基于物联网的心音监测系统的设计与实现

杨 波, 张 翠, 李 庆, 赵 旭, 唐 慧

（1.成都信息工程学院物理场生物效应及仪器四川省高校重点实验室,四川 成都 610225;2.成都信息工程学院计算机学院,四川成都 610225）

0 引言

随着现代社会生活节奏和饮食模式的改变,心血管疾病已成为常见的多发病,发病率和死亡率一直在上升,严重危害着人类的健康。目前缺乏对患有心脏系统疾病如心绞痛、心肌梗塞和高血压性心脏病等患者的病况进行长期实时监测与预警的有效手段,以至在患者突发心脏疾病时,延误了最好的治疗时机,造成意想不到的后果甚至于死亡[1]。

心血管系统疾病常首先引起心音成分的改变,因此心音分析在临床诊断中具有重要的意义[2]。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及其对心脏瓣膜、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其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了体表心音[2]。心音是人体最重要的声信号之一,是幅值较小、频率较低的非平稳的随机性很强的信号,是反映心脏生理及病理的一项重要指标。

对心音的听诊是诊断心脑血管疾病和呼吸系统疾病的主要手段之一,是临床上广泛应用的一种诊断方法,在临床上听诊器听诊应用非常广泛。系统在传统听诊器的基础上进行了改进,实现了听诊器的电子化和远程化。国外目前已有的心音监护系统技术比较成熟,但价格昂贵,国内还不可能大范围地运用。中国现有的通讯基础设施已基本完善,手机的使用在大部分地区已经相当普及。因此,提出并研发的基于物联网的心音监护系统在发达地区缓解看病难、住院难,不发达地区缓解医疗资源稀缺,具有推广应用价值。

图1 系统的总体框图

1 远程心音监护系统总体设计思路

1.1 系统整体结构设计

基于物联网医学的远程心音检测系统的总体框图,如图1所示。

整个系统以3G网络为桥梁,将医院监护中心与需要监护的患者人群联接起来。系统分为家庭端和医院端两部分。家庭端是由一部使用3G无线网络的手机、一台家用PC机和一部远程心音采集器构成。用户通过心音采集器的蓝牙与手机蓝牙正常通信后,待手机接收显示的心音波形平稳,测量两分钟后将实时检测的数据通过3G网络发送至医院的监护中心。同时,心音采集器蓝牙模块,可以和家中的PC机进行串口通信,用户打开专用的监护系统软件检测自己的心音波形曲线和心率,配戴耳机可听到自己的心音。客户端的监护系统软件还提供不正常心率判断给出温馨提示,实现按需实时监测自己的心脏健康状态。

医院端主要是一台远程监护系统主机,启动远程监护系统软件就可进行远程监护。软件的设计是无人值守连续待机,用户可以随时将信息上传到医院主机上。监护系统主机数据库实现了患者的信息管理。上班期间医生可以将未诊断曲线进行诊断并将信息反馈给用户;紧急情况下的处理给予报警信号,非正常上班期间值班医生可以及时对心音曲线诊断,并电话通知用户就诊。

1.2 系统硬件总体设计

心音信号采集器硬件的框图,如图2所示。

心音信号采集器通过声敏传感器采集心音信号,采集的信号经前置放大、滤波、电平抬升电路传送至单片机,然后经蓝牙模块通过串口发送至手机。声敏传感器探头由NE5532芯片的提供一个恒流源来供给电源,当有声音被采集的时候,探头阻值发生变化,产生电压波形。前置放大电路用仪表放大器AD620搭建,该芯片具有低噪声、使用简单、精确度高、低功耗、低输入偏置电流等优点,非常适合医疗仪器的使用。用NE5532加外围电阻分别设计了50Hz的陷波器,10～300Hz的带通滤波器。鉴于心音的频率范围是5～600Hz[3],为便于后续的信号处理,得到较纯净的心音信号,取心音包络,所以将滤波电路的截止频率设置为20～300Hz。电平抬升电路主要是便于单片机采集,所以此处加一个电平抬升电路（0～5V）,经过NE5532放大2倍输出至单片机。本设备选用STC的增强型51单片机芯片STC12C5A60S2。该芯片具有是高速、低功耗和超强抗干扰的特点,指令代码完全兼容传统8051,并且自带8路高速1位A/D转换。该芯片主要完成对采集的心音模拟信号进行A/D转换并发送至蓝牙模块。心音信号采集器采用两节五号电池供电。

