心音信号自动分析与识别的研究现状.pdf

发布时间：2022-05-29 发布人：admin 分类：说明书资料大小：0.30M 资料格式：pdf 举报版权申诉

weixin_38659527-12137344-4744302542941503195.pdf-第1页.png

第1页 / 共6页

weixin_38659527-12137344-4744302542941503195.pdf-第2页.png

第2页 / 共6页

weixin_38659527-12137344-4744302542941503195.pdf-第3页.png

第3页 / 共6页

weixin_38659527-12137344-4744302542941503195.pdf-第4页.png

第4页 / 共6页

weixin_38659527-12137344-4744302542941503195.pdf-第5页.png

第5页 / 共6页

weixin_38659527-12137344-4744302542941503195.pdf-第6页.png

第6页 / 共6页

文本预览

http://www.paper.edu.cn 心音信号自动分析与识别的研究现状吴玉春，郭兴明，肖守中重庆大学生物工程学院，重庆（400030） E-mail：wychun690@yahoo.com.cn 摘要：分析了当前心音信号自动分析与识别的研究现状，通过分类比较了谱分析、小波分析、神经网络方法以及数学形态学方法等几种用于心音的研究方法各自的特点，讨论了对心音信号进行自动分析、识别的研究状况、研究重点和发展方向。关键词：心音,谱分析；小波变换；神经网络中图分类号：R318．04 1. 引言心音信号是包含有重要生理、病理信息的医学信号之一，是临床评估心脏功能状态的一种基本方法，某些心血管疾病发展到出现明显的病理特征之前，会在心音相应组成成分上有所反映，如冠状动脉狭窄会在心音的舒张期产生异常杂音。但是，由于目前心音的研究中存在以下几个问题，心音信号的自动分析与识别还不能很好的应用于临床，第一，心音的产生机制尚无定论，目前的研究表明，心音是由心脏的瓣膜和大血管在血流冲击下形成的振动，以及心脏内血流的加速与减速形成的湍流与涡流以及对心脏瓣膜、心房、室壁的作用所产生的振动，再加上心肌在周期性的心电活动作用下起刚性的迅速增加和减小形成的振动，经过心胸传导系统到达体表形成的体表心音[1]；第二，目前对于心音自动分析的研究大都处在理论研究阶段，临床上对于心音的诊断大多还是靠医生的经验和主观判断，用听诊器采集心音音频信号，这种诊断主要依赖于医生的经验水平，往往只能是有经验的心脏病专家，才能做出正确的诊断结论；第三，目前心音信号的自动分析技术还不成熟，不全面，一般只能对正常的心音信号做出比较准确的识别，而对于异常心音信号，还不能用先进的信号处理手段进行自动分析及识别。 2. 常用方法下面就目前用于心音信号自动识分析及识别的一些常用方法进行分类介绍： 2.1 谱分析上世纪90年代以前，心音分析工作者主要采用FFT、AR（自回归模型）和ARMA（自回归滑动平均模型）等谱分析，而且其研究对象也局限在动物心音。有研究[1]表明：心胸声传导系统是一个时变模型。因此，采用FFT或参数模型（LPC、AR和ARMA）都是基于平稳性好的分析方法，难以反映出心音信号的动态变化过程，另外，功率谱只能反映幅频特性，而往往忽视了蕴含着大量信息的相频特性。后来Sava HP等[2]采用改进的前后预算的Prony 方法对用机械膜修复后的心脏心音的谱分布进行了研究，Prony方法可以直接求得信号的幅值、相位、阻尼因子和频率4个要素，能够处理衰减信号、估计阻尼系数。何莹等[3]将高阶统计量方法应用于心音信号分析，建立了心音信号的 AR 双谱模型，获得了心音的双谱幅度图，并采用模型参数作为特征参量对心音信号进行了二类模式识别，其实验结果表明，心音信号本质上为非高斯信号，高阶统计量在心音信号分析和处理中有一定 - 1 -

