基于自相关函数的心音周期提取和识别∗

吴云飞 周 煜 陈天浩 沈竹青

（宿迁学院信息工程学院 宿迁 223800）

基于自相关函数的心音周期提取和识别∗

吴云飞 周 煜 陈天浩 沈竹青

（宿迁学院信息工程学院 宿迁 223800）

论文提出一种对单个心音周期进行快速定位并分析的方法。首先对心音信号进行削波，通过短时自相关函数，实现对心音周期的定位；然后利用短时平均能量，小波包分解等时频分析手段对心音特征参数提取并运用概率神经网络进行分类。结果表明，该方法可以对17种不同心音进行有效分类；与常见方法比，不仅减少了运算过程，而且可以实现对含有额外心音的复杂心音信号进行判断和识别。

心音；自相关函数；周期提取；神经网络

1 引言

在人体心脏的心动周期中，心肌收缩、瓣膜启闭、血液加速度和减速度对心血管壁的加压和减压作用以及形成的涡流等因素引起的机械振动，可通过周围组织传递到胸壁。将听诊器放在胸壁某些部位，就可以听到声音，称为心音［1］。

近年来，国内外涌现了许多关于心音识别的新技术、新方法。Zhongwei Jiang等通过心音特征波形（CSCW）和聚类算法（FCM）成功将主动脉回流、房颤、二尖瓣狭窄3种异常心音自动归类［2］。王晓燕等通过梅尔频率倒谱（MFCC）和隐马尔可夫模型（HMM）对包括肺动脉狭窄在内的6种心音实现了自动识别［3］。林勇等利用经验模态分解（EMD）对12种不同心音信号进行特征提取［4］。这些方法受限于复杂的算法，难以推广到对成本要求更高，专用性更强的嵌入式产品中。

张孝桂等设计了嵌入式心音分析仪［5］，但依赖于心电参考信号，要求心音心电同步采集。Taikang Ning等通过能量和频率讨论了心音不同时期所产生的杂音及其快速分类的方法［6］，简化了计算方法，但包括这些算法在内的主流心音检测方法都对额外心音的检测和辨识少有提及。额外心音指在第一心音（S1）、第二心音（S2）之外听到的附加心音，可能出现在心脏舒张或收缩的任意时期，是临床心脏听诊的体征之一，与心脏杂音不同。多数为病理性，大部分出现在S2之后即舒张期，与原有的S1，S2构成三音律，如舒张早期奔马律；也可出现在S1之后即收缩期，如收缩中晚期喀喇音［7］。

心音是非线性的复杂信号，在异常情况下，其第一、第二心音可能完全被杂音覆盖；额外心音又与基础心音频率相近，这些都给心音信号的识别和分析带来很大的困难。因此，本研究提出了一种简单高效、可判断有无额外心音且不依赖于参考信号和成分识别的心音分类方法，可用于资源较少的嵌入式心音分析设备。

2 总体设计

心音是心脏节律的外在表现，在时域上具有一定的周期性，利用这一特点，基于自相关函数法［8］本文提出了一种更加简易、高效的心音信号识别方法。首先利用自相关函数将一段心音信号分割成多个单独的心动周期，然后再通过短时能量检测心动周期内包含了几个心音成分并做时频分析，最后用概率神经网络将分析提取的特征参数做训练和预测。图1是本文提出的心音信号分类识别系统的总体设计流程图。

图1 算法设计流程

3 周期提取

3.1 归一化及降采样

为了保证音频信号幅度的一致性，便于后续的数据计算，通过归一化将其值变为（1，-1）之间。

式中x(n)为离散心音信号，max为最大值，min为最小值。为了使归一化后的音频信号不偏离x轴，还需使离散的心音信号之和近似为零。

降采样是降低特定信号的采样率的过程，通常用于降低数据传输速率或者数据大小。在信号实时处理过程中，在保证奈奎斯特采样定理成立的情况下，通过间隔抽取减少数据样点的方式，加快运算时间。本文将11025Hz的心音音频信号15倍降采样至735Hz，在不改变心音信号基本形态的前提下，有效的减少了数据的运算量。

