基于雙閾值的心音快速分段算法及其應(yīng)用研究

成謝鋒，姚鵬飛

(南京郵電大學(xué) 電子科學(xué)與工程學(xué)院，江蘇 南京 210003)

1 概 述

心音信號(hào)是人體最重要的生理信號(hào)之一，它含有心臟各個(gè)部分如心房、心室、大血管、心血管及各個(gè)瓣膜功能狀態(tài)的大量生理信息，具備普遍性、獨(dú)特性和可采集性的生物特征，有助于分析多種心臟疾病和人體的精神壓力狀況。一般情況下，一個(gè)正常的心音信號(hào)可以分為第一心音S1、收縮期、第二心音S2和舒張期這四個(gè)部分[1-2]，它們組成了心音信號(hào)一個(gè)完整的心動(dòng)周期。心臟的收縮期是指從第一心音S1起點(diǎn)持續(xù)到第二心音S2起點(diǎn)的間隔，而舒張期則是指從第二心音S2起點(diǎn)持續(xù)到與下一個(gè)心動(dòng)周期的第一心音S1起點(diǎn)的間隔。在一段心音信號(hào)中，收縮期和舒張期是重復(fù)出現(xiàn)的，并且大多數(shù)人的心臟舒張期比收縮期要長(zhǎng)一些。此外，在少數(shù)情況下還有可能聽見第三心音S3和第四心音S4，它們通常出現(xiàn)在小孩或者老年人身上[3-4]。

心音分段算法是心音研究的基礎(chǔ)和前提，其目的是定位心音的主要成分(第一心音S1、收縮期、第二心音S2和舒張期這四個(gè)部分)，為心音分析提供定位基礎(chǔ)。近年來，研究人員已經(jīng)提出了多種心音信號(hào)的分段算法。Zhou等[5]提出了一種利用香農(nóng)能量進(jìn)行心音分段的算法，該算法可以得到光滑的信號(hào)包絡(luò)，但是對(duì)心音信號(hào)的定位并不是很準(zhǔn)確。Quan等[6]和Liang等[7]提出了一種利用小波變換和小波分解重構(gòu)的算法，該算法在計(jì)算正常心音時(shí)非常準(zhǔn)確，但是對(duì)非正常心音的分段準(zhǔn)確率并不是很高。Guo等[8]提出了一種基于數(shù)學(xué)形態(tài)的檢測(cè)心音的算法，該算法的最大缺點(diǎn)在于難以找到合適的結(jié)構(gòu)元素。Zhao等[9]提出了一種基于短時(shí)黃變換的心音分段算法，該算法的分段精度較高，但由于計(jì)算量很大導(dǎo)致分析時(shí)間很長(zhǎng)。

Zhou等提出的算法較為簡(jiǎn)單，優(yōu)點(diǎn)是可以取得較為光滑的信號(hào)包絡(luò)，但是在心音的特征提取和分段的效果上比較差，目前該算法已經(jīng)很少使用。其主要原理是對(duì)心音信號(hào)進(jìn)行小波分解后，利用歸一化平均香農(nóng)能對(duì)心音取包絡(luò)，再識(shí)別出心音信號(hào)的S1和S2。該算法經(jīng)過心音樣本測(cè)試后，計(jì)算結(jié)果的準(zhǔn)確度只達(dá)到了78%，實(shí)際使用效果很差。

Quan等和Liang等提出的算法是一種以香農(nóng)能量算法為基礎(chǔ)的心音分段算法。該算法分為5步：第一步使用小波變換分解并重構(gòu)心音信號(hào)；第二步計(jì)算歸一化的香農(nóng)能量；第三步標(biāo)記超過閾值的波峰；第四步識(shí)別出心音信號(hào)的第一心音S1和第二心音S2；第五步確定心音的收縮期和舒張期的時(shí)間。該算法使用了1 165個(gè)心音進(jìn)行測(cè)試，結(jié)果表明該算法在計(jì)算正常心音時(shí)準(zhǔn)確度達(dá)到了97%，但在計(jì)算非正常心音時(shí)準(zhǔn)確度不足86%。