http://www.paper.edu.cn 的应用价值。李彬彬等[4]采用改进的 HHT 算法对心音信号进行分析，李等在 EMD 筛选过程中引入基于两个参数 θ1 和 θ2 的判断标准，来缓解判断条件设置不当引起的误差。模态幅值：评估函数：（1）（2）筛选停止条件：1）评估函数不大于 θ1，其目的是为了保证整个数据段中波动的平均值足够小；2）评估函数不大于 θ2，其目的是为了限制 EMD 分解时局部数据大的漂移。这两个参数在保证数据整体性的同时，也考虑到局部数据的影响。利用这种改进的 HHT 对正常心音信号进行分析，从时频特征、时域特征、能量分布等多角度提取了心音的特征值，为进一步的心音分析提供了有用的方法和数据。朱冰莲等[5]采用短时傅立叶变化（STFT，又称窗口傅立叶变换）对心音信号进行分析。通过适当地调整 STFT 的参数(窗口的类型和宽度) ,可以比较准确地得到心音信号的时频表示。当选用窄窗进行分析时,时间分辨率高,可得到心音信号的时域能量包络图,由此可以准确地量度心音成分的时域特征参数；而选用宽窗进行分析时,便得到每个心音成分( S1 和 S2) 的频谱,由此可以以高的频率分辨率识别出它们的组成。朱等首先用窄时间窗进行分析，频谱图具有高时间分辨率，得到了心动周期等时域特征参数。进而逐渐加宽时间窗，最后得到高频率分辨率的频谱图，可以看出各心音成分的频谱特征。实验结果表明，不同时频尺度的 STFT 分析可以很好地描述正常心音信号的时域和频域特征。 2.2 小波分析因为小波变换中的时-频窗具有自适应性，所以可以得到更能反映心音病例特征的信息。心音信号的小波变换谱在不同尺度上的分布相应于心脏不同部分的振动信息。尺度较小的部分相应于信号的高频成分，可以表示心脏瓣膜的振动信息、血流本身及其对其它部分相互作用的信息。而尺度较大的部分相应于信号的低频部分，这是心肌与大血管等心脏的质量较大的部分在瓣膜血流和肌肉的作用下产生的振动。近年来，国内生物医学工作者应用连续小波变换对心音的频率范围进行估计和对心音做三维分析。M.Nadir Kurnaz,Tamer Olmez[6]应用小波变换对一个窗口中两个时间段的心音信号进行自动分段并提取特征参数，在这个窗口中实现了两个分析目的，一个是S1和S2的分段，另一个是特征提取。分段以后，用小波变换分解心音信号，并由第六层分解的细节（高频）系数得到特征向量，从而使用动态设计分析得到最优的特征参数。D.Kumar等[7]采用小波变换的高频特征量来检测第一心音和第二心音，由于当前的心音自动分析的算法存在受噪音影响大和不适于在无节律状况下进行心音分段的问题，他们提出了一种基于高频标示器的方法来解决这些问题，用快速小波分解来提取高频特征参数来估计瞬时心率，这个标示器是由横穿心脏瓣膜的主要压力差来推动工作的。通过对人工心脏瓣膜和正常健康瓣膜两种情况下心音的分析，证实了算法的有效性。李勇[8] 等将连续小波变换应用于心音信号的分析中，在基于Mellin变化的连续小波快速算法的基础上提出了同步展宽法，解决了在分析尺度范围大，小波函数和信号中心频率较高条件下引起的计算量大的问题。但是由于连续小波变换存在“频带”的重叠现象，胡晓、全海燕、王威廉等[9][10]利用离散二进制小波变换及其相应重构原始信号的公式对心音信号进行处理，他们 - 2 -