3.2 削波及自相关函数

自相关函数是用来表征一个随机过程本身，在任意两个不同时刻状态之间的相关程度。对于离散信号，自相关函数定义为

它反映了信号x(n)和其自身做了一段延迟x(n +m)之后的相似程度。因此自相关函数提供了一种获取信号周期的方法，即在周期信号周期的整数倍上，它的自相关R(m)可以达到最大值。除房颤在外的大多数心音信号都具有一定的周期性，只需要在每个心动周期中找到心音主成分的所在时刻，就可以利用自相关函数实现心动周期的定位。

当用自相关提取周期时，只关心时间，也就是自相关函数峰值出现的位置，而峰值本身无关紧要［9］。因此，为使得计算更加快速，可以先将信号进行削波处理。从有音段开始对心音削波后，心音信号就从复杂的离散信号转化为简单电平信号，自相关计算就从繁复的乘法运算变为简单的组合逻辑运算，减少了大部分运算量［10］。

选取合适的削波阈值可以保证获取心音主要成分的同时避免其他噪声的影响。经测试，当阈值设为最大值的40%时，可以取得较好的削波效果，其公式如下。

图2为利用式（4）进行削波的结果。

图2 舒张早期奔马律削波前后对比

通过图2可以看到心音波形信号被转换为高低电平信号，有效音频和无效噪声得到明显区分，包含额外音在内的三次心音的出现位置、时长等信息基本得到保存，心音周期基本保持不变。

因为自相关函数R(m)会在整数倍达到最大值，为了避免取到二倍或多倍周期，帧长的选取也十分关键。正常人的心率在60～100之间，考虑经过长期体育锻炼或重体力劳动者，每分钟心率只有50～60次，这里将帧长设为900个采样点，即49次/分。每次自相关计算只对2倍帧长，即1800个采样点进行处理，既保证了准确性又减少了计算复杂度。从得到自相关函数曲线后，就将周期提取问题转换为寻找第二峰值的问题，如图3所示。

图3 舒张早期奔马律削波后的自相关函数曲线

在图3中，自相关函数在x=0处有最大值峰值点，而后开始减弱并在值相对较小的区间内波动，直至出现标记处的第二峰值，其值明显大于两侧，自相关性最好，是取得心音整数倍周期的依据。即该心音信号的单倍周期约为700个采样点。

根据自相关函数得到的周期有时会存在一定范围的偏差，可以通过对平均幅值设定阈值向两端适当调整，保证心动周期的完整性和下一个周期提取的可靠性。

4 端点检测

短时平均能量法是一种常见的端点检测方法，在信噪比比较高的情况下，可以作为的区分有声和无声的依据。定义n时刻某语音信号的短时平均能量En为

式中N为窗长，可见短时平均能量为一帧样点值的加权平方和。

当窗函数为矩形窗时，有

对矩形窗长N值的设定也有一定的要求，N值过大会造成主要心音成分被忽略或两个心音（如S1、S2）被识别为同一部分，而N值过小则会导致出现将许多非心音成分标记。设LEN是该心动周期的长度，则N值的计算公式如下。

在时域上，心音与噪音在振幅上有明显不同，利用短时能量就可以分别将第一心音、第二心音以及额外心音的两端标识，达到端点检测的目的。

图4 舒张早期奔马律的端点检测

图4 为利用以上方法对舒张早期奔马律的一个心动周期进行端点检测的结果，将其包含的3个心音主要成分分别标记为S01、S02、S03。接着，对S01、S02、S03分别计算其时长、能量、方差等时域参数，以用于后续的神经网络训练和预测。