Guo等提出的算法的準(zhǔn)確度非常高，但是非常依賴于找到合適的結(jié)構(gòu)元素。其原理是首先確定心音信號(hào)的特征，利用形態(tài)學(xué)濾波對(duì)心音信號(hào)進(jìn)行濾波和整合，再用形態(tài)元素取心音信號(hào)的包絡(luò)，最后對(duì)心音信號(hào)進(jìn)行識(shí)別。該算法使用了50例心音樣本，計(jì)算正常心音的準(zhǔn)確度達(dá)到了96%，非正常心音的準(zhǔn)確度達(dá)到了92%，都達(dá)到了較高水平。但是該算法依賴于形態(tài)元素的選取，實(shí)際使用價(jià)值不是很高。

Zhao等提出的算法是目前較為先進(jìn)的一種心音處理算法。短時(shí)黃變換是一種時(shí)頻分析技術(shù)，相比于傳統(tǒng)的時(shí)域變換，短時(shí)黃變換能夠獲取更為精準(zhǔn)的瞬態(tài)和更高的頻率分辨率。短時(shí)黃變換主要基于2個(gè)過程：EMD經(jīng)驗(yàn)?zāi)B(tài)分解和希爾伯特變換。短時(shí)黃變換的中心是EMD經(jīng)驗(yàn)?zāi)B(tài)分解，該模式由算法的過程定義，利用三次樣條函數(shù)擬合原序列，再通過希爾伯特變換求出心音的包絡(luò)，最后識(shí)別出心音信號(hào)的各個(gè)部分。該算法在識(shí)別正常心音的準(zhǔn)確度達(dá)到了97%，識(shí)別病理心音和帶有雜音的心音信號(hào)的準(zhǔn)確度達(dá)到了89%。但由于計(jì)算過程較為復(fù)雜，導(dǎo)致計(jì)算量很大，分析時(shí)間較長(zhǎng)。

文中改進(jìn)了已有的心音分段算法，使用兩次閾值函數(shù)的自適應(yīng)選擇，能夠快速地對(duì)心音信號(hào)進(jìn)行分段，準(zhǔn)確地識(shí)別出心音的第一心音S1、收縮期、第二心音S2和舒張期這四個(gè)部分，并且計(jì)算出每個(gè)部分的時(shí)間。通過對(duì)比60組心音樣本，結(jié)果表明該算法對(duì)正常心音的分段精度達(dá)到了96%，對(duì)非正常心音的處理精度超過了92%，是一種非常實(shí)用的心音分段算法。

2 方法原理

2.1 信號(hào)預(yù)處理

心音信號(hào)是非常微弱的聲音信號(hào)，在采集過程中易受到外界聲音和電子信號(hào)的干擾[10]。因此需要對(duì)信號(hào)進(jìn)行預(yù)處理。預(yù)處理的步驟如下：

第一步：由于心音信號(hào)的頻率在20～1 000 Hz的范圍內(nèi)，先將信號(hào)通過一個(gè)切比雪夫Ⅰ型低通濾波器，濾除信號(hào)中不需要的高頻成分。

第二步：利用小波閾值去噪方法消除與心音信號(hào)頻譜重疊的背景噪聲[11-12]。其原理是按照一定的閾值壓縮信號(hào)的小波變換系數(shù)，然后用被壓縮后的系數(shù)重構(gòu)信號(hào)以達(dá)到消噪的目的。傳統(tǒng)的小波去噪方法通常采用固定的閾值處理小波系數(shù)，有時(shí)會(huì)改變心音信號(hào)中的弱特征成分，引起重構(gòu)心音信號(hào)的失真[13-14]。自適應(yīng)閾值的改進(jìn)之處是根據(jù)不同心音信號(hào)的特點(diǎn)自適應(yīng)選擇不同的閾值。設(shè)采集到的一段心音信號(hào)為y(t)，如圖1(a)所示。該段心音信號(hào)總長(zhǎng)度為N，標(biāo)準(zhǔn)方差為σ，其估計(jì)閾值T定義為：

(1)

那么，心音信號(hào)y(t)經(jīng)過小波變換后的小波系數(shù)可按下面的最優(yōu)閾值重新調(diào)整：

(2)