http://www.paper.edu.cn 采用具有双正交性和比Daubechies系更好对称性的coiflets小波系，对心音信号进行多分辨分析，将其分解成不同的频带，然后按时间顺序分段计算频段的规一化香农能量，能量大于某一合适阈值的时刻作为S1和S2的候选点，最后结合心音的特点确定S1和S2。进行信号分析时，在有些情况下，选用不同的小波基函数，会得出截然不同的结果。选取合适的小波基函数，会使计算出的小波系数能够最好地反映信号的特征。 2.3 人工神经网络人工神经网络（ANN）是对人脑的抽象、简化和模拟，反映人脑的基本特性。它是由简单的处理单元所组成的大量并行分布的处理机，这种处理机具有存储和应用经验知识的自然特性，其自学习自适应特点可用于心音信号的自动识别。网络输入特征矢量的确定，在神经网络模式识别方法中具有重要的作用。输入特征的选取直接关系着网络识别方法及结果的准确性，对于生物医学信号而言，常用的网络输入特征有时域波形、线性预测系数、预测误差、带通滤波器组、短时富里叶变换谱、倒谱以及小波变换谱。 Zamri Mohd Zin [11]等采用积分小波变换和离散小波变换对心音信号进行处理和讨论，将通过积分小波变换得到的心音信号特征参数作为人工神经网络的输入向量，对多层感知神经网络进行训练和识别，进而得到比较好的识别效果。姚晓帅等[12][13]提出了一种基于概率神经网络 PNN 的心音信号识别算法，首先采用小波变换对信号进行预处理，然后采用平均 Shannon 能量变换提取心音信号包络波形，进而对包络进行第一心音与第二心音波峰的提取与定位，最后定义心音信号特征矢量，并将其作为概率神经网络的输入矢量，进行基于概率神经网络的 S1、S2 识别。叶学松[14]采用小波变换的方法对心音在时域和频域上展开了局部化分析,把不同频段上整周期心音信号的平均能量与舒张期的平均能量的能量比值以及人体的个体特征参数(如年龄、抽烟与否、血压水平等) 作为输入参量，输入到径向基函数网络(RBF 网络) 进行训练和识别. 2.4 数学形态学数学形态学可以用来简化图像数据，保持图像的基本形态特征，同时去掉图像终于研究无关的部分，其基本运算有四种：膨胀、腐蚀，开运算和闭运算，通常是用在二维图形的处理，但近年来，国内外许多学者将其应用于一维信号的处理中。作为一维信号处理的工具，数学形态学方法已经用于心电信号处理。HenryChu 将数学形态学用于心电信号的噪声滤除 [15]。Trahanias 将其用于 QRS 波群的检测[16]。郭兴明，姚晓帅，陈剑等[17][18]将数学形态学用于心音包络的提取与识别研究，他们首先利用数学形态学滤波和全波整流对原始心音进行预处理；然后利用形态学闭运算提取心音包络；进而应用形态学开运算来消除噪声包络；最后依据生理学知识对心音信号进行自动识别。这种方法提取的信号包络毛刺较多且边缘不够光滑，但可以通过优化结构元素来改善；另外，包络信号与原始信号的外形差别比较大，但是心音的时域特征没有大的改变，因此可以用来对心音信号进行识别。 2.5 其它方法 ADRicke 等[19]采用隐马尔可夫模型来对心音信号进行自动分段，他们首先对原始心音信号进行带通滤波，然后进行规一化并在连续的 0.04 秒以内计算平均香农能量，其中每个时间段有 0.02 秒的重叠，接下来提取心音信号的光谱特性，进而通过特征提取计算一系列 - 3 -

http://www.paper.edu.cn 回归系数，最后用机器状态不可见的概率性状态机—隐马尔可夫模型来拟合心音信号，隐马尔可夫模型可以拟合心音图的四个心音状态：第一心音 S1，收缩期，第二心音 S2，舒张期。 D Gill[20]等则首先采用同态滤波器来获得平滑的心音图包络，这利于突出自动监测心音信号中人们感兴趣的部分，而从这些部分中提取的特征序列被用于隐马尔可夫模型的观察值。研究表明，主要心音成分检测和识别的任务，可以在不使用任何同步采集信号的情况下，自动的完成。王文辉等[21]提出阶梯值比较法并结合经验数据实现心音自定位，但这种方法受经验参数的制约，定位的准确性不高。陈萌辉等[22]通过使用双门限、迭代等方法,改进了基于信号能量的分段算法,并首次引入短时过零率以更准确地定位分段边界，对心音信号进行自动识别。王衍文等 [23] 提出一种基于 Choi-Williams 分布的心音信号检测方法，利用 Choi—Williams 分布分析心音信号的时频特性，这种方法不仅准确地判定了 Sl 和 S2 的起始位置，而且对心音信号的时域、频域和能量分布作了全面的描述。周静等[24]，杨群清等[25]，童基均等[26]都将非线性时间序列分析的方法-----相关维应用于心音时间序列的分析，通过计算心音信号的关联维数，获取冠状动脉的特征信息，来区别正常心音，得到一种对冠状动脉疾病进行无损检测的方法。以上这些研究对心音的检测以及心血管疾病的诊断都具有重要的意义。 3. 比较和讨论康锋等[27]将小波分析，自回归滑动平均以及独立分量分析方法分别应用于冠心病（CAD）心音信号的特征提取，并将提取的特征值输入径向基神经网络进行训练和识别。其实验结果为：小波分析：80% ，85%；自回归滑动平均：70%，75%；独立分量分析：85%， 85%，结果表明ＣＡＤ病人的心音中含有３００～８００Ｈｚ的高频心音能量。在这三种方法中，独立分量分析（ＩＣＡ）显示了较好的效果。刘军等[28]通过将短时傅立叶变换（STFT）和小波变换（CWT）用于先天性心脏病（房间隔缺损、室间隔缺损、动静导管未闭）心音信号进行时频分析、特征提取的研究，对两种方法的优缺点进行了比较。结果表明，两种方法都能比较好的识别先天性心脏病人，总有效率 85%；小波变换比短时傅立叶变换能更有效的识别正常人与病人的心音信号的特征，可分性更好。但是短时傅立叶变换能量范围更集中，动态范围变化也更小一些。 Ritola 等[29]比较了几种时频分布在心音信号分析中的应用，得出短时傅里叶变换和小波变换都不可避免地会引入交叉项的结论，这是因为在计算信号的时频分布时需要对线性变换的结果进行求平方的运算所造成的，而 Wigner Vile 分布作为一种二次型变换，其交叉项不可避免要产生。交叉项的存在造成了图形混乱，给人们准确分析心音信号的时变特性带来困难[2]。由于心音信号的复杂性以及非平稳性，目前对心音的研究还局限在常用的一些信号处理方法上，但是心音分析与识别在现代医学以及临床上所起的作用越来越大，这个领域的研究和发展有着很广阔的前景。 4. 结论及展望从最近的研究成果[30]看，针对其本身的特点，心音信号的自动识别与分析的主要方法可以归结为：利用心音各成分的频域特性，应用小波分解重构进行消噪，矫正基线漂移，然后提取其包络信号，进而从包络信号中提取心音各成分的特征信息，结合心音的相关医学知 - 4 -

