心肺音分離方法研究進展

孫文慧，陳扶明，張乙鵬，李川濤，李楠

1. 中國人民解放軍聯勤保障部隊第940醫院 醫療保障中心，甘肅 蘭州 730050；2. 甘肅中醫藥大學 信息工程學院，甘肅 蘭州 730000；3. 海軍軍醫大學 海軍醫學中心 航空生理心理訓練隊，上海 200433

引言

近些年，心血管疾病和呼吸系統疾病患者數量逐漸增加，心血管疾病和呼吸系統疾病嚴重威脅到了人類的生命健康安全[1-4]。世界衛生組織發布的《2018 世界衛生統計報告》統計，心腦血管疾病排在非傳染性疾病的首位（占所有非傳染性疾病的44%），死亡人數高達1790 萬，是癌癥死亡病例的2 倍[5]。根據世界衛生組織的數據，慢性阻塞性肺病是全球第三大死因，2019 年造成323 萬人死亡[6]。醫生對于病情的正確診斷是保證患者恢復健康的先決條件，而對聽診器所采集的心肺音信號進行分析有助于診斷心血管疾病和呼吸系統疾病[7-10]。醫務人員診斷心血管疾病和呼吸系統疾病最簡單的檢測方法是聽診[11]，即在患者胸部使用聽診器獲取心肺音信號以判斷心肺系統健康與否。但傳統聽診器有一定的缺點，如不能無線傳輸數據、不能存儲回放數據、抗環境干擾能力差等[12]，制約了傳統聽診器在遠程醫療、移動醫療等領域的進一步應用。因此，使用具有分析、存儲、傳輸功能的電子聽診器進行智能聽診在傳染病盛行的環境下顯得更為重要[13]。

正常情況下，心音信號的頻率范圍為20～150 Hz[14]，肺音信號的頻率范圍為50～2500 Hz[15]。不難看出，心音信號和肺音信號存在頻率混疊區間，心音信號和肺音信號之間互相干擾，導致聽診和診斷效果大大降低。而醫務人員使用聽診器進行聽診時，聽診器與衣服摩擦的噪音、外界環境和儀器運轉的噪聲都會和心肺音一起被采集到電子聽診器中[16-17]。同時，聽診器所采集的信號通常是心音信號和肺音信號的混合信號，無法采集到干凈的心音信號和肺音信號[18]。為了對病情進行正確診斷，實現心肺音分離是智能聽診中極其重要的步驟。圖1為心肺音混合信號，從圖上可以看出心音和肺音之間存在大量混疊區間，使用心肺音分離算法可以將混合心肺音信號分離為圖2 所示的心音信號和圖3 所示的肺音信號。因此，對心肺音進行分離對輔助醫療具有極其重要的意義。本文綜述了心肺音分離方法的相關文獻，總結了近些年心肺音分離技術的研究現狀，對心肺音分離方法進行了梳理。

圖1 心肺音混合信號

圖2 心音信號

圖3 肺音信號

1 心肺音信號

1.1 心音信號

心音指由心肌收縮、心臟瓣膜關閉和血液撞擊心室壁、大動脈壁進而產生振動所引發的聲音，可在胸壁一定部位使用聽診器采集[19]。正常心音波形圖如圖4 所示，該心音信號取自心音分類競賽數據集[20]。正常情況下，心音頻率范圍為20～150 Hz，當心臟出現病變而異常工作時，心音頻率甚至會超過1400 Hz。

圖4 心音波形圖

第一心音（S1）、第二心音（S2）、第三心音（S3）以及第四心音（S4）是心音信號的主要分段，心音不同分段頻率各不相同。S1 與S2 的頻率范圍為20～150 Hz，較易被聽見。S3 和S4 頻率較弱，范圍為10～50 Hz[21]，不易被聽見。S1 發生在心臟收縮期，其音調低、時限長，在心臟尖部較響。S2發生在心臟舒張期，S2較S1音調高、時限短，在心臟底部較響。S3 發生在S2 后0.1～0.2 s，頻率和幅度低，所以通常僅在兒童心音中能聽到S3。同樣，S4 幅值較低[22]，一般不易聽到。此外，一些心臟疾病還會產生心雜音和額外心音。

1.2 肺音信號

肺音也稱作呼吸音，呼吸過程中空氣流動時會產生肺音[23]。肺音頻率范圍為50～2500 Hz，為非平穩周期信號。正常肺音波形圖如圖5 所示，該肺音取自ICBHI 2017 挑戰賽肺音數據庫[24]。

圖5 肺音波形圖

肺音分為正常肺音與異常肺音，當肺部健康時，可以用聽診器聽到肺泡呼吸音、支氣管呼吸音和氣管音。當肺部異常時，可以聽到連續或非連續附加音，如哮鳴音、喘鳴音、羅音和嘎音等。異常肺音按肺音頻率、持續時間、開始偏移寬度等物理特性劃分，可分為以喘鳴音為特征的連續性肺音和以爆裂音為特征的斷續性肺音[25]。不同的異常肺音可以診斷不同的肺部疾病，如哮鳴音可用于檢測哮喘病[26]、爆裂音可用于檢測肺炎和肺纖維化疾病[27]等。

