基于ICEEMDAN-MLP的肺音信號識別研究

裴振偉，朱平

（中北大學(xué)儀器與電子學(xué)院，山西 太原 030051）

肺音聽診法能更早地判斷出肺部早期病癥，是醫(yī)生確診的重要參照指標(biāo)[1]。隨著5G時代的來臨，電子智能聽診器將會普及到家庭，可以完整地采集肺音數(shù)據(jù)并作出分析，通過信號識別判斷出可能存在的疾病，減少就診的時間成本[1-2]。由于肺音信號是高度非平穩(wěn)的微弱信號，采集時極易受到采集裝置和其他生理信號的干擾，增加了信號特征后期識別的難度，目前的研究中最讓研究人員關(guān)注的一點就是如何從復(fù)雜的干擾信號中過濾出目標(biāo)肺音信號[3]。

將信號分解為多個分量是一種有效的數(shù)字信號處理技術(shù)，已廣泛地應(yīng)用于濾波和數(shù)據(jù)壓縮。國內(nèi)外學(xué)者在時頻域分析方面提出了不同于小波變換的信號分解方法，Huang等人[4-6]提出的經(jīng)驗?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）是在時間尺度上將自身信號分解成多個固有模態(tài)函數(shù)（Intrinsic Mode Function，IMF），取消了基函數(shù)對分解結(jié)果的限制，從而使該方法極具適應(yīng)性，讓研究人員可以剖析到信號深處的涵義。國內(nèi)外研究人員相繼提出了EMD族的算法理論，一步步削減初代EMD理論分解結(jié)果的諸多弊端。理論算法方案從集合經(jīng)驗?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）發(fā)展到互補集合經(jīng)驗分解法（Complete Ensemble Empirical Mode Decomposition，CEEMD）、具有自適應(yīng)噪聲的完全 EEMD（Complete EEMD with Adaptive Noise，CEEMDAN）和改進(jìn)的CEEMDAN（ICEEMDAN）。ICEEMDAN方案[7]盡可能地消除模態(tài)混合的遺留問題，而且大大減少了IMF中的殘余分量，從而使信號重構(gòu)結(jié)果更強于之前的方案。基于EMD族的技術(shù)已經(jīng)應(yīng)用于處理各種生理采集信號，特別用于呼吸音信號降噪以及特征向量構(gòu)建等[8]。

由于深層學(xué)習(xí)理論的進(jìn)一步發(fā)展，多層感知器（MLP）這種早期機器學(xué)習(xí)方法重獲研究人員關(guān)注。它是一種前向結(jié)構(gòu)的ANN人工神經(jīng)網(wǎng)絡(luò)，解決了感知器不能對線性不可分?jǐn)?shù)據(jù)進(jìn)行識別的問題，普遍應(yīng)用于圖像辨別、模式匹配分類、優(yōu)化過程等領(lǐng)域[9]。

該文采用ICEEMDAN方案將非平穩(wěn)肺音信號轉(zhuǎn)化后使用測量頻譜平坦度參數(shù)篩選出適合的IMF分量，實現(xiàn)肺音信號特征向量的有效構(gòu)建，然后加載到多層感知機進(jìn)行識別訓(xùn)練，最終完成正常呼吸音、干羅音、哮鳴音和中濕羅音的訓(xùn)練，并且進(jìn)行測試。測試表明，該方案可用于智能聽診器的信號處理。

1 肺音信號特征構(gòu)建與識別

1.1 ICEEMDAN算法

EMD算法[10]基于所選信號的極大值和極小值求出局部均值，并計算出所選信號與局部均值之間的殘差。這個結(jié)果必須滿足IMF的條件，如果不滿足，則重復(fù)該過程，但將計算的剩余量作為輸入。這個迭代過程稱為篩選。當(dāng)最后一個殘余分量不超過兩個極值時，分解結(jié)束。分解得到一個按頻率排序的IMF族，每個IMF包含頻率分量依次降低。CEEMDAN[11]在分解的每個階段添加一個特定的噪聲，并通過計算一個唯一的余數(shù)來獲得每個IMF，從而使其模式實現(xiàn)完全的無噪聲重建，但實際上在分解的早期階段仍然包含一些殘余噪聲，存在非對應(yīng)模式。ICEEMDAN通過進(jìn)一步降低CEEMDAN模式中的殘余噪聲和避免虛假模式，為IMF提供更多的物理意義。ICEEMDAN算法估計的是局部平均值，而不是模式，并且只使用白噪聲的模式，而不是白噪聲本身。其算法如下[12]：

