心音信號的特征識別方法

陳剛，葉繼倫，張旭，陳蘋，劉杰

1.深圳大學醫學院生物醫學工程系，廣東深圳518060；2.廣東省生物醫學信號檢測與超聲成像重點實驗室，廣東深圳518060；3.深圳市生物醫學重點實驗室，廣東深圳518060

前言

生物醫學信號是現在信號研究領域廣泛研究的熱點，如心電、腦電信號和心音信號等。根據最新的《中國心血管病報告2017》概要，指出心血管疾病在城鄉居民死亡占比呈逐年遞增的趨勢［1］。心血管疾病主要包括心臟病、腦血栓等，而心臟病的種類有很多，臨床上對于心臟疾病的診斷主要有心電圖、聽診、超聲等。聽診是診斷心臟疾病最簡單、直接的一種方式，而由于傳統聽診在準確性和重復性上存在不可忽視的缺陷，近年來有許多研究者專注于研究心音信號在時域上的特征［2］。關于信號的研究主要有心音信號預處理、心音分割和心音分類3個部分組成［3］。本研究也是通過實驗室現有的心音信號采集裝置，實現心音信號的采集，將采集的離散數字信號保存到電腦端，用算法實現對心音信號的去噪處理，以及S1、S2心音分割和心音分類。

1 信號預處理

1.1 小波閾值去噪

心音信號是人體非常微弱的生理信號，在實際的采集過程中，會夾雜著許多噪聲，這些噪聲會影響研究者對信號分析的準確性。這些噪聲主要包括外界環境的吵鬧聲、采集設備自帶的噪聲，以及志愿者在采集過程中的動作、呼吸等帶來的噪聲。心音是一種周期性的時變信號，信號的主要頻段集中在0～600 Hz。由于心音信號的帶寬范圍很大，噪聲源的頻率和有效信號的頻率出現疊加區域，常規的高通濾波和低通濾波都無法將噪聲完全濾除掉，甚至還會削弱有效的信號。由于小波分析的子帶濾波特性，將采用小波分解與重構的方法對信號進行濾波處理［4］。

小波變換對信號去噪其實是對傅里葉的進一步改進，小波變換的優勢是可以同時對信號的頻域和時域進行分析［5-7］。小波變換的含義是把某一段基本小波的函數作位移τ后在不同尺度α下，與待分析信號X(t)做內積，即：

式中，α ＞0，稱為尺度因子，其作用是對基本小波函數?(t)作伸縮。小波去噪原理是由于其具有良好的時頻局部性，保留主要由信號控制的小波系數，發現并去掉噪聲控制的小波系數。本研究對于采樣率為4 000 Hz的心音信號進行7層小波分解，分解系數和信號的頻段對應關系如表1所示。

表1 小波分解分量對應表（Hz）Tab.1 Wavelet decomposition component correspondence table(Hz)

由于有效信號集中在50～250 Hz，本研究采取的方式是將高頻段d1、d2、d3系數置零，低頻段系數采樣閾值的方式進行濾除噪聲，即重構的信號Signal為：

圖1是對一段干凈的心音信號添加隨機噪聲，對于圖1中含有大量噪聲的心音信號，采用的就是上述方法。首先將信號進行分解，對各個階層的系數進行閾值處理后，然后進行信號的重建，重建后的信號如圖2所示。

通過對圖1和圖2的比較，發現去噪效果明顯，通過式（2）和式（3）計算信噪比SNR和均方根誤差σ：

其中，s(n)表示原始信號，ds(n)表示對受到污染后的信號進行去噪處理后的信號，N表示信號長度。通過計算得到信噪比SNR的值為14.391，均方根誤差σ約為5.69e-04，信噪比和誤差都較好，因此本研究選擇該方法進行信號去噪。

1.2 包絡線提取

心音信號的時域曲線實際上是很復雜和變化劇烈的曲線，本研究為了能夠清晰準確地對信號進行分析，需要對心音信號的實時曲線進行包絡線的提取。由于心音信號的包絡曲線能夠畫出心音信號曲線的大致輪廓，可以保留大部分基本特征，如S1、S2等。提取信號特征包絡的方法有歸一化香農能量、希爾伯特變換和其他一些方法［8-9］。本研究采樣的是歸一化香農能量的方法來實現信號包絡提取和信號分析［10］。

圖1 原始信號和帶噪聲心音信號對比圖Fig.1 Comparison of original signals and heart sound signals with noise

圖2 去噪后心音信號圖Fig.2 Heart signals after denoising

歸一化香農能量是一種非常普遍的信號包絡提取方法，它所提取出來的包絡很好地反映信號的時域特征，主要是能夠加強中等強度的信號，并且可以削弱低強度的噪聲。從圖3可以看出，本研究采取的方法能夠很好地顯示出心音信號在時域上的特征，并且包絡線的平滑性較好，沒有很多毛刺噪聲，為后面的特征點提取做了良好的鋪墊。

