基于小波變換的呼吸音降噪新方法研究

摘 要： 為了對臨床采集的含噪聲呼吸音信號進行降噪，探討了基于小波多分辨率分解和重構的兩種方法：基于小波的自適應閾值（AWT）降噪方法和基于平穩?非平穩濾波技術（ST?NST）降噪方法。AWT將呼吸音作為噪聲先行去除，通過參數調解，對采集信號每一層高頻小波系數自適應的進行閾值量化；ST?NST通過平穩?非平穩濾波技術將呼吸音和心音分離到兩個空間，分別通過重構兩個空間的小波系數，重構出呼吸音。通過對標準信號及對臨床采集呼吸音提取實驗，ST?NST對正常人支氣管呼吸音降噪、AWT對哮喘病人哮鳴音降噪分別都有很好的效果。以上兩種方法，具有較強的實用價值，可以得到高信噪比的呼吸音信號，為后續呼吸音特征提取和分類提供了基礎。

關鍵詞： 呼吸音； 心音； 小波自適應閾值； 平穩?非平穩濾波技術； 降噪

中圖分類號： TN911.72?34 文獻標識碼： A 文章編號： 1004?373X（2016）03?0018?05

Research on wavelet transform based new denoising methods for respiratory sound

QIN Guojin1， WU Zhaoping2， WANG Xinping2， FANG Yu1， WANG Haibin1， GAN Fengping1

（1. College of Electrical Engineering and Electronic Information， Xihua University， Chengdu 610039， China；

2. Medicine of Respiration， The No. 452 Hospital of PLA， Chengdu 610021， China）

Abstract： To denoise the noise?involved respiratory sound signal， which is collected from the clinic， two denoising methods based on the wavelet multi?resolution decomposition and reconstruction are discussed， one is based on the adaptive wavelet threshold （AWT）， and another is based on the stationary?non?stationary filtering technology. The respiratory sound as the noise is eliminated with the former method， and then the threshold quantization for the high?frequency wavelet coefficient of each layer of the acquisition signal is conducted by parameter mediation. The respiratory sound and heart sound are separated into two spaces by the stationary?non?stationary filtering technology， and then the respiratory sound is reconstructed by reconstructing the wavelet coefficients of the two spaces. The extraction experiments of standard signals and respiratory sound collected from the clinic were conducted. The experiment results show that the method based on the stationary?non?stationary filtering technology has good effect on bronchial respiratory sound denoising for the normal patients， and the method based on AWT has good effect on wheezing denoising for the asthma patients. The two methods have strong practical value， and can obtain high SNR respiratory sound signal， which provides the foundation for subsequent feature extraction and classification of the respiratory sound.

Keywords： respiratory sound； heart sound； AWT； stationary?non?stationary filtering technology； denoising

0 引 言

隨著大氣污染加劇，空氣受到嚴重污染，環境問題越來越成為大眾關心的話題。隨之而來的呼吸系統疾病，更是民眾關心的熱點。呼吸音即肺音，呼吸音是人體呼吸系統與外界在換氣過程中產生的生理聲信號，它蘊含著呼吸系統的生理學、病理學信息。呼吸音信號所蘊含的信息在一定程度上為醫生臨床診斷提供了幫助[1]。近十幾年來，很多學者應用現代信號處理方法，對呼吸音信號進行處理和分析，取得了很大的進展。其中呼吸音降噪一直是學者關注的熱門課題。呼吸音信號中，最大的干擾源為心音信號，由于呼吸音的頻率為100～1 000 Hz，心音信號的頻率[2]為5～600 Hz，通常利用通帶為100～1 000 Hz的帶通濾波器去除心音信號，雖然在一定程度上可以去除心音干擾，但是在兩種聲音頻率重疊部分，心音信號仍然有很大的干擾。自適應干擾消除法雖然能在一定程度上提高降噪效果，但是需要同時采集心電信號作為參考信號[3]。本文針對呼吸音信號的特點，提出了兩種基于小波多分辨率分解和重構的呼吸音降噪方法：一種是基于小波的自適應閾值降噪方法；另一種是基于平穩?非平穩濾波技術的降噪方法。兩種方法降噪，均不需要采集心電信號作為參考信號，在一定程度上還能實現心肺音分離。為后續呼吸音信號特征提取和分類提供基礎。