2 心肺音分離研究現狀

近些年心肺音分離研究已經成為醫學領域的熱點話題，研究心肺音分離算法的國內外研究團隊逐年增加。目前國內外針對心肺音分離研究主要有以下幾種方法。

2.1 基于小波變換方法

近些年，心肺音分離研究中小波變換主要用來對心肺音信號進行降噪處理和特征提取。2018 年， Mondal 團隊提出了一種將小波變換與其他方法結合的算法[28]。該算法在小波包變換基礎上與奇異值分解（Singular Value Decomposition，SVD）進行組合對心音去噪。SVD 算法通過對選中的小波樹中信息量最大的節點所對應的系數進行處理，進而對心音的噪聲分量進行抑制。實驗結果證明，該方法的心音去噪效果優于其他基于小波變換的方法。同年，Emmanouilidou 團隊提出了一種利用小波多尺度分解方法的噪聲抑制技術。該方法將心音作為噪聲進行抑制，先使用4 階巴特沃茲濾波器在[50，250] Hz 對原始肺音信號進行帶通濾波，并將其下采樣至1 kHz 以增強心音成分。該算法在真實臨床條件下采集的患者數據集上進行了進一步驗證，效果良好[29]。計算量小、計算速度快是小波變換方法的優點，因此常用于對信號進行降噪處理。自適應性差、對干擾因子抑制效果差是小波變換方法的缺點。

2.2 基于經驗模態分解方法

基于經驗模態分解（Empirical Mode Decomposition，EMD）是一種非平穩信號的非線性分解方法，是一種自適應分解方法，由于直接從信號中提取信息，因此無須使用內核或母波形。其時頻分辨率隨輸入信號特征變化而變化，該方法在心肺音分離領域取得了一定的成果。2016 年，重慶大學的雍希團隊提出一種EMD 與其他算法相結合的算法來對心音信號進行降噪和特征提取[30]。該算法將EMD 與SVD 相結合，利用EMD 獲得固有模態函數分量，再對其進一步分解，然后篩選和重構之前工作中得到的特征信號，最后重構出純凈的心音信號。自適應強是EMD 的一大優勢。EMD 算法的模態混疊問題是該算法的缺點，因此將其應用于心肺音分離上會存在一定誤差。

2.3 基于信號周期性方法

由于心音信號具有周期特性，許多學者利用心音信號和肺音信號的周期特性來進行心肺音分離。2015 年，武偉寧團隊提出一種周期提取算法用于信號分段[31]，該方法不用識別心音的基本成分，首先對心音使用小波變換去噪，然后對去噪后的心音使用快速Hilbert 變換進行包絡提取，心動周期由自相關分析函數獲得，進而根據獲得的心動周期從原始信號中提取整周期信號。同年，李婷[32]提出一種對心音信號進行處理的算法。該算法基于循環平穩信號理論，根據在心音信號提取出的瞬時相位來估計心動周期。因為心音信號的循環頻率明顯區別于肺音信號的循環頻率，因此根據二者的差異可以對心音信號和肺音信號進行有效分離。利用心音準周期性分析處理心音信號，確定周期開始的位置非常關鍵，因此基于信號周期性的方法受到了很大限制。

2.4 基于非負矩陣分解方法

考慮到心肺音信號的稀疏性，越來越多研究人員采用基于非負矩陣分解（Non-negative Matrix Factorization，NMF）的方法對心肺音進行分離。2017 年，Canadas-Quesada 提出了一種從心音和肺音混合物中提取心音的NMF 方法[33]，提出了由聚類原理驅動的3 個方法：其中兩個聚類基于頻譜內容，一個基于時間內容以區分心音和肺音。第一個頻譜聚類算法對由NMF 方法分解的基向量和由心音訓練數據庫所創建的字典的基向量進行頻譜相似性的評估與測量。第二個頻譜聚類算法對由NMF 提供的基向量的頻率分布特性進行研究。評估表明，所提方法取得了良好的結果，優于最近的NMF 方法和基于NMF 的最新方法。2021 年，Grooby 團隊提出了一種新的基于非負矩陣共因子分解的方法[34]。這種方法通過訓練20 個高質量的心肺聲音來實現，同時分離嘈雜錄音的聲音。該方法在包含心音和肺音的68 個10 s 嘈雜錄音上進行了測試，并與當前最先進的NMF 方法進行了比較。結果顯示，與現有方法相比，心肺音質量分別顯著提高，心跳和呼吸頻率估計的準確性分別提高了3.6 bpm 和1.2 bpm。2023 年，Wang 團隊提出了一種基于NMF 和深度學習的無監督單通道盲源分離算法[35]。該算法首先利用多約束NMF算法和K 均值及支持向量機聚類方法對心音信號進行提取，并使用卷積神經網絡對不同類型的心音信號進行分類；最后，利用嵌入空間質心網絡來分離混合心肺音信號。基于NMF 的優點是可以對單通道的心肺混合信號進行無監督分離，NMF 的另一個優點是只需要單通道作為輸入信號，而不是其他盲源分離方法通常需要的多通道；缺點是在分離時域和頻域混疊嚴重的心肺音信號時效果不太理想。