http://www.paper.edu.cn 识，利用神经网络的方法对心音进行训练和识别。神经网络技术可采用如下医学知识作为其分析的基础： 1)在 PCG 记录中，心脏舒张期的持续时间（从 S2 结束到 S1 开始）大于心脏收缩期的持续时间（从 S1 结束到 S2 开始）。 2)心脏收缩期的持续时间（从 S1 结束到 S2 开始）与心脏舒张期相比，相对恒定。 3)心尖部听到的第一心音强于第二心音，心底部听到的第二心音强于第一心音。 4)当心率过快时，舒张期缩短，以致收缩期和舒张期的时间几乎相等，S1 幅值增大。另外，我们还可以应用相关信号处理领域中对非平稳信号进行分析识别的方法对心音信号进行处理。虽然采用小波变换以及神经网络来处理信号比较耗费时间，处理速度比较慢，但是随着电子信息技术以及计算机技术的发展，更多更先进的硬件设备和信号处理方法将被应用于心音信号的自动分析与识别，信息处理的速度、精度以及准确度都会越来越高，从而可以实时的得到准确的心音处理结果，并应用于临床诊断，为医学的发展作出更大的贡献。参考文献 [1]. 吴延军,徐泾平,赵艳.心音的产生于传导机制[J].生物医学工程学杂志,1996,13（3）:280-288 [2]. Sava HP,Edward JT,Mcdonnell.Spectral composition of heart sounds before and after mechanical heart valve implantation using a modified forward-backward prony’s meathod[J].IEEE Trans.Biomed.Eng.1996,43(7):734 [3]. 何莹,吴效明,岑人经等.基于高阶统计量的心音信号分析[J].微计算机信息（测控自动化）.2007,23 （2-1）:258-259 [4]. 李彬彬,袁中凡,杨春生.改进 HHT 算法及在心音信号分析中的应用[J].四川大学学报（工程科学版）.2007,39（4）:160-163 [5]. 朱冰莲,杨磊.心音信号的短时傅立叶变换分析[J].重庆大学学报（自然科学版）.2004,27（8）：83-85 [6]. M.Nadir Kurnaz,Tamer Olmez.Determination of Features for Heart Sounds by Using Wavelet Transforms[J].Computer-Based Medical Systems.2002.02 [7]. D. Kumar, P. Carvalho, M. Antunes 等. Detection of S1 and S2 Heart Sounds by High Frequency Signatures. Proceedings of the 28th IEEE EMBS Annual International ConferenceNew York City, USA.2006 [8]. 李勇、高小榕、郭爱雯.基于连续小波变化的心音信号的时频分析[J].清华大学学报（自然科学版）.2001,41（3）:77-80 [9]. 胡晓,王威廉.基于小波变换心音定位[J].生物医学工程与临床.2002,6（4）:181-184 [10]. 全海燕、王威廉.基于小波多分辨分析的第一第二心音提取[J].北京生物医学工程.2004,23（1）:64-66 [11]. Zamri Mohd Zin,Sheikh Hussain-Salleh, M. Daud Sulaiman. Wavelet analysis and classification of mitral regurgitation and normal heart sounds based on artificial neural networks IEEE.2003 [12]. 郭兴明,姚晓帅,肖守中.基于概率神经网络的第一心音和第二心音自动识别[A]. 中国生物医学电子学学术年会[D].无锡 2003.论文集 p19-20 [13]. 姚晓帅.基于神经网络的心音信号识别算法研究[D].重庆市：重庆大学生物工程学院.2004年 [14]. 叶学松.基于人工神经网络及心音小波分析的冠心病诊断方法的研究.浙江大学学报（自然科学版） 1999,33（2）:123-128 [15]. Chu CHH, Delp EJ. Impulsive noise suppression and back-ground normalization of electroncardiogram signals using mor-phological operators.IEEE Trans on BME, 1989; 36(2):648 [16]. Trahanias PE. Anapproach to QRS complexes detection using mathematical morphology. IEEE Trans on BME,1993;40(2):201 [17]. 郭兴明,陈剑,肖守中.基于数学形态学的心音信号识别方法.生物医学工程学杂志.2004 年,21（5）:832-835 [18]. 姚晓帅,郭兴明,陈剑等.基于数学形态学的心音包络提取与识别方法研究.北京生物医学工程.2004,23 （3）：201-204 [19]. ADRicke,RJ Povinelli,MT Johnson. Automatic Segmentation of Heart Sound Signals Using Hidden Markov Models. Computers in Cardiology.2005,32:953−956 [20]. D Gill,N Gavrieli,N Intrator. Detection and Identification of Heart Sounds Using Homomorphic Envelogram and Self-Organizing Probabilistic Model. Computers in Cardiology.2005,32:957−960 [21]. 王文辉,陈端荣,常蕴等.便携式心音分析仪的研制[J].中国医疗器械杂志.1994 年,l8(1):9-13 [22]. 陈萌辉,叶大田,陈江天.基于信号包络及短时过零率的心音分段算法.北京生物医学工程.2007,26 - 5 -