經(jīng)過小波閾值去噪后的心音信號(hào)y(t)如圖1(b)所示。

圖1 消噪前后的心音信號(hào)波形圖

第三步：對(duì)消噪后的心音信號(hào)求包絡(luò)。文中使用希爾伯特變換H(y(t))來獲取心音信號(hào)的包絡(luò)。心音信號(hào)y(t)經(jīng)希爾伯特變換后有：

(3)

其中，Y(x)就是心音信號(hào)y(t)的包絡(luò)。提取出的心音包絡(luò)如圖2(a)所示。

再將心音信號(hào)的包絡(luò)用式4進(jìn)行歸一化：

(4)

歸一化后的心音信號(hào)的包絡(luò)Yn(x)如圖2(b)所示。

圖2 心音信號(hào)的包絡(luò)

2.2 心音信號(hào)的分段

首先將經(jīng)過預(yù)處理后的心音信號(hào)包絡(luò)通過式5變換為方波S(x)。

(5)

其中，T'是第二次自適應(yīng)選擇的閾值函數(shù)。

(6)

這是一種改進(jìn)的標(biāo)準(zhǔn)偏差計(jì)算公式，其中X是歸一化后的心音信號(hào)Yn(x)的平均值。

將心音信號(hào)Yn(x)變換為方波后的波形如圖3所示。

圖3 心音信號(hào)變換為方波后的波形

然后去除不合格的心音段。由于心音的S1信號(hào)間隔的范圍在70～150 ms之間，S2信號(hào)間隔在60～120 ms之間，S1和S2連續(xù)間隔一般為100 ms。因此根據(jù)信號(hào)的采樣頻率3 000 Hz，可以將不合格的脈沖作為噪聲去除掉。

最后定位心音的S1信號(hào)和S2信號(hào)。定位S1信號(hào)和S2信號(hào)的依據(jù)是心臟收縮期的時(shí)間總是小于心臟舒張期的時(shí)間，并且每?jī)蓚€(gè)S2脈沖之間必有一個(gè)S1脈沖，每?jī)蓚€(gè)S1脈沖之間必有一個(gè)S2脈沖。通過選擇任意三個(gè)信號(hào)脈沖，就可以定位到S1和S2。因此，尋找心音段的最大間隔,則該間隔的起點(diǎn)為S2,終點(diǎn)為S1；S1與S2之間為收縮期,S2至下一S1為舒張期。至此,心音分段成功完成，分段結(jié)果如圖4所示。

圖4 心音信號(hào)的分段結(jié)果

3 評(píng)估心音分段算法的性能

3.1 性能評(píng)估

文中使用課題組設(shè)計(jì)的穿戴式無(wú)線心音采集器獲取心音信號(hào)的樣本。該采集器集合了電子聽診器、無(wú)線傳輸以及可穿戴的特點(diǎn)，可以方便對(duì)心音信號(hào)進(jìn)行長(zhǎng)時(shí)間有效采集。選取了60位測(cè)試者的心音樣本作為心音數(shù)據(jù)庫(kù)，其中包含了正常心音和非正常心音。非正常心音信號(hào)主要來自于病理心音，包括二尖瓣狹窄、二尖瓣關(guān)閉不全、高血壓、主動(dòng)脈瓣狹窄等情況。

為了更好地評(píng)估算法，利用4個(gè)參數(shù)作為評(píng)估指標(biāo)[15]：PS是算法處理速度；TP12是定位正確的第一心音S1和第二心音S2的百分比；FP12是定位錯(cuò)誤的第一心音S1和第二心音S2的百分比；MP12是沒有定位出的第一心音S1和第二心音S2的百分比。具體計(jì)算公式如下：

(7)

選取心音數(shù)據(jù)庫(kù)的10組心音樣本，每段心音的長(zhǎng)度為180 s，包括5個(gè)正常心音和5個(gè)病理心音。自適應(yīng)閾值心音分段算法的評(píng)估結(jié)果如表1所示。