2.5 基于獨立分量分析方法

近些年，獨立分量分析（Independent Component Analysis，ICA）廣泛應用于數據分析和信號處理領域。由于心音信號和肺音信號的短時平穩性，2010 年，王春華提出一種基于ICA 的方法用于心肺音分離[36]，該算法結合了快速不動點算法和信息極大準則算法，可使用該算法對混合信號進行盲源分離。2013 年，Ayari 團隊提出了ICA 子算法與其他算法相結合的算法。該算法使用快速ICA 算法與自適應濾波算法對心肺音混合信號中的心音成分進行濾除[37]。對該算法進行實驗得到了很高的精度。使用ICA 算法的一個重要前提是獲取的信號是多通道的，因此單通道信號的處理受到了限制。

2.6 基于深度學習方法

深度學習算法由于挖掘非線性映射關系和特征提取的優秀能力受到許多研究團隊的青睞。深度學習方法在處理語音信號和圖像方面的效果遠超其他方法。近些年，越來越多研究人員使用深度學習分離心肺音信號。2017 年，Nersisson 等[38]提出一種基于最小均方（Least Mean Square，LMS）算法的改進自適應噪聲消除技術對心肺音進行分離。LMS 算法中的步長參數使用混合Nelder-Mead（NM）優化算法進行最佳選擇。NM 算法通過使用隨機搜索來計算全局最小值的估計值，從而使用良好的初始解進行初始化。使用良好的初始化NM 算法避免了收斂到淺局部最小值，提高了最終解的質量。實驗結果表明，該方法心肺音分離效果優于其他方法。2018 年，Al-Naggar 團隊研究了一種基于歸一化尾均方算法的改進自適應噪聲消除方法[39]。同年，雷志彬等[40]提出一種基于全連接長短期記憶（Long Short Term Memory，LSTM）的心肺音分離方法，該方法將LSTM 網絡用于實現心肺音信號分離，實驗結果顯示，基于全連接LSTM 方法效果優于基于NMF 的方法。2020 年，陳駿霖團隊比較了3 種循環神經網絡的變體和2 種時頻掩碼組合的心肺音分離方法[41]，實驗結果顯示，基于雙向門控循環單元（Bidirectional Gated Recurrent Unit，BiGRU）的算法分離心肺音效果最好。與其他3種方法相比，基于BiGRU 算法分離的心音的信噪比分別提高了1.44 dB，0.58 dB 和0.27 dB。2020 年，Tsai 團隊提出了一種周期性編碼深度自動編碼器算法[42]，該方法對心音信號和肺音信號的不同周期進行假設，使用無監督的方式對混合心肺音進行分離。周期性編碼深度自動編碼器算法使用深度學習模型提取心音和肺音的代表性特征，并考慮心肺聲音的周期性應用調制頻率分析來執行分離。2022 年，林家榮團隊提出一種基于知識蒸餾的算法[43]。該模型使用BiGRU 作為算法的基本框架，然后將知識蒸餾方法應用于該模型上，簡化了模型，旦更加簡便。2023 年，Yang 等[44]利用深度自編碼器的數據驅動特征學習優勢和常見的準環穩態特性進行單信道分離。與目前大多數僅處理短時傅里葉變換頻譜幅值的分離方法不同，該方法構建了一種具有深度自編碼器結構的復值U-net，以充分利用幅值和相位信息。作為心肺音的共同特征，心臟音的準循環平穩性參與了訓練的損失函數。對數據進行特征提取是神經網絡的優勢，近幾年，利用深度學習方法進行心肺音分離掀起了一股熱潮并取得了不錯的成果，但對比較復雜的心肺音信號進行分離時會出現神經網絡泛化弱的問題是該方法的缺點所在。

3 總結與展望

綜上所述，聽診是針對聽呼吸聲的普通而簡單的方法，但也有缺點，因為該方法是一項高度主觀的工作，主要依賴于觀察者的經驗和訓練，因此呼吸聲的采集本身將會成為高度非線性的噪聲源。由于兩個信號的卷積重疊性質，本文中討論的所有技術在從心肺音混合信號中分離心音和肺音時遇到了許多問題，比如分離后的心音和肺音存在背景噪聲過大的情況或者會損失原始信號的一些信息。更好的技術仍有待實現，以用于從混合信號中分離出心音和肺音，而不會在任何頻率范圍內損失任何需要的信號。呼吸音記錄和心音記錄分別是危重患者在重癥監護病房中的兩個非常重要的記錄。在對現有算法進行整理之后，很明顯，近些年心肺音分離的重心主要是基于NMF 和基于深度學習的方法。

實現對心肺音混合信號進行分離后，下一步可以考慮對分離后的信號進行去噪處理以得到更純凈的心音和肺音，再對得到的純凈心肺音進行分類以輔助醫生診斷病情。