步驟1：給原始信號 x添加白噪聲E1[w（i）]，得到式（1）：

其中，w（i）表示被添加的第i個白噪聲；

步驟2：由式（2）計算模態(tài)分量IMF1：

其中，M（·）為產(chǎn)生局部均值函數(shù)。

步驟3：由式（2）計算IMF2值：

步驟4：計算第k個模態(tài)分量IMFk的值：

其中，k=2，3，…，N。

1.2 MLP算法

多層感知器（Multi-layer Perceptron，MLP）信息處理結(jié)構(gòu)是輸入層轉(zhuǎn)入隱藏層再到輸出層，其模型如圖1所示。

圖1 多層感知器結(jié)構(gòu)

在網(wǎng)絡(luò)特征方面，層內(nèi)神經(jīng)元沒有互聯(lián)，層間神經(jīng)元也沒有反饋聯(lián)絡(luò)，所以也被叫做前饋神經(jīng)網(wǎng)絡(luò)。隱藏層節(jié)點映射采用非線性函數(shù)，輸出層節(jié)點映射采用線性函數(shù)。神經(jīng)網(wǎng)絡(luò)分類器采用比例共軛梯度反向傳播學(xué)習(xí)算法進(jìn)行訓(xùn)練，避免了其他二階訓(xùn)練算法的缺點[13]。這種訓(xùn)練算法使用用戶獨立的參數(shù)，解決了時間和內(nèi)存問題。輸入行為各分量的加權(quán)和輸入層中神經(jīng)元的輸出，比傳統(tǒng)的反向傳播算法更快。

2 ICEEMDAN-MLP的肺音識別

肺音分析分為4個階段：信號分解前處理、肺音信號周期判斷、典型特征參數(shù)構(gòu)建和MLP分類。圖2表示了肺音信號識別過程，具體步驟如下：

1）由于記錄儀器增益、受試者年齡和性別等各種因素差異會引起振幅的變化，需要先進(jìn)行振幅歸一化。設(shè)f（n）為第n個樣本的值，M為樣本空間中絕對最大值。歸一化信號fn（n）為：

圖2 肺音信號分析流程

其中，n=1，2，3，…，n表示信號中的樣本數(shù)。該歸一化信號為fn（n），其值在振幅的±1范圍內(nèi)。

2）采用一階微分法降低信號中的儀器噪聲。信號的一階導(dǎo)數(shù)由式（6）計算：

其中，yd（n）是輸入信號y（n）對n的導(dǎo)數(shù)輸出，Δt是采樣時間。

3）前期準(zhǔn)備的肺音信號被轉(zhuǎn)化后可以得到不同數(shù)量的分量和殘留余量。最短的肺音記錄用EMD分解成9個IMF，用ICEEMDAN分解成15個IMF，最長的記錄用EMD分解成12個IMF，用ICEEMDAN分解成19個IMF?？紤]到肺音記錄被分解的最小IMF數(shù)是7，該文將兩種技術(shù)的所有肺音記錄分解為7個IMF。研究中使用了前7個IMF和殘余分量。這些IMF包含相對較高的頻率分量，可以通過測量頻譜平坦度參數(shù)來選擇。頻譜平坦度測量（SFM）是通過將幾何平均值（GM）除以不同頻率段的功率譜的算術(shù)平均值（AM）來計算的[10]。

