基于心律特征提取和卷積神經網絡的運動健康分析算法

馬 蕾

（西安明德理工學院,陜西西安 710124）

當今社會的經濟水平在不斷提高，但快節奏的工作和不斷上漲的生活成本對人們的健康產生了負面影響，年輕人和中年人的成人體質指數平均下降0.5%［1］。體育運動是保持人體每天健康的有效途徑，大量研究表明，使用正確的鍛煉方法和獲得足夠的鍛煉可以提高各個年齡段人群的身體素質和健康［2］。

作為體育健康市場的一部分，網絡體育健身也得到快速發展。據估計，2019年中國網絡體育健身市場規模達到1740億元，用戶數量達到1.95億。大量的信息和數據蘊含著巨大的價值。智能體育設備和軟件已出現在很多領域，專業運動員可以據此收集數據并顯示運動體征，以幫助其制定體育運動規劃。但上述體育設備和軟件更側重于數據收集和數據可視化顯示，缺乏對用戶健康數據的進一步分析和挖掘。給用戶合理的建議和幫助是智能時代優化體育和健康應用的主要方向。

本研究的目的是分析心音數據，從心音周期特征提取方法和心音神經網絡設計角度進行健康預測和識別［3］，提出了一種基于心率特征提取和卷積神經網絡的運動訓練健康分析算法。

1 研究方法

1.1 運動員心音采集設備

在心音采集過程中，心音采集裝置設計應注意以下三個方面：（1）應考慮環境噪聲。這是所有心音信號采集過程中都會遇到的一個問題，需要額外關注和努力來減少環境噪聲的影響。（2）應考慮采集設備的錯誤和操作員的誤操作。在采集過程中，可以改進或避免這種情況發生，例如輕拿輕放，為采集器選擇性能更好的傳感器。（3）應考慮采集者自身發出的其他生物信號。在人體內，除了心音，還有其他生物信號，例如肺音。因此，如果采集器在采集者劇烈運動后立即拾取心音，則不同于其休息時拾取的心音。

本文采用多普勒TCD智能心音采集設備，并最大程度地避免操作不當造成的干擾。

1.2 心音信號預處理

原始心音信號的采樣頻率通常為22000 Hz，與心音信號頻率相比，采樣點相對較大。因為心音信號的頻率為101000Hz，兩者之間的差異僅是一個數量級，會含有大量原始采樣點數據。這些數據中的大部分是無關信號，甚至可能是干擾信號。因此，這樣的采樣率增加了產生噪聲的可能性，大量的數據也增加了信號噪聲。處理的時間復雜度和空間復雜度較高，影響心音信號的處理速度。因此，有必要對原始心音信號進行重采樣［4］。本節使用2000 Hz的采樣率，兩種方法對比采樣效果如圖1（a）和1（b）所示，可見重采樣的效果好很多。

圖1 信號采樣效果對比Fig.1 Comparison of the signal sample effect

1.3 小波去噪

由于心音信號是一種信號強度較低的生物信號，在信號采集或處理過程中容易受到噪聲的干擾。如果不去除信號中的噪聲，將對心音在疾病診斷中的應用產生影響。因此，不僅需要依靠硬件措施來解決干擾問題，而且需要有專門的信號濾波技術參與，這才可以為心音信號的各種研究奠定良好的基礎。

本研究采用小波去噪的方式并選擇合適的波基。信號分解層數的確定是影響小波去噪性能的重要方面，如果小波基選擇得不好，整個性能將受到影響。如果選擇太多的分解級別，心音信號和噪聲信號都會被分離，如果分解級別太少，則會過濾掉一些有用的信號。選擇波基函數并確定分解層數非常重要，利用小波對心音信號進行去噪的過程可以概括為以下幾個基本步驟。

（1）選擇最適合心音信號的小波基函數。（2）確定分解層數N。（3）根據分解層數N，心音信號被分解為N層。（4）針對分解后獲得的各層高頻系數，選擇合適的值進行定量處理。（5）如果效果不好，重新操作直到獲得最佳效果。

1.4 希爾伯特變換

由于心音是一種準周期信號，而本研究是對心音信號的周期性研究，因此本節采用包絡拉伸法，從而不限制心音的位置。事實上，心音時域峰值的高度包含心音信號的特征，可以反映在心音信號的包絡中。

在信號分析工具中，希爾伯特（Hilbert）變換是一種重要的方法，通常用于提取信號的相位信息，計算信號中的包絡信號，并分析信號的頻譜信息［5］。信號Hilbert變換的定義如下：

假設有一個信號x（t），經過Hilbert變換，x^(t)可通過以下方程式得出，即

從式（1）可以看出，輸出信號與輸入信號除以時間呈線性相關。就像電壓和電流的關系，增加了一個濾波器介于兩者之間。因此，這種轉變是可以扭轉的。將濾波器的輸出響應設置為h（t），則

上述公式可以在時域中得到信號形式。但是Hilbert變換主要是為了分析信號的頻域關系，因此，需要知道Hilbert方程的頻率響應H（f）的改變，即

因此，在信號x（t）的Hilbert變換之后，頻域中的結果是頻譜偏移。正頻率信號逆時針旋轉90°，在頻域中，即相移減小了90°。負頻率的信號順時針旋轉90°，在頻域中，這會使相移增加90°，兩者之間存在180°的差異，即正頻率信號和負頻率信號。如果輸出信號被描述為x^(t)，輸入信號被描述為x（t），可以獲得信號的包絡。如果包絡信號設置為z（t），則可以得到