远程心音采集器电路原理图,如图3所示。

图2 设备硬件框图

图3 电路原理图

1.3 监护软件总体设计

系统的软件部分包括客户端监护软件和医院中心监护软件,两者在模块功能上有较大的差异。客户端监护软件模块包括串口通信实时采集数据、数字滤波、心音曲线波形显示、播放心跳声音、求取瞬时心率并显示、心音数据保存与波形重绘几个部分,目的是方便用户对自身心脏健康状况的监测。而医院中心监护软件是一套专门针对本系统的包括医务工作人员管理、患者病历管理、心音波形与声音实时播放、波形重绘、心音数据保存与数据分析等功能的系统管理软件,目的是提供较为全面的病历资料方便医院对就诊病人病情的精确诊断。

监护软件的核心部分是心音波形的动态实时显示与重绘、心跳声音的同步实时播放以及瞬时心率的计算。给出客户端监护软件界面,如图4所示。

1.3.1 心音的希尔伯特黄变换的滤波与去噪

心音信号属于强噪声背景下的十分微弱的人体生理特征信号,心音采集时极易混入各种噪声信号,心音信号中的噪声主要包括舒张期或收缩期存在的杂音以及由呼吸、心尖搏动、采集设备的心音传感器探头与皮肤摩擦、及其他环境因素引起的噪声,这些噪声不利于心音信号的提取,因此有必要对心音信号进行滤波处理,但仅靠采集系统硬件滤波不能完全解决心音信号的干扰,还需要对心音信号进行数字滤波,保留心音的基本特征成分即第一心音（S1）和第二心音（S2）,S1、S2的频率集中在 50～200Hz[4]。

目前,准确提取心音信号的算法成为生理信号研究的热点。全海燕等提出了基于小波多分辨率分析的心音分段算法,这种算法步骤繁琐,计算量大,编程复杂。周静提出了归一化平均香农能量分布的分段方法,这种方法能够很好地得出心音信号的能量分布图,但由于是对心音信号进行分段计算,得到的分段情况并不理想。姚晓帅等提出了基于数学形态学的心音分段方法,这种方法的关键是选取合适的结构元素,而针对多种多样的、复杂多变的心音信号,很难找到一个适合各种信号的结构元素。赵治栋等利用小波阈值滤波技术和希尔伯特变换提取心音信号的包络,但选取阈值的过程过于繁琐,耗时较长[5-6]。近来,Norden E.Huang等人提出了一种新的信号分解算法—经验模式分解法（Empirical Mode Decomposition,EMD）[7]。经验模式分解法的目的是将非线性非平稳信号分解为一系列表征信号特征时间尺度的固有模态函数[8],这些模态函数能够很好地反映信号在任何时间局部的频率特征,根据希尔伯特黄变换[9-10]的关键部分[11]经验模态分解方法对心音信号滤波去噪,从分解的k个固有模态函数中提取出平均瞬时频率在50～200Hz的固有模态函数,对保留的固有模态函数求和得到所需的信号。

图4 客户端监护软件界面

测试需要在安静环境下进行,受试者一小时内精神放松且无剧烈运动,静坐并将心音传感器的探头轻轻贴置于心脏跳动的位置。取一例正常心音信号进行降噪处理来验证降噪效果。图5～图7中,横坐标表示信号长度,图中显示了5120个点,纵坐标表示信号幅度,原始心音信号如图5所示;经EMD分解的前5个IMF1-IMF5及趋势项res如图6所示;降噪后的心音信号如图7所示。

由于EMD分解总是按照特征时间尺度由小到大的顺序将信号的频率从高到低分离出来,各个IMF包含的噪声强度也逐渐减弱,几乎可认为低频部分IMF就是所需要的有用信号,即低频分量。而从分解的IMF波形可以看出,第一个固有模态函数IMF1是从原始心音信号中分解出的频率最高,波长最短,幅度较大,可认定其含有的高频噪声成分较大,比如心脏收缩期或舒张期杂音。依次下去,IMF分量的频率越来越低,波长越长,幅度明显降低,这种分布情况是由 EMD的分解特性决定的,表明EMD分解的前几个固有模态函数包含了心音信号的最显著信息。对50～200Hz的固有模态函数相加求和即为降噪后的信号,这里取IMF2～IMF5以及趋势项相加重构出降噪后的期望信号。从图5（c）可以很好地确定S1、S2的峰值,便于瞬时心率的计算。

图5 原始心音信号

图6 原始心音信号经EMD分解的前5个IMF1-IM F5及趋势项res

图7 降噪后的信号

可以看出,采用的滤波算法能够获得较满意的效果。医生根据医院中心监护软件显示的心音图谱进行分析诊断,并将健康状况反馈给用户。

1.3.2 心率的特点与瞬时心率的计算

心率即心脏收缩的频率,指单位时间内心脏搏动的次数,单位为跳/分（bpm）。心率随着年龄的增长而减慢,健康胎儿的心率范围为120～160bpm,儿童为 110～120bpm,成人为 60～100bpm,而老年人可慢至55～75bpm[12]。心率（HR）计算方法为

