基于多尺度特征波形的心音分段算法*

韦 哲 韩 阳 李战明 徐越病 郭 峰

心音信号中包含大量的病理、生理信息，因此，心音听诊对于临床诊断具有重要意义。心音信号较心电信号可以更早的反映早期的心脏病理信息，具有早期诊断的作用。目前，对于心音的研究日益成熟[1]。心音定位为心音信号特征提取和模式识别提供基准。

心电信号辅助心音定位可以获得好的效果，但其对硬件要求很高，普及应用具有局限性。近年来，许多依靠数字信号处理的自动心音分段算法相继产生[2-5]。由于人们对图形的边界敏感，因此以心音包络线为基础的心音分段一直为主流思想[6]。Liang等[3]利用香农能量进行心音分段，但由于算法自身过度依赖信号本身幅值，导致分段后的心音边界模糊。林勇等[7]提出基于Hilbert-huang变换的分段方法，该方法更适合载波信号，此方法形成的心音包络带有毛刺，对后期处理造成负担。王新沛等[8]将小波与香农熵结合的方法提高了香农熵的分段准确性，同时指出人工智能对心音自动分段有很大帮助，但是人工智能的算法复杂，要以牺牲运算时间为代价。因此，寻找一种高效、精确的心音分段方法十分必要。

1 小波分析和多尺度特征波形理论

利用小波分解-重构，将心音信号按频率多分辨率分解，尽量保留第一心音和第二心音成分，滤除心音多余成分；将小波处理后的心音信号通过相关算法计算其多尺度特征波形，进而提取心音包络，实现心音主要成分定位。

1.1 小波分析

小波分析具有探测信号瞬态，展示信号频率成分的能力，适合处理主要信息集中于低频的心音信号。

在实际应用中，为了使小波变换的计算更加有效，通常构造的小波函数具有正交性，以消除小波空间内两点之间由于冗余度造成的关联，同时减小计算误差。

1.2 多尺度特征波形理论

目前，基于心音包络的心音定位存在很多问题，例如由于算法抗噪能力差导致出现多余波峰；后期处理阈值选取不灵活；算法的适用范围小；后期处理坐标变换等问题。多尺度特征波形理论在心音信号和心音包络上的应用，极大克服了以上问题。以采用能量法进行心音定位为例，说明以往算法的缺点(见图1)。

图1 基于能量的包络提取

由图1可见，能量法提取的心音包络毛刺较多，边缘不清晰，且出现多余波峰，为后续处理增加了困难。

多尺度特征波形理论在心音信号处理的应用是建立在以下两个假设的基础之上：①实验中处理的心音信号为周期信号；②心音信号中掺杂的噪音为零均值、方差为常数。

设定一个信号s(t)，随机噪声为n(t)，输出信号为y(t)=s(t)+n(t)，其方差则为。输出信号的定义为心音信号的特征波形，但是真实的输出信号为含有噪声的y(t)，根据第二条假设：噪声方差为未知常数。因此，得出下面的定义：在时间t的领域内，称为时间尺度，一个信号的多尺度的波形的数学含义是输出信号的方差信号，即。 。

多尺度特征波形法提取的心音包络，如图2所示，该算法对杂音不敏感，所提取出的心音包络没有多波峰。

图2 多尺度特征波形包络提取

多尺度特征波形在含有随机噪声的心音信号中应用效果最佳，如图3所示。

图3 含有随机噪声的正常心音包络波形

图3证明：虽然示例中的心音信号包含大量的随机噪声，但是利用多尺度特征波形提取的心音包络很大程度地削弱随机噪声的影响，突出了主要的心音成分。

2 仿真实验结果与分析

2.1 实验仿真

实验中所使用的心音数据来自加拿大蒙特利尔临床医学研究所、英国邓迪大学及其他一些网络资源，其中包含正常心音信号5例，异常心音信号50例。S1、S2的频率范围是20～100 Hz，其中S1主要成分集中在55～58 Hz，S2频率成分集中在60～7 Hz。杂音的频率往往较高，主要分布在50～80 Hz和120～660 Hz[9-10]。为减少计算量，实验中采用2000 Hz作为采样率进行重采样，此时原始心音信号最高频率成分小于采样频率的50%，可以保证重采样信号不失真。

以早期主动脉狭窄为例进行分析，该病理信号特点是：可在第3～4肋间的胸骨缘听到最强3/6～6/6度的收缩期输出性杂音，并在同一部位感触到震颤。心室收缩以第一心音为标志，从心音时域波形中可发现非常明显的收缩期杂音。实验平台为MATLAB7.0。