分析Hilbert變換的效果，結果原始信號如圖2所示。

圖2 正常心音的時域波形Fig.2 Time domain waveform of normal heart sound

采用Hilbert變換方法得到的心音包絡轉換方法如圖3所示。

圖3 原始信號和獲得包絡后的心音信號Fig.3 Raw signal and cardiac tone signal affer obtaining the envelope

在Hilbert變換后可以得到與信號長度相同的包絡曲線，即該信號的包絡特性可以完全表達。

1.5 心音卷積神經網絡

深度卷積模型的體系結構可由總深度確定層數n和每個層中的結構數｛ai}組成。例如，n=3、a1=4、a2=3、a3=2表示該模型分為三個階段，且第一、第二和第三階段的層卷積數分別為4、3和2。在推導出公式之前，定義一些必需的參數符號：輸入譜圖大小為z、卷積核大小為k和最小層c值為t。隨著卷積層的感受場持續增長和卷積層中卷積核的大小保持不變，可以看出最后的c值卷積層最小［6］。等價于確保最后的卷積層c值不小于t，可轉換為一組不等式，即

其中2l k是神經網絡最后一層感受區域的大小。卷積層頂部的感受野應小于一個心音周期的面積，具體公式如下：

目標函數可以表示為感受野的總數及其最終值，關系等式為

本研究設計的心音卷積神經網絡模型如圖4所示。

圖4 心音卷積神經網絡模型Fig.4 Heart-tone convolutional neural network model

2 實驗與結果

2.1 實驗裝置

本研究使用了PyCharm的編譯器和TensorFlow深度學習框架。使用構造的心臟聲音卷積神經網絡，采取小批量學習方法，學習率為0.0001，總共執行1000次迭代。

2.2 數據集

本研究使用PhysioNet/CinC Challenge 2016數據庫［7］。所有錄音都已重新采樣到2000 Hz，錄制的持續時間范圍為5 s到120 s。這項工作的最終目標是將其分為正常和異常心音。訓練集由五個數據組成文件夾（A到E），共包含3240個心音，測試集包含301個心音記錄。本研究通過提取5個心動周期作為研究對象，一個譜圖的時間長度，共28000次訓練獲得樣品，共有4800個測試樣本。

2.3 評價指標

相對誤差（RE）以實際值為參考值，通過比較目標數據的預測結果與實際值之間的相對差異進行判斷，通常用百分數表示。相對誤差值越小，預測結果越接近實際值。也就是說，所構建模型的預測效果越好。一般來說，相對誤差可以更好地反映預測結果是否可信［8］。相對誤差表達式如下所示：

2.4 實驗結果

在所設計的心音神經網絡基本結構的基礎上，通過改變卷積層數優化模型的復雜度，并對模型進行了實驗驗證。心音分類模型的參數、訓練時間和訓練精度如表1所示。

表1 不同樣本心音的回旋層的分類效果Tab.1 Classificafion effect of the cyclotron layer of different samples

從表1中可知，當只有一個卷積層時，模型參數龐大，無法準確獲取重要特征，訓練時間長；當模型中有三個卷積層時，訓練時間短，參數數量少，但準確率降低；在兩個卷積層的情況下，訓練時間可以接受，準確率最高［9］。

本研究通過對結構的改進，實現了對心音信號的自適應設計。為了說明采用本研究提出的方法所設計的模型有效性，使用心音數據集作為數據源。培訓步驟的固定數量為10000個步驟。將本節中模型的批次大小更改為不同的值，以進行比較，結果如圖5所示。從圖5可以清楚地看出，當數量為32時，獲得最佳效果。

圖5 不同卷積核數量的比較結果Fig.5 Comparison results of the different numbers of convolutional kernels

2.5 創新點

本研究的主要創新點如下：

（1）提出的新方法可以使用當前主流的分類器和基于圖像生物信號的卷積神經網絡（CNN），并進一步結合CNN和心音特征提取方法，用來識別訓練中運動員的心音。

（2）本研究設計的心音卷積神經網絡可以解決基于心音周期特征提取的心音識別和分類問題。本研究從心音信號的數學定義出發，推導了心音神經網絡的實驗方法，研究了心音信號的預處理、特征提取方法以及心音神經網絡的結構設計［10］。

（3）采用了參數和計算量較少的神經網絡，可以做出快速反應，在可穿戴救生衣等實際應用領域更有競爭力。

2.6 局限性

本研究提出的基于心率特征提取和卷積神經網絡的心音信號模型雖然取得了較好的效果，但心音信號是一種時間序列數據，涉及遠距離信息的依賴性，而且特征提取有一定的局限性。在以后的研究中，將研究遞歸神經網絡在提取心音信號特征方面的有效性。

3 結 論

從本研究可看出，有效利用收集的體征數據來分析用戶的體質并提出合理的運動建議已成為智能運動和健康領域的研究方向。心音信號是一種存在于人類體內的生物信號，通過分析心音信號特征，可以幫助人們檢測和監測心臟健康問題［11］。本研究旨在通過心音識別和分析運動員的訓練健康狀況，使用當前主流的卷積神經網絡（CNN）對圖像和生物信號進行分類，并將CNN與心音特征提取方法相結合，提出了一種基于運動訓練的新方法：基于心律特征提取和卷積神經網絡的健康分析算法。經過實驗驗證該算法準確度超過90%，提高了對運動員訓練健康狀況的識別和預測的準確性。