5 神经网络

人工神经网络，是20世纪80年代以来人工智能领域兴起的研究热点。本研究采用概率神经网络（PNN）进行心音类别的预测。PNN是20世纪90年代初提出来的一个分类网络，具有较好的鲁棒性和容错性，能在一定的范围内允许同一特征点的特征值存在误差。它基于贝叶斯最优分类决策理论和概率密度估计算法，结构简单，训练快捷，可以用线性学习算法完成非线性学习算法完成的工作，并且不会陷入局部极小值，被广泛应用于模式识别和模式分类领域［11］。

PNN属于有监督学习的神经网络，所以在使用神经网络之前，首先需要依靠确定的类型和参数对神经网络进行训练。本文除了对周期和周期内主要成分的时域特征参数进行分析，还分别参考了功率谱估计（PSD welch）［12］和小波包分解（WPD）［13］对心音信号的频域进行特征值提取，得到了各频段功率比和频带能量分布等参数信息。对时、频域上的特征值同时提取，使神经网络的预测更具有可靠性和普遍性。

6 预测结果及分析

在图5中，列举了四种具有代表性异常心音信号，以及它们前三个单倍心动周期提取和端点检测的结果。

图5 周期提取及端点检测结果

第一种，与正常心音成分大致相同，但心率明显偏离正常值，如图5（a）。第二种，S1、S2附近存在较大的杂音，但仍有一定周期性并可以识别出心音主要成分，如图5（b）。第三种，周期性好，杂音小，但存在额外心音，如图5（c）。第四种，心音成分S1、S2被完全覆盖而无法识别，但根据自相关完成了周期提取，如图5（d）。结果证明，对有一定周期性的心音，可以准确判别其周期并进行有效的端点检测。

表1 部分特征参数平均值对比及预测结果

提取周期后，就可以对心音的特征值进行提取，通过时频特征提取的共有17种不同心音，267个心动周期。每种随机抽取3个心动周期分析得到的数据用于神经网络的训练，然后将所有心动周期放入已经训练好的神经网络进行预测，其部分参数及测试结果如表1所示。其中E1、E2、E3分别是S01、S02、S03的能量，E是整个心动周期的能量，F是功率谱最大值处的频点。

分析表1的预测结果发现，除样本4预测的成功率较低外，其他心音均有较高成功率。

因为样本4房颤具有非周期性，不能准确对其分段。另外，样本5、7、9、10中杂音完全覆盖主成分，因而只检测到 S01，E1/E的值趋近于1；12、15样本虽然存在额外心音，但其出现时间与S1、S2相近，音频产生部分重叠，第三心音未能在端点检测中体现，使得E3为0，但依然可以通过均值、方差和其他时频特征参数得以区分。由分析可知，神经网络能对输入的17种心音时域参数有效分类，输出正确结果。

7 结语

本文提出了一种基于自相关函数的心音周期提取和识别方法，该方法首先将心音分段得到心动周期，然后对周期内的特征值进行提取，最后利用神经网络做出分类决策。测试结果表明，利用心音的周期性，该算法能够通过自相关函数对大多数心音信号周期进行有效的提取，而无需借助其他参考信号和成分识别手段；通过短时平均能量法实现了对第一，第二以及额外心音的端点检测；通过文中最后的时频特征分析结果看出，该算法在神经网络预测中可以达到较高的成功率，实现了对心音信号的快速识别。

［1］韦哲，李战明，程自峰，等.基于LabVIEW 8.2的心音信号检测与分析系统的研究［J］.医疗卫生装备，2008，29（7）：7-9.WEI Zhe，LI Zhanming，CHENG Zifen，et al.Development of Heart Sound Signal Examination and Analysis System Based on LabVIEW 8.2［J］.Chinese Medical Equipment Journal，2008，29（7）：7-9.

［2］Zhongwei Jiang，Samjin Choi.A cardiac sound characteristic waveform method for in-home heart disorder monitoring with electric stethoscope［J］.Expert Systems with Applications，2016，31：286-298.

［3］王晓燕，曾庆宁，粟秀尹.基于PCA和HMM的心音自动识别系统［J］.计算机工程，2012，38（20）：148-151.WANG Xiaoyan，ZENG Qingning，SU Xiuyin.Heart Sounds Automatic Recognition System Based on PCA and HMM［J］.Computer Engineering，2012，38（20）：148-151.