1 呼吸音信號采集

1.1 呼吸音

呼吸音分為正常呼吸音和異常呼吸音，正常呼吸音有支氣管呼吸音、支氣管肺泡呼吸音、肺泡呼吸音；異常呼吸音主要有干啰音和濕羅音[4?6]。其中哮鳴音就是屬于干啰音的一種。

肺音源由三種噪聲序列組成：非高斯白噪聲是正常呼吸音的肺音源；間歇性隨機脈沖是啰音的肺音源；周期性脈沖是產生哮鳴音的肺音源[4，7]。肺音源是由這三種音源中的一種或者兩種或者三種疊加，通過胸腔形成的胸肺系統，并在不同環節疊加心音，肌肉噪聲，皮膚噪聲等干擾信號而形成的信號，如圖1所示。

1.2 呼吸音采集的裝置

數字聽診裝置是由本研究室和日本山口大學機電一體化研究室共同研制，該呼吸音采集部分由聽診頭（Littman，ClassicIISE）、耳機及IC錄音機（Olympis，Voice?Trek V?51）組成，可以邊聽診邊錄音。其中錄音機的采樣頻率為44.1 kHz。

在醫生的指導下，正常人選擇環狀軟骨下三角區[8]進行采集；臨床病人，為了能夠快速尋找病人肺部病變位置，選擇肺部7個部位同時進行采集，以采集到病變部位呼吸音，采集部位如圖2所示。

采集呼吸音時，保持測試環境安靜，要求測試者平躺或者坐立，保持均勻呼吸，測試時間為10 s。

從采集到的實際信號分析，最主要的干擾來源為心音信號。

2 小波閾值降噪基本原理和方法

2.1 小波降噪的基本原理

小波降噪是目前對信號進行降噪的一個非常重要的方法之一。

一個含有噪聲的信號模型如下：

[s（n）=f（n）+σ?e（n）] （1）

式中：[s（n）]是含有噪聲的信號；[f（n）]為有用信號；[e（n）]為噪聲；[n]為等間隔的時間；[σ]為噪聲水平。

小波降噪包括三個基本的步驟：首先對信號進行小波多分辨率分解；然后選定閾值對各層小波系數進行閾值處理；最后對信號進行小波多分辨率重構。

2.2 呼吸音信號的小波降噪方法

基于呼吸音特點，本文提出一種基于小波的自適應閾值降噪方法。該方法提出了一種新的局部自適應閾值，其閾值定義如式（2）所示：

[λj=σj2logNsjl+bj， j=1，2，…，l] （2）

式中：[N]為信號的采樣點數；[l]是小波分解層數；[j]是閾值所在的層；[s]為大于等于2的整數，[s]通常取值2。

實際采集到的呼吸音信號，最主要的干擾源為心音，結合呼吸音音源是噪聲序列的特點，本文提出，首先將呼吸音作為噪聲，進行小波自適應閾值降噪，得到比較純凈的心音信號；然后利用采集到的呼吸音信號減去得到的比較純凈的心音信號，最終得到相對純凈的呼吸音信號。呼吸音信號小波自適應閾值降噪原理圖，如圖3所示。

2.3 平穩?非平穩濾波技術

心音和呼吸音信號都屬于非平穩信號[9]，但是對于心音信號，呼吸音信號是相對平穩的信號。所以提出了基于小波多分辨率分解和重構的[10?11]平穩?非平穩濾波技術[12?13]降噪算法。將呼吸音信號和心音信號分離到兩個子空間，分別進行重構，得到呼吸音信號。

