論嘈雜環境下心音監聽對于心臟病監測的可行性

于薇 宋丹丹 武亮

【摘要】與心電檢測、彩色多普勒和磁共振成像等傳統心電監護方法相比，心音監聽對于心臟病的診斷更安全、更便宜，可在門診患者或者患者日常生活中完成，因而具有更廣泛的適用性。心音的改變和雜音常常能夠提供心臟異常狀態的最早信息，這使得心音監測器對于心血管疾病的診斷非常重要。本文基于一種噪聲環境下心音監測的設備框架，實現心音信號的采集、傳輸和自動分析。我們在志愿者身上進行了，臨床試用，實現結果表明我們的方法可以正確地分類94%的測試心音。

【關鍵詞】心音監聽;心臟病;診斷

盡管從二十世紀后期開始死亡率明顯下降，但心臟病仍是人類的主要殺手。

而心音的改變和雜音常常能夠提供心臟異常狀態的最早信息，這使得心音監測對于心血管疾病的診斷非常重要。目前也有一些其他的心臟監測方法，如心電圖（EGG），彩色多普勒和磁共振成像。與這些方法相比，心音檢測更安全、更便宜，需要更低的專業要求，具有更廣泛的適用性，可以在門診患者或者患者日常生活中完成。

心音分析是心臟評估的一種基本方法，它包括了心臟各部分的生理和病理信息以及它們之間的相互作用。目前的心音的模式識別和自動解釋，主要集中在心音的分析和分類，是研究人員研究的最重要和最普遍的領域。對于心音的特征提取和分類，Groch等人提出了以EGG為參考的一種基于時域特征的心音分割算法Ⅲ，但這種方法涉及到了心音信號以外的其他信號。Quart等人用小波多分辨率分析對心音進行了分段處理。Xu等人采用經驗模態分解法對心音進行預處理并進行分割吲，但其分析的效率較低。Zhou等人提出了基于規一化平均香儂熵分析法（NormalizedAverage Shannon Energy，NASE）的分割算法。Schmidt等人采用隱馬爾可夫模型對心音進行了高精度的分段。Liang等人提出了基于信號包絡的分割方法，并描述了去除額外峰值的方法。

然而，心音監測和分析面臨著噪聲環境中的巨大挑戰，因為心音會與各種噪聲混合，這使得很難被識別和分析。而在上述的各種方法中，并沒有對噪音進行考慮與處理。

對于在噪聲環境下的心音監測，我們設計了噪聲環境中監測和分析心音的設備框架與原型。它涉及心音信號的采集、信號傳輸和信號分析。該設備的具體構成為：對于信號采集部分，采用數字聲道的兩個通道分別進行信號采集。一個通道記錄心音和一些環境噪聲的混合信號，另一個通道記錄環境噪聲作為參考。然后，在基于最小均方（LMS）自適應噪聲消除的信號分析步驟中，可以過濾出環境噪聲，以得到純化的心音。對于信號傳輸部分，由于無線傳感器網絡具有低功耗、低成本、分布式形式和自組織等優點，因而收集的心音數據通過無線傳感器網絡被傳送到服務器，以備進一步的分析。最后，服務器將對接收到的數據進行處理和分析：首先在基于最小均方（LMS）自適應噪聲抵消的信號分析步驟中過濾出環境噪聲，以得到純化的心音。然后，利用小波分解和歸一化平均香農能量（NASE）提取的特征，并利用一種基于結構學習的模糊神經網絡方法用于心音分類，從而可以診斷出該心音數據是否健康。

我們將該設備原型進行了實際臨床試用。我們共召集了6個志愿者，其中測試組3人為不同程度的心臟病患者，3人為對照組的心臟健康人群。3個心臟病患者分別為心房顫動、二尖瓣狹窄、主動脈瓣關閉不全。每個人在一天中的早、中、晚三個時段分別采集了2次3分鐘左右的心音數據，共36條心音數據。同時為了測試該設備，我們選取了不同的心音數據采集環境，包括志愿者家中、公園里及商場里。我們通過拆裝聽診器和記錄器，實現信號采集部分，并用我們的模型進行了數據分析。實驗表明，在36條數據中，僅有二尖瓣狹窄與主動脈瓣關閉不全的2條心音數據沒有得到正確的分類結果，因而我們的方法可以正確地分類94%的測試心音。而對于個別未能分類正確的原因，我們分析認為是由于這兩種心臟疾病在某些時段心臟聲音并沒有表現出明顯的異常，而發出了與健康人群相似的正常心音。