［4］林勇，许晓飞.基于经验模式分解的心音自动算法［J］.中国生物医学工程学报，2008，27（4）：485-489.LIN Yong，XU Xiaofei.Segmentation Algorithm of Heart Sounds Based on Empirical Mode Decomposition［J］.Chinese Journal of Biomedical Engineering，2008，27（4）：485-489.

［5］张孝桂，何为，周静，等.基于嵌入式系统的便携式心音分析仪的研究［J］.仪器仪表学报，2007，28（2）：303-307.ZHANG Xiaogui，HE Wei，ZHOU Jing，et al.Study on heart sound analyzing instrument based on embedded system［J］.Chinese Journal of Scientific Instrument，2007，28（2）：303-307.

［6］Taikang Ning，James Ning，Nikolay Atanasov，et al.A Fast Heart Sounds Detection and Heart Murmur Classification Algorithm［C］//Proceedings of 2012 IEEE 11th International Conference on Signal Processing，Beijing：IEEE Beijing Section，2012.1629-1632.

［7］骆益民，蒋犁.临床查体手册［M］.南京：江苏科学技术出版社，2004.95-99.LUO Yimin，JIANG Li.Clinical examination manual［M］.Nanjing：Jiangsu Science and Technology Press，2004.95-99.

［8］Sumeth Yuenyong，Akinori Nishihara，A framework for automatic heart sound analysis without segmentation［J/OL］，BioMedical Engineering Online，2011［2011-10-13］.www.biomedical-engineering-online.com/content/10/1/13.

［9］肖正安.基音周期检测ACF算法及MATLAB仿真［J］.湖北第二师范学院学报，2011，28（2）：86-88.XIAO Zhenan.ACF Algorithm for Pitch Period Detection and MATLAB Simulation［J］.Journal of Hubei University of Education，2011，28（2）：86-88.

［10］杨森斌，陈砚圃，李真.一种改进的自相关函数基音检测算法［J］.现代电子技术，2008（9）：135-137.YANG Senbin，CHEN Yanpu，LI Zhen.Improved Pitch Detection Algorithm Based on Autocorrelation Function［J］.Modern Electronic Technique，2008（9）：135-137.

［11］蔡曲林.基于概率神经网络的模式识别［D］.长沙：国防科学技术大学，2005.CAI Qulin.Probabilistic Neural Network For Pattern Recognitions［D］.Changsha：National University of Defense Technology，2005.

［12］周静，杨永明，何为.心音提取的分析及其特征提取方法的研究［J］.中国生物医学工程学报，2005，24（6）：685-689.ZHOU Jing，YANG Yongming，HE Wei.A New Algorithm of Heart Sound Feature Extraction［J］.Chinese Journal of Biomedical Engineering，2005，24（6）：685-689.

［13］郭兴明，丁晓蓉，钟丽莎，等.小波包与混沌集成的心音特征特征提取及分类识别［J］.仪器仪表学报，2012，33（9）：1938-1944.GUN Xingming，DING Xiaorong，ZHONG Lisha，et al.Heart sound feature extraction and classification based on integration of wavelet packet analysis and chaos theory［J］.Chinese Journal of Scientific Instrument，2012，33（9）：1938-1944.

Extraction and Recognition of Heart Sound Period Based on Autocorrelation Function

WU YunfeiZHOU YuCHEN TianhaoSHEN Zhuqing
（Department of Information Engineering，Suqian College，Suqian 223800）

This paper presents a method for fast localization and analysis of a single heart sound cycle.Firstly，the heart sound signal is clipped，and the localization of the heart sound cycle is realized by the short-term autocorrelation function.Then，the heart sound is classified by means of time-averaged energy，wavelet packet decomposition and other time-frequency analysis methods and probabilistic neural network.The results show that this method can effectively classify 17 different heart