將心音和呼吸音通過小波多分辨率分解，把采集到的信號分解到兩個子空間上。呼吸音信號經小波變換后的幅值隨尺度的增大而快速減小，而心音信號卻呈現出截然不同的變化。首先對呼吸音信號進行m尺度分解（m=[log N，]N為信號長度）。根據每一個空間的小波系數，設定一個硬閾值[Tk，j=σk，j?Fadj]（[σk，j]為該空間小波系數的標準偏差，[Fadj]為調整參數），將小波系數與閾值做比較，小波系數>[Tk，j]存入到心音空間[R，]小波系數<[Tk，j]存入到呼吸音空間[C。]對[C]繼續進行小波多分辨率分解，循環上述過程，直至滿足停止條件STC，如式（3）：

[STC=ER2k-1λ-ER2kλ<ε， 0<ε≤1] （3）

式中[ε]通常取值為0.000 1，經過k（k=1，2，…，L）次迭代后，分別重構混合信號中的呼吸音信號[DNBS（λ）=CL（λ）]和心音信號[HSNλ=k=1LRk（λ）]。平穩?非平穩濾波技術原理圖，如圖4所示。

3 呼吸音降噪實驗分析

3.1 方法討論

為了驗證小波的自適應閾值降噪和平穩?非平穩濾波技術降噪的降噪效果，本文用信噪比（Signal Noise Ratio，SNR）和均方根誤差（Root Mean Square Error，RMSE）兩個指標評價兩種算法的有效性[14]。同時對兩種算法以及帶通濾波器的降噪效果進行對比。

信號的SNR參數越大，表明降噪后的信號越接近于原始信號，即降噪效果越好：

[SNR=10lg is2（i）is（i）-f（i）2] （4）

信號的RMSE越小，表明降噪信號的偏差越小，也就是降噪后的信號越接近原始信號，表明降噪效果越好：

[RMSE=1Ni=1Ns（i）-f（i）2] （5）

在式（4），式（5）中[f（i）]為原始信號；[s（i）]為降噪后信號。

3.2 標準數據庫呼吸音降噪討論

本文的標準心音和呼吸音均來自美國3M Littmann Stethoscopes數據庫。因為實際采集到的呼吸音中，最主要的干擾來源是心音，心音屬于加性噪聲，所以分別將心音與一個周期的支氣管呼吸音、哮鳴音疊加，產生混合有心音的呼吸音信號，信號的采樣頻率為4 kHz。對呼吸音信號進行小波自適應閾值降噪處理、平穩?非平穩濾波技術降噪處理、通帶為100～1 000 Hz的帶通濾波器處理。

在多次參數試驗中，兩種呼吸音分別應用兩種提取方法，調節thresh或Fadj后，信號的SNR和RMSE如圖5，圖6所示。

通過多次試驗，以SNR為標準，AWT閾值thresh和ST?NST調整參數Fadj的選取如表1所示。

此外，從圖5可以看出，在支氣管呼吸音的降噪中，ST?NST的SNR更大、RMSE更小，ST?NST更適合支氣管呼吸音提取；從圖6可以看出，在哮鳴音的降噪中，AWT的SNR更大、RMSE更小，AWT更適合哮鳴音提取。

三種方法提取標準的支氣管呼吸音和哮鳴音的結果，如圖7，圖8所示。不同呼吸音在三種方法下的信噪比和均方誤差如表2所示。

從表2，圖7，圖8得出，雖然帶通濾波器相對有效地去除了部分心音信號干擾，但是仍存在較大心音干擾，且兩種呼吸音去噪的SNR均為負，表明去噪后的信號中仍存在較大的噪聲，且RMSE也大于AWT和ST?NST。