3.2 與其他心音分段算法的比較

將提出的算法與引言中介紹的幾種心音分段算法進(jìn)行對(duì)比。選取心音數(shù)據(jù)庫(kù)的10組心音樣本，每段心音的長(zhǎng)度為180 s，包括5個(gè)正常心音和5個(gè)病理心音。使用3.1小節(jié)提出的4種參數(shù)作為評(píng)估指標(biāo)。5種算法對(duì)正常心音的評(píng)估結(jié)果如表2所示。

表1 自適應(yīng)閾值的心音分段算法性能評(píng)估

表2 正常心音的評(píng)估結(jié)果

4 算法應(yīng)用研究

文中算法的特點(diǎn)是能夠快速、準(zhǔn)確地對(duì)心音進(jìn)行分段。在此基礎(chǔ)上，創(chuàng)造性地引用了心率變異性原理。把心音分段和心率變異性原理結(jié)合起來，設(shè)計(jì)、實(shí)現(xiàn)了一種基于心音HRV理論的精神壓力分析系統(tǒng)。心率變異性(HRV)是指逐次心搏間期的微小差異，它產(chǎn)生于自主神經(jīng)系統(tǒng)對(duì)心臟竇房結(jié)的調(diào)制，使心搏間期一般存在幾十毫米的差異和波動(dòng)。通過觀察HRV，能夠評(píng)價(jià)人體的自主神經(jīng)系統(tǒng)。因此，心率變異性被作為反映人體精神壓力最理想的指標(biāo)。經(jīng)過科學(xué)實(shí)驗(yàn)和反復(fù)論證，心率變異性已經(jīng)成為目前測(cè)定人體精神壓力最客觀、準(zhǔn)確和直接的方法。

當(dāng)前已經(jīng)出現(xiàn)的精神壓力分析儀大多采用動(dòng)脈血壓法和心電圖法獲取心率變異性。然而動(dòng)脈血壓法測(cè)量心率的時(shí)候通常和測(cè)血壓一起使用，優(yōu)點(diǎn)是可以獲取額外的血壓信息，缺點(diǎn)是測(cè)量用的儀器體積大且需要?dú)獗?。心電圖法獲取心率的結(jié)果非常精確，但是心電測(cè)量?jī)x器非常專業(yè)，造價(jià)昂貴且需要專業(yè)的操作知識(shí)。采用上述兩種心率測(cè)量方法的精神壓力分析儀不僅造價(jià)昂貴而且不易操作，不適合在日常生活中使用。文中將心音分段和心率變異性原理相結(jié)合設(shè)計(jì)的這款精神壓力分析系統(tǒng)，只需要簡(jiǎn)單的心音采集器和使用場(chǎng)景，其特點(diǎn)是方便易用、成本低廉、結(jié)果準(zhǔn)確并且其分析結(jié)果簡(jiǎn)單易懂，非常適合在日常生活中使用。

基于心音HRV理論的精神壓力分析系統(tǒng)分為3個(gè)模塊：心音采集、心音分析和精神壓力分析。系統(tǒng)的整體框架如圖5所示。

圖5 精神壓力分析系統(tǒng)整體框架

其中心音采集模塊采用了課題組設(shè)計(jì)改良的一款肩帶式無(wú)線心音采集器。該采集器集合了電子聽診器、無(wú)線傳輸以及可穿戴的特點(diǎn)，可以方便對(duì)心音信號(hào)進(jìn)行長(zhǎng)時(shí)間有效采集。采集到的心音信號(hào)通過采集模塊的無(wú)線傳輸裝置傳輸至心音分析模塊，由心音分析模塊進(jìn)行進(jìn)一步的處理。心音分析模塊的核心是文中提出的自適應(yīng)閾值心音分段算法。能夠快速地對(duì)心音信號(hào)進(jìn)行分段，準(zhǔn)確識(shí)別出心音信號(hào)的第一心音S1、收縮期、第二心音S2和舒張期這四個(gè)部分，并且計(jì)算出每個(gè)部分的時(shí)間，獲取到人體的心動(dòng)周期時(shí)間序列。精神壓力分析模塊根據(jù)心音分析模塊所得到的心動(dòng)周期序列，通過對(duì)心率變異性進(jìn)行時(shí)域分析、頻域分析以及龐加萊分析法，獲取十二項(xiàng)特征指標(biāo)，并對(duì)其中8個(gè)主要特征指標(biāo)進(jìn)行圖形化表示。再根據(jù)心率變異性的指標(biāo)分析出人體的精神壓力狀況，從人體的壓力指數(shù)、疲勞指數(shù)、抗壓能力、自主神經(jīng)系統(tǒng)的活性以及自主神經(jīng)系統(tǒng)的穩(wěn)定性這5個(gè)方面對(duì)人體的精神壓力狀況進(jìn)行評(píng)估，得出最終的分析報(bào)告。