其中,fs为心音采样率,为相邻的两个S1间数据个数。

目前,系统已采集心音13例,并对13例受试者进行一周内同一时间段的连续测试,选取一例数据做说明,取信号中间部分的2s时间进行心率计算。本系统设定的心音采样率 fs220Hz,计算该受试者3s时间（约为3～4个心音周期）内的相邻S1间的数据点数 NΔs1s1约为167,即求得瞬时心率约为79跳/分,与测试该受试者在同一状态下的脉搏,取三次平均数约为78跳/分相比较,可见相对误差较小。并且,文中的算法对采集的13例心音信号进行平均瞬时心率的计算均得到了正确的结果。

2 结果和讨论

系统对13例年龄在20到50岁的成年人进行了盲测试,其中有若干人心率异常,只有被测者本人知晓,测试人员并不知情。实验测试结果显示其中11人心率正常,2人不正常。经2名疑似异常者确认实验测试结果正确。其中一名为23岁男性,两年前在四川省警官总医院确诊患有心率不齐,软件统计其心率在90到146之间波动,且从所显示的心音波形可以明显看出其没有固定周期性;另一名为35岁女性,患有心动过缓,软件统计显示其心率为47次/分,仔细观察会发现其心音波形之间的间隔时间比正常人稍长。11例健康被测者的瞬时心率计算正确率为96.3%。实验结果表明希尔伯特黄变换的关键部分经验模式分解方法能较好的满足实时心音信号的去噪要求,提供准确可靠的心音数据,该系统的设计适合心音信号的实验性研究,为心血管疾病提供辅助性诊断,据有很好的应用前景,从而使心音检测系统得到广泛推广和应用。由于对EMD算法的研究还没有在实时处理信号要求上深入,加上EMD算法本身还有一定的缺陷,比如筛法和边界处理问题,因而还待参考各种优化算法,总结出实时EMD改进算法,也是本课题下一步的研究工作。

3 结束语

传统的心血管检测大都要求被测试者到指定的地方由专业人员进行检测。对于在特定的场合进行测试的运动员和行动不便的孕妇,以及需长期监测心脏疾病的患者,无疑在生活和经济上给他们带来困扰[13]。传统听诊器难以捕捉一些微弱的生理声信号且诊断结果容易受听诊者主观经验的影响,难以定量分析,因而准确性较差[13],较易造成误判[14-15]。传统心音学与数字信号处理的算法结合,为运用心音分析准确诊断心脏相关疾病提供了必要的手段。系统实现了家庭心音信号采集与电信网络相结合的远程心音监护,跨越心血管疾病监护时间和空间的障碍。医院服务器的数据传输系统采用移动通信网和Internet网相结合的方式,在给患者带来便利的同时,无需对医院现有的信息系统进行大规模的改变,从而降低了系统的使用成本。

[1] 王海滨,江钟伟,董秀成.基于听诊器的心音采集解析系统[J].生物医学工程学杂志,2009,26（2）:282-287.

[2] 吴延军,徐泾平,赵艳.心音信号的产生与传导机制[J].生物医学工程学杂志,1996,13（3）:280-288.

[3] 董承琅,陶寿淇,陈灏珠.实用心脏病学[M].上海:科学技术出版社,1996:971-974.

[4] XU Chengbin.The Theory of Phonocardiogram[M].Beijing:Science Press,1982.

[5] 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）:485-489.

[6] Millette and Baddour.Signal processing of heart signals for the quantification of non-deterministic events[J].BioMedical Engineering OnLine,2011,10:1-23.

[7] Ari S,Saha G.Classification of heart sounds using empirical mode decomposition based features[J].International Journal of Medical Engineering and Informatics 2008,1:91-108.

[8] FLANDRINP,RILLING G,GONCALVES P.Empirical mode decomposition as a filter bank[J].IEEE Signal Processing Letters,2004,11（2）:112-114.

[9] HUANG N E,SHEN Zheng.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J].Proc R.Soc London A,1998,454:899-995.

[10] 许晓飞,林勇,严彬彬.基于希尔伯特-黄变换的心音包络提取[J].航天医学与医学工程,2008,21（20）:134-136.

[11] 谭善文,秦树人,汤宝平.Hilbert-Huang变换的滤波特性及其应用[J].重庆大学学报,2004,27（2）:9-12.

[12] 卢山.基于时频分析的心率变异性研究[D].重庆:重庆大学,2004.

[13] 施剑锋.心音呼吸音可视电子听诊系统[D].杭州:浙江大学,2007.

[14] Michael A.Chizner,Cardiac auscultation:Rediscovering the Lost Art,Current[J].Problems in Cardiology,2008,33（7）:326-408.

[15] Martínez-Cabeza-de-Vaca-Alajarín,J.,Ruiz Merino,R.Efficient method for events detection in phonocardiographic signals[J].In Proceedings of SPIE.2005,5839:389-409.