2.1.1 小波分解

根据心音信号的频率特点和心音特性，本文理论结合实践，选择Db10小波进行5层分解。

根据小波分解后各层的频率意义和心音信号及杂音的频率特点，本文通过计算和实验获得小波的分解层数，并选取小波分解-重构后的第五层的高频和低频部分，第三层和第四层的低频部分，其余部分置零。以室中隔缺损为例，该病理信号经小波分解-重构后的心音波形如图4所示。

图4 小波分解-重构前后对比

通过对比可以发现：心缩期杂音很大程度上被削弱，此时，第一心音和第二心音已基本上可以被肉眼识别(见表1)。

表1 各层频率意义

由于心音信号的峰-峰幅值受年龄、性别等个体因素影响，将小波处理后的心音信号幅值归一化，以消除幅值对后期处理的影响。归一化公式为：

其中hs为心音信号。

图5 取值对包络的影响

2.1.3 多尺度特征波形

2.1.4 心音包络归一化

通过单阈值法将包络以时间门形式展现。阈值的主要作用为克服低值噪声的影响，防止出现多余时间门，进而提取主要心音成分。阈值的确定依赖于杂音的强度，通过全局搜索包络的低于正常心音能量的部分，并将其幅值最大值作为低阈值。

2.1.5 确定S1和S2

由于心缩期比心舒期长很多，所以实验中通过判断S1S2＜S2S1是否成立来辨别两个心音位置；寻找每个心音成分的中间坐标值，在MATLAB程序中用text函数和返回坐标值标注心音名称。

2.2 结果分析

2.2.1 结果

以早期主动脉狭窄为例，将原始心音信号和包络时间门曲线图在图中一并显示。从图中可以看出，提取的包络完全覆盖了正常心音信号，杂音信号被显示在包络线外。从图中可以清楚的辨别杂音出现的位置是心缩期。在此基础上，可实现第一心音、第二心音及心舒期、心缩期持续时间的求取。

2.2.2 评价

通过心音分段判别准则进行包络质量评价。心音分段准确性准则：①所有的第一心音能量接近；②所有第二心音能量接近。据统计，正常心音识别率为100%；早期主动脉狭窄、晚期主动脉瓣狭窄、室中隔缺损等三类异常心音几乎可实现100%定位，平均正确定位率为98%(见图6)。

图6 早期主动脉狭窄心音分段结果

3 结论

利用多尺度特征波形法可以得到平滑的心音包络，削弱噪音，克服杂音的影响，避免其他算法提取心音包络的缺陷。通过大量的理论论证和仿真实验，得出多尺度特征波形法可以实现心音信号的分段及定位，得到的心音包络平滑、边界清晰，具有良好的分段效果。对于杂音频率与心音主要成分频率混叠且无统计学特点的病理心音信号等问题有待进一步研究。

[1]Rakovic P，Sejdic E，Stankovic LJ, et al. Time-frequency signal processing approaches with applications to heart sound analysis[J].Computers in Cardiology,2006(33):197-200.

[2]Yan Z, Jiang Z, Miyamoto A, et al. The moment segmentation analysis of heart sound pattern[J].comput methods programs Biomed,2010,98(2):140-150.

[3]Liang H, Lukkarinen S, Hartimo I. Heart sound segmentation algorthm based on heart sound envelogram[J].Computers in Cardioligy,1997(24):105-108.

[4]Omran S,Tayel M.A heart sound segmentation and feature extraction algorithm using wavelets[C].Egypt:Communications and Signal Processing,2004:235-238.

[5]Kumar P. Estimation boundaries of primary heart sounds for diagnosing heart valve disorders[J].Advances in Medical, Signal and Information Processing,2006:55-58.

[6]M.Sabarimalai Manikand, Soman KP. Robust heart sound activity detection in noisy environments[J].Electronic Letters,2010,46(16):1100-1102.

[7]林勇,许晓飞.基于经验模式分解的心音自动分段算法[J].中国生物医学工程学报,2008,27(4):485-488.

[8]王新沛,刘常春,李远洋,等.基于高阶香农熵的心音分段算法[J].吉林大学学报,2010,40(5):1433-1436.

[9]韦哲,李战明,程自峰,等.基于声卡的心音信号采集与处理系统的实验研究[J].中国医疗设备,2008,23(10):7-10.

[10]陈洁,张俊琦.正常心音的第一、第二心音频率检测[J].生物医学工程,2008,27(2):114-117.