小波和神經網絡在心音識別中的應用

馬永華，成謝鋒

（南京郵電大學 電子科學與工程學院，江蘇 南京 210003）

小波和神經網絡在心音識別中的應用

馬永華，成謝鋒

（南京郵電大學 電子科學與工程學院，江蘇 南京 210003）

提出一種心音的特征提取和分類方法，用離散小波變換分解、重構產生信號的細節包絡，進而用于提取特征，從預處理的信號中提取統計特性，作為心音分類的特征。多層感知器用于心音的分類，并通過250個心動周期得到驗證，算法識別率達到92%。

小波；Levenburg-Marquardt；神經網絡

心音是人體最重要的生理信號之一，長期以來心音聽診一直是醫生診斷疾病的一種重要手段，它可以提供心血管系統異常的重要信息。

正常的心音包含第一心音（S1）、第二心音（S2）、第三心音（S3）和第四心音（S4）四個部分，第一心音的頻率主要集中在50 Hz～150 Hz范圍內，而第二心音的頻率主要集中在 50 Hz～200 Hz范圍內。其中 S1、S2是可以監聽到的部分，而S3、S4強度很弱，幾乎聽不到。心音的每一部分對應著心臟各器官的功能，如房室瓣的關閉是產生第一心音的主要因素，半月瓣關閉是產生第二心音的主要因素。為了有助于檢測疾病，在聽診中監聽、分析心音的主要成分：S1、S2。在非正常的心音中，可能還存在S3、S4及雜音等。

在聽診中要檢測的重要特征有心音的韻律、心音成分的相對強度、S2的分裂、雜音等，盡管心音的很多定量描述已經得知，但是，僅僅通過聽診很難確定他們的特征，實際上，聽診僅僅依靠于身體上的某些點，在這些地方，心音很容易聽到，但是需要很多醫學經驗，而且很不容易提取，而計算機輔助工具有助于確定這些特征。早期的研究者，已經提出個幾種關于心音特征提取的方法，ZIN[1]用瞬時能量和頻譜估計（IEFE）技術來提取心音的特征；參考文獻[2]中，特征的提取主要基于歸一化自回歸能量頻譜密度曲線。在特征提取之前，用小波分解來處理心音信號，通過選取合適的閾值，去除噪聲，從而兩個特征被提取出來：fmax和fwidth。

當今，有很多方法可識別心音信號，如參考文獻[2]的SVM技術；參考文獻[3]提到的基于專家系統的規則；參考文獻[4]中決策樹支持系統；平滑偽Wigner-Ville分布[5]；參考文獻[6]連續隱性馬爾可夫模型和神經網絡如：MLP、LVQ、SOM、GAL、RBF 等。

[7]中，心音信號用小波進行預處理，用信號的能量作為進一步分類的特征。在本文中，提出一種新的方法來提取心音的特征，主要是基于信號的統計特征：均值和標準方差，這些信號特征用多層感知器來分類，用Levenberg-Marquardt算法訓練神經網絡。神經網絡在初期的研究中，主要是由于其在Matlab中簡單并且易于得到。本文的研究主要基于正常心音和四種常見的心臟瓣膜失調的類型：主動脈狹窄、主動脈返流、二尖瓣狹窄和二尖瓣返流[8]。

1 小波分解與重構思想

由于心音中含有噪聲，比如呼吸音、身體的移動、皮膚的摩擦音、心音傳感器放置的位置以及其他的環境噪音。因此有必要對心音進行預處理，去除各種“噪音”，本文主要用小波閾值去噪。小波去噪是在小波分解基礎上的閾值降噪方法。已知時間信號f（t），有

經離散小波變換之后，信號f（t）被分解為低頻成分和一系列高頻成分wj，k。有效信號多分布在低頻部分，噪聲則多分布在高頻部分，同時信號的系數要大于噪聲的系數，于是可以找到一個合適的值λ作為閾值對高頻部分進行去噪。 當 wj，k小于該閾值時， 認為這時的 wj，k主要是由噪聲引起的，并置為零；當wj，k大于該閾值時，認為這時的 wj，k主要由信號引起的，則把這部分的 wj，k直接保留下來（硬閾值方法）或者按某一定量向零收縮（軟閾值方法），然后由新的小波系數重構得到去噪后的信號。本系統采用Matlab提供的SURE函數去噪，可以設置一個百分比，把高頻系數中較小的那一部分系數設為零，然后再重構，達到消噪的目的。

信號用離散小波變換來分解和重構，小波變換把信號分解成一些基函數，這些函數在時間和頻率上被局部化，所以很容易適合分析非平穩信號，本文用db2小波分解信號，D4細節如圖1所示。這個細節給出很多關于S1、S2的信息，對信號這樣處理的另一原因主要是由于S1、S2的頻率比較低[9]，可對D4細節用小波軟閾值去噪，軟閾值門限主要通過啟發式SURE得到，這些細節的系數通過做db2四層分解得到。此方法有以下步驟：

（1）對信號 f（k）做四層小波分解，提出去 D4細節的系 數 wj，k；

（2）通過用啟發式SURE函數得到軟閾值門限，對D4 細節的系數 wj，k處理得到去噪后的系數k；

經過以上的預處理后，心音的周期被分割，S1被用作起點。為了辨別哪個是S1、哪個是S2，需要找到最長的時間間隔。最長的時間間隔是心臟的收縮期，即為S2到S1，舒張期間隔主要是S1與S2之間。對db2小波分解得到的細節D2，用同樣的方法進行去噪，如圖2所示，利用信號被分段做進一步的特征提取。