圖3 信號的包絡提取曲線圖Fig.3 Signal envelope extraction curve

2 特征參數計算結果

本研究通過上述方法實現信號包絡提取，需要進一步對包絡線進行分析，求出心音的特征參數。心音信號中常用的指標有心率、收縮期與舒張期的比值、S1與S2的幅度之比等［11］。這些參數的計算首先需要篩選出S1和S2的峰值點，以及S1和S2的起止點。對于信號峰值點的識別，本文采用的方法是先求極大值，再設置一個閾值，所有的極大值需滿足大于閾值方可判定為需要的峰值點。對于漏檢的特征點需要通過閾值反饋的方法恢復漏檢點。對于排除多余的峰值點，除了噪聲之外，還需考慮心音分裂。心音分裂判斷的條件主要有以下兩點［12］：（1）峰值點間距在50 ms以內；（2）峰值點的幅值相差在80%以內。通過這些判斷條件提取的峰值點如圖4所示。

正常的心音信號主要分為第一心音（S1）、收縮期（Systole）、第二心音（S2）、舒張期（Diastole）［13］，這4部分組成一個完整的心動周期，如圖5所示。

收縮期是指S1起點到S2起點的時間間期，舒張期是指S2 起點到下一個心動周期S1 起點的時間間期；S1S2間期是指S1起點到S2終點的間期，S2S1間期是指S2 終點到下一個S1 起點的間期。為了計算這些間期的時間參數，還需要找到S1 和S2 的起止點。本研究通過雙門限法實現語言信號的斷點檢測，檢測結果如圖6所示。

圖4 信號波峰值提取圖Fig.4 Signal peak extraction map

圖5 心動周期圖Fig.5 Cardiac cycle diagram

根據圖6中已經篩選到的信號特征點，需要定義特定的參數做計算，本研究中的參數Radio_S1表示第一心音持續的時間；Radio_S2表示第二心音持續的時間；Amp_S1/S2表示在一個心動周期內，第一心音的幅值與第二心音的幅值之比，S1能評估心力儲備和心臟耐力，S2反映心臟外周循環產生的阻力；Amp_S1/S2可以綜合評估心臟外周循環指標；Radio_Sys表示一個心動周期內，收縮期持續的時間；Radio_Dia表示舒張期持續的時間，心臟自身供血在舒張期，與舒張期時間長短有關，涉及到為心臟收縮準備的養料和氧氣的多少，涉及到心臟代謝環境的優劣，關系到心臟充盈和輸出量。本研究通過對20例正常心音數據和20例房室阻塞性疾病的心音數據進行分析，然后根據這些定義參數，計算結果如表2所示。

3 結果分析

通過表2可以看出，S1、S2的P值小于0.01，根據統計學P值的定義，正常心音和異常心音在S1 和S2的持續時間上存在顯著性差異；而S1/S2 的P值是0.1，幾乎沒有差異性；收縮期的P值大于0.05，說明正常心音和異常心音的收縮期持續時間存在差異性，但不是顯著性差異；舒張期的P值也是小于0.01，說明存在顯著性差異。該統計學方法對房室阻塞疾病的判斷具有有效的參考價值。

圖6 S1和S2起止點檢測Fig.6 Detection of S1 and S2 start and end points

正常人和有心臟疾病的患者，心臟活動過程必然存在著一些差異，將會導致這些參數的對比也存在著差異性；同時，通過逆向思維，如果是心臟疾病患者，這些參數和正常人的參數存在著差異性，也可以推斷出這些個體心臟是存在問題的。

4 結語

數字聽診技術是一種直接方便的心臟疾病診斷方法，對于一些心臟疾病的判斷是非常有效的。一般心臟疾病需要患者拍心電圖進行判斷，這實際上增加患者就醫的費用，而且增加了麻煩，但是有些疾病完全可以用聽診技術進行診斷。心音的智能診斷技術必將是未來研究的大方向，可以克服傳統聽診技術的缺陷性。本研究通過對心音信號的拾取，經過預處理，實現心音的分割，計算出正常心音和異常心音之間的參數存在差異性；由于數據源的限制，今后還需要各種特定的疾病種類數據和正常數據進行對比試驗，進一步計算出不同類型的數據參數的特征性，同時這需要廣泛的數據庫支持。心音分類、自動診斷技術和人工智能技術的結合，必將推動聽診技術的推進和發展，為臨床應用帶來巨大方便。

表2 特征參數計算表Tab.2 Calculation of feature parameters