3.3 實測呼吸音降噪

本文應用AWT，ST?NST和通帶為100～1 000 Hz的帶通濾波器分別對實測正常人呼吸音、實測哮喘病人呼吸音進行降噪。實驗中對采集到的信號進行多次分頻，使得信號的采樣頻率為4 008 Hz，時間為10 s。AWT，ST?NST在進行降噪前，先用通帶為5～1 000 Hz的濾波器去除低頻和高頻的其他噪聲，使得信號中大部分只包含呼吸音和心音信號。正常人呼吸音降噪如圖9所示，其呼吸音來自西華大學生物醫學研究室同學的環狀軟骨下三角區。哮喘病人呼吸音降噪如圖10所示，其呼吸音來自解放軍第452醫院發作期哮喘患者的環狀軟骨下三角區。從圖中可以看出，AWT和ST?NST對實際信號降噪優于帶通濾波器；AWT和ST?NST降噪中，對比降噪前后的波形，不難發現，呼吸音信號降噪后的波形明顯比降噪前清晰，呼吸周期更加明顯，呼、吸氣相轉換點清晰，便于后續研究中的特征提取和分析。

4 結 語

本文針對傳統的帶通濾波器降噪效果不理想以及自適應干擾消除法需要采集心電信號作為參考信號的不足，本文提出了小波自適應閾值降噪方法和平穩?非平穩濾波降噪方法。為了能夠快速尋找病人肺部病變位置，提出對肺部7個位置的呼吸音進行同時采集。在小波自適應閾值降噪方法中，提出將呼吸音看做噪聲先行去除的思想，在實際降噪過程中，不難發現降噪效果明顯優于傳統的降噪方法；其次，在對呼吸音降噪方法中，針對不同音源的呼吸音信號采用不同的方法降噪，正常人呼吸音降噪采用ST?NST，哮喘病人哮鳴音降噪采用AWT；最后，兩種算法都能實現一定程度的心音肺音分離，為后續呼吸音特征提取分類和心肺音結合研究提供了一定基礎。

參考文獻

[1] 徐涇平，陳啟敏，閔一健，等.肺音信號的同態處理[J].信號處理，1993（4）：199?204.

[2] 姚小靜，王洪，李燕，等.肺音信號分析及其識別方法的研究進展[J].重慶理工大學學報（自然科學版），2013（12）：95?100.

[3] 呂揚生，劉文暉，秦光俠.肺音信號中心音干擾的自適應消除[J].中國醫療器械雜志，1990（3）：129?131.

[4] 周冬生.肺音信號的特征提取與模式識別[D].濟南：山東大學，2005.

[5] 牛海軍，萬明習，王素品，等.不同種類肺音信號的雙譜分析[J].儀器儀表學報，2001（5）：486?490.

[6] 陸燕芳，羅曉松，何巧，等.肺音研究動態[J].電聲技術，1988（5）：24?30.

[7] 牛海軍，萬明習，王素品，等.基于高階累計量的肺音信號AR模型參數和雙譜估計[J].生物物理學報，2000（4）：741?747.

[8] 辛曉峰，殷凱生，黃小平.肺音錄取和頻譜分析系統的建立及其應用[J].中國生物醫學工程學報，2000（2）：236?239.

[9] 劉毅，張彩明，趙玉華，等.基于多尺度小波包分析的肺音特征提取與分類[J].計算機學報，2006（5）：769?777.

[10] HADJILEONTIADIS L J， PANAS S M. Nonlinear separation of crackles and squawks from vesicular sounds using third?order statistics [C]// Proceedings of the 18th IEEE Annual International Conference on Engineering in Medicine and Biology Society. Amsterdam： IEEE， 1996， 5： 2217?2219.

[11] COHEN A， KOVACEVIC J. Wavelets： the mathematical background [J]. Proceedings of the IEEE， 1996， 84（4）： 514?522.

[12] 王輝，姚林朋，黃成軍，等.平穩?非平穩濾波技術在局部放電信號處理中的應用[J].高電壓技術，2010（10）：2467?2472.

[13] RANTA R， HEINRICH C， LOUIS?DORR V， et al. Wavelet?based bowel sounds denoising， segmentation and characterization [C]// Proceedings of the 23rd IEEE Annual International Conference on Engineering in Medicine and Biology Society. [S.l.]： IEEE， 2001， 2： 1903?1906.

[14] 王燕，王海濱，劉立漢.基于小波變換的心音信號降噪方法[J].信息與電子工程，2010（3）：303?307.