http://www.paper.edu.cn （1）:48-51 [23]. 王衍文 , 王海滨 , 程敬之 . 一种基于 Choi—Williams 分布的心音信号检测方法 [J]. 声学技术.1998,17(2):63-68 [24]. 周静,何为.基于关联维数的心音分析研究[J].现代科学仪器.2007,2:56-59 [25]. 杨群清,周庆利,刘军等.心音的非线性时间序列分析—冠状动脉疾病无损检测的新方法[J].浙江大学学报（工学版）.2006,40(8):1473-1476 [26]. 童基均,汪亚明,李光等.心音的非线性时间序列分析[J].传感技术学报.2005,18(1):14-18 [27]. 康锋,叶学松,王平等.基于心音信号处理的冠心病诊断的研究[J].浙江大学学报（工学版）.2004,38 （1）:98-102 [28]. 刘军,张祖兴,潘家华等.基于短时傅立叶变换和小波变换的先天性心脏病心音比较分析研究[J].云南大学学报（自然科学版）.2006,28（S1）:89-93 [29]. Ritola J,Lukkarinen S.Comparison of time-frequency distributions in the heart sounds analysis[J].MOd Biol Eng Comput.1996,34:89-90 [30]. 单正娅,苏卫峰,韩东起.基于小波分析的心音诊断方法研究[J].科技创新导报.2007,35:21 The status of automatic analysis and recognition about heart sound signals Wu Yuchun, Guo Xingming, Xiao Shouzhong Bioengineering College of Chongqing University, Chongqing (400030) Abstract This paper analyzed the current status of heart sound signals automatic recognition, compared some kinds of research methods for heart sound such as Spectrum analysis,Wavelet transform, Artificial neural network,mathmatical morphology,and so on,discussed the current status of automatic analysis and recognition, the focus of current research and the direction of development about heart sound signals. Keywords: Heart sound, Spectrum analysis, Wavelet transform, Artificial neural network - 6 -

分享到：

赞收藏

资料库

心音信号自动分析与识别的研究现状.pdf

相关推荐

开发技术

热门标签

最新资料