其中，γj（i）是編號i的頻率點大小，zn是頻率分量的數(shù)量。當(dāng)信號的功率譜在模式中變得完全平坦時，其SFM值將為1；對于正弦信號，其SFM值為零。統(tǒng)計IMF和殘余分量的特征，為下一階段的構(gòu)造做準(zhǔn)備。

4）用于分類聲音的特征是根據(jù)統(tǒng)計矩計算的，如平均值（μ）、標(biāo)準(zhǔn)偏差（σ）、偏度（γ）和峰度（k）[14]。將這些統(tǒng)計屬性構(gòu)造成多維特征向量加載到MLP在神經(jīng)網(wǎng)絡(luò)中。特征向量（FVEMD）如式（8）所示。

式中，i=1，2，…，8表示7個選定的IMF分量以及殘余分量。

3 數(shù)據(jù)及分析

該文采用3M公司的3200型電子聽診器采集肺音正常肺音、哮鳴音、干羅音和中濕羅音4類肺音信號，臨床肺音采集過程中盡可能處于安靜環(huán)境來減少環(huán)境噪聲和人造偽影，每類采集18例，共72組數(shù)據(jù)作為肺音樣本進(jìn)行研究。

圖3 該文信號的時域波形圖

該文使用多層感知機MLP對4種類型肺音信號識別匹配。在4類數(shù)據(jù)中每組分別隨機選取12組共48組數(shù)據(jù)作為訓(xùn)練樣本，其余24組作為測試樣本。對隨機選取的訓(xùn)練樣本數(shù)據(jù)處理后進(jìn)行ICEEMDAN分解，構(gòu)造出特征向量后加載到MLP進(jìn)行訓(xùn)練，對24組測試數(shù)據(jù)同樣構(gòu)造出特征參數(shù)進(jìn)行驗證。圖4和圖5分別表示正常肺音與哮鳴音的ICEEMDAN分解結(jié)果。

訓(xùn)練時，正常肺音信號設(shè)置為1，哮鳴音信號設(shè)置為2，干羅音信號設(shè)置為3，中濕羅音信號設(shè)置為4。訓(xùn)練中MLP分類4種信號的誤差一步步降低，從圖6可以看出誤差率降低至11.52%。多次訓(xùn)練預(yù)測誤差穩(wěn)定后隨機樣本神經(jīng)網(wǎng)絡(luò)分類測試結(jié)果與實際肺音類型對比如圖7所示。

為了進(jìn)一步分析MLP的識別能力，隨機采樣了10 組樣本數(shù)據(jù)，同 時使用 ELM[15]和 BP 網(wǎng)絡(luò)[1，16]進(jìn)行對比。表1給出了10次分類的精準(zhǔn)率和計算時間。如表1所示，MLP具有較高的分類精準(zhǔn)率，ELM次之，BP網(wǎng)絡(luò)的分類精準(zhǔn)率最差。在計算機性能相同時，BP神經(jīng)網(wǎng)絡(luò)由于要反復(fù)迭代需要較長的時間。ELM在訓(xùn)練時由于連接權(quán)值w和隱含層閾值b是隨機選擇的[15]，因此預(yù)測時間次之。MLP在3種方案中具有較快的匹配速度和較高精準(zhǔn)率。

圖4 正常肺音信號的ICEEMDAN分解結(jié)果

圖5 哮鳴音信號的ICEEMDAN分解結(jié)果

圖6 MLP分類肺音信號的誤差變化

圖7 單次隨機樣本MLP分類結(jié)果

表1 基于MLP、ELM、BP的分類結(jié)果

4 結(jié)論

該文采用適用于高度非平穩(wěn)和非線性的IC EEMDAN算法對72組正常肺音、哮鳴音、干羅音和中濕羅音肺音數(shù)據(jù)信號進(jìn)行特征提取，采用多層感知機為分類器，分類精度達(dá)到91.67%，綜合性能高于其他方法。此方法對于肺音信號的處理切實可行，可為今后獲得更多類型的肺音數(shù)據(jù)識別更多的病理狀況。