5 結(jié)束語(yǔ)

在已有心音分段算法的基礎(chǔ)上，提出了一種自適應(yīng)閾值的心音分段算法，使用了兩次閾值函數(shù)的自適應(yīng)選擇，能夠快速、準(zhǔn)確地識(shí)別出心音的第一心音S1、收縮期、第二心音S2和舒張期這四個(gè)部分。實(shí)驗(yàn)結(jié)果表明，該算法性能優(yōu)良，無(wú)論是正常心音還是各種病理心音，都達(dá)到了較高的分段正確率，是一種非常實(shí)用的心音分段算法。并在此基礎(chǔ)上，引用了心率變異性原理，設(shè)計(jì)、實(shí)現(xiàn)了一款基于心音HRV理論的精神壓力分析系統(tǒng)。

參考文獻(xiàn)：

[1] 周 靜,楊永明,何 為.心音信號(hào)的分析及其特征提取方法的研究[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào),2005,24(6):685-689.

[2] 成謝鋒,馬 勇,劉 陳,等.心音身份識(shí)別技術(shù)的研究[J].中國(guó)科學(xué):信息科學(xué),2012,42(2):237-251.

[3] 趙治棟,趙知?jiǎng)?張 嵩,等.心音自動(dòng)分段算法研究[J].航天醫(yī)學(xué)與醫(yī)學(xué)工程,2004,17(6):452-456.

[4] 屠志海.心音信號(hào)的分析方法研究[D].上海:華東師范大學(xué),2011.

[5] ZHOU J,HE W,DAN C,et al.Feature extraction and recognition of heart sound[C]//Automation congress.[s.l.]:[s.n.],2008.

[6] 全海燕,王威廉.基于小波多分辨分析的第一第二心音提取[J].北京生物醫(yī)學(xué)工程,2004,23(1):64-66.

[7] LIANG H,SAKARI L,IIRO H.A heart sound segmentation algorithm using wavelet decomposition and reconstruction[C]//Proceedings of the international conference of engineering in medicine and biology society.[s.l.]:[s.n.],1997:1630-1633.

[8] GUO X, CHEN J, XIAO S. Heart sound recognition algorithm based on mathematical morphology[J].Journal of Biomedical Engineering,2004,21(5):832-835.

[9] ZHAO Z,ZHAO Z,CHEN Y.Time-frequency analysis of heart sound based on HHT[Hilbert-Huang transform][C]//International conference on communications,circuits and systems.[s.l.]:[s.n.],2005:929.

[10] 譚江平,何 為,張占龍.心音信號(hào)采集與分析系統(tǒng)[J].重慶工商大學(xué)學(xué)報(bào):自然科學(xué)版,2004,21(5):465-467.

[11] 歐陽(yáng)春娟,楊群生,歐陽(yáng)迎春.基于小波變換的自適應(yīng)模糊閾值去噪算法[J].計(jì)算機(jī)工程與應(yīng)用,2006,42(5):82-84.

[12] 魏文暢,楊俊杰,蔡建立.基于小波變換的半軟閾值參數(shù)算法研究[J].計(jì)算機(jī)工程與應(yīng)用,2009,45(1):73-76.

[13] 劉 剛,屈梁生.自適應(yīng)閾值選擇和小波消噪方法研究[J].信號(hào)處理,2002,18(6):509-512.

[14] 劉 智.改進(jìn)的正交小波變換閾值去噪算法研究[J].計(jì)算機(jī)仿真,2011,28(8):272-275.

[15] VARGHEES V N,RAMACHANDRAN K I.A novel heart sound activity detection framework for automated heart sound analysis[J].Biomedical Signal Processing and Control,2014,13:174-188.