23 (3):201－204.

［4］Zamri Mohd Zin，Sheikh Hussain－Salleh，M Daud Sulaiman.Wavelet Analysis and Classification of Mitral Regurgitation and Normal Heart Sounds Based on Artificial Neural Networks［Z］.IEEE.2003.

［5］Zhongwei Jiang，S Choi.A Cardiac Sound Characteristic Waveform Method for In－Home Heart Disorder Monitoring with Electric Stethoscope［J］.Expert Systems with Applications，2006，31(2):286－298.

［6］Zhongwei Jiang，Haibin Wang，S Choi.A New Approach on Heart Murmurs Classification with SVM Technique［J］.Information Technology Convergence，2007(23/ 24):240－244.

［7］Ilias Maglogiannis，Euripidis Loukis.Support Vectors Machine－Based Identification of Heart Valve Diseases Using Heart Sounds［J］.Computer Methods and Programs in Biomedicine，2009，95:47－61.

［8］Yan Z H，Miyamoto A.SRM and Experimental Study on Bridge Condition Assessment Method［Z］.Lifetime Engineering of Civil Infrastructure 3，A.Miyamoto，S.Hamada and S.H.Lee(Ed.)，Research Center for Environmental Safety(RCES)，Yamaguchi University，Ube，Aug.2008: 267－282.

［9］Ayaho Miyamoto.StateRepresentationMethodology (SRM)for Bridge Condition Assessment in SHM［J］.First Middle East Conference on Smart Monitoring，Assessment and Rehabilitation of Civil Structures，2011:31－43.

［10］Smits，Guido F.Improved SVM regression using mixtures of kernels［C］//IJCNN’02，Neural Networks:［s.n.］，2002(3):2785－2790.

［11］Nigam V，Priemer R.Simplicity based gating of heart sounds，circuits and systems［J］.48th Midwest Symposium，2005(2):1298－1301.

［12］Zhonghong Yan，Zhongwei Jiang，Ayaho Miyamoto，et al.The Moment Segmentation Analysis of Heart Sound Pattern［J］.Computer Methods and Programs in Biomedicine，2010，98(2):140－150.

(責(zé)任編輯 楊黎麗)

SRM Analysis of Heart Sound Signal Patterns

ZHANG Xiao－fen1，YAN Zhong－h(huán)ong2
(College of Pharmacy＆Bioengineering，
Chongqing University of Technology，Chongqing 400054，China)

In this paper，a new method was introduced for recognition of heart sound signal—state representation methodology(SRM).By using this method，not only the abnormal heart sounds could be distinguished effectively，the state of heart sound of the same person at different times could also be evaluated.Characteristic values of heart sound signals were extracted by the traditional method，and then to build a model of the SRM.Results showed that different state of heart sound signals can distinguished effectively between through this model.SRM，different from traditional recognition method of heart sound，could show the change of state of heart sound through the change of the scale，and it also provided a new tool to study biomedical signal pattern.

recognition of heart sound;heart sound state assessment;state representation methodology;biomedical signal pattern recognition

R857.3

A

1674－8425(2014)03－0110－06

10.3969/j.issn.1674－8425(z).2014.03.020

2013－10－08

重慶市教委科學(xué)技術(shù)研究項(xiàng)目(KJ120807)

張曉芬(1989—)，湖北荊州人，碩士研究生，主要從事計(jì)算機(jī)醫(yī)學(xué)圖像與信號(hào)處理方面的研究。

張曉芬，嚴(yán)中洪.應(yīng)用狀態(tài)描述方法(SRM)的心音信號(hào)識(shí)別［J］.重慶理工大學(xué)學(xué)報(bào):自然科學(xué)版，2014 (3):110－115.

format:ZHANG Xiao－fen，YAN Zhong－h(huán)ong.SRM Analysis of Heart Sound Signal Patterns［J］.Journal of Chongqing University of Technology:Natural Science，2014(3):110－115.