2 信號的特征提取

早期的研究中[7]，在第二水平上用小波分解得到信號的每一個周期被分裂成32個子窗，每個子窗有128個離散數據，特征向量的元素主要由每個子窗中信號的能量形成[10]。同樣的處理過程也可以用在第六水平的小波近似系數，因此，特征向量的大小為64。

本文提出一種新的方法，經過軟閾值去噪后，信號每個周期的前2 000的數據，被分成20個幀，每個幀包括有100個離散的數據，用每個幀的均值和標準方差來作為信號的統計特征，這些特征相對[1-7]所提出的特征很容易計算，所有這些特征被歸一化，因此在心音信號中的每個周期有40個特征作為神經網絡的輸入。

3 多層感知器神經網絡訓練與識別

為了用多層感知器神經網絡識別心音，把心音樣本分成五類：正常、主動脈狹窄、主動脈返流、二尖瓣狹窄和二尖瓣返流。神經網絡用Levenberg-Marquardt算法訓練，因為它有快速的學習速率。神經網絡的結構包括40個輸入、10個隱含節點和3個輸出，如表1所示。第一層和第二層用logsig函數來作為傳輸函數，如果輸出值≥0.5將做為1處理，否則為0。

表1 神經網絡的目標輸出

選取250個心音做實驗，150個周期用于訓練數據，100個周期用于測試數據。

4 實驗與識別結果

本文的方法用于識別四種異常心音和正常心音，識別的結果可以達到92%，對于錯誤的訓練率是10-4，基于錯誤的性能，網絡能夠通過恰當的學習滿足輸出目標如圖3所示，對于每個例子的分類性能顯示如表2所示。

圖3 神經網絡訓練過程

表2 識別性能

本文用簡單的特征提取步驟和標準的MLP網絡識別方法，能夠達到參考文獻[1-2]同樣的識別效果，且所用的統計特性易于計算、識別效果好。本文所提的基于小波分解和MLP網絡方法適合識別心音，但是這僅僅是初步的研究，還需分析更多的心音，用于心音身份識別的方法有待更進一步分析和提高。

參考文獻

[1]ZIN Z M，SALLEH S H S，SHA’AMERI A Z.The design ofheartclassification system.InternationalSymposium on signalprocessing and itsapplications（ISSPA）[C].IEEE，Kuala Lumpur，Malaysia，2001.

[2]JIANG Z，CHOI S，WANG H.A new approach on heart murmurs classification with SVM technique. 2007 International Symposium on Information Technology Convergence[C].IEEE computer society，2007.

[3]SHARIF Z，DALIMAN S，SHA’AMERI A Z，et al.An expert system approach for classification of heart sounds and murmurs.International Symposium on Signal Processing and Its Applications（ISSPA）[C]，IEEE，Kuala Lumpur，Malaysia，2001.

[4]PAVLOPOULOS S A，STASIS A C，LOUKIS E N.A decision tree-based method for the differential of aortic stenosisfrom mitralregurgitation using heartsounds[C].Computers in Cardiology，2003.

[5]JAVED F，VENKATACHALAM P A.A signal processing module for the analysis of heart sounds and heart murmurs.international MEMS conference 2006[C]，IOP Publishing，Conference Series 34（2006）.

[6]UGUZ H，ARSLAN A，TURKOGLU I.A biomedical system based on hidden markov model for diagnosis of the heart valve diseases[J].Elsevier，Pattern Recognition Letters 2007（28）：395-404.

[7]SAY O，DOKUR Z，OLMEZ T.Classificationofheart sounds by using wavelets transform.in proceedings of the second jointEMBS/BMES conference[C]，Houston，TX，USA，2000.

[8]SOUNDS H，CYCLE C，CHANGESV.[Online].AnAvailable at： http： //www.texasheartinstitute. org/Education/CME/explore/events/eventdetail_5469.cfm，2006.

[9]HUIYING L， SAKARIL， IIRO H.A heartsound segmentation algorithm using waveletdecomposition and reconstruction.in proceedings-19thinternational conference IEEE/EMBS[C]，Chicago，IL.USA，1997.

[10]成謝鋒，陶冶薇，張少白，等.獨立子波函數和小波分析在單路含噪信號中的應用研究[J].模型與關鍵技術[J].電子學報，2009（7）：1522-1528.

Identification of heart sounds using wavelets and neural networks

Ma Yonghua，Cheng Xiefeng

（Department of Electronic Science and Engineering，Nanjing University of Posts and Telecommunications，Nanjing 210003，China）

A heart sound feature extraction and classification method has been developed.It used the discrete wavelet decomposition and reconstruction to produce the envelopes of details of the signals for further extracting the features.Some statistical variables were extracted from the processed signals and used as the features for the heart sounds classification.A multilayer perceptron neural network has been used for classification of heart sounds.The performance of the proposed method has been evaluated using 250 cardiac periods from heart sound simulator.The proposed technique produced high classification rate of 92%correct identification.

wavelets；Levenburg-Marquardt；neural network

TN911.7

A

1674-7720（2011）01-0072-03

2010-06-12）

馬永華，男，1983年生，碩士研究生，主要研究方向：智能信息系統與應用。

成謝鋒，男，1955年生，碩士生導師，教授，主要研究方向：數字信號處理、EDA技術、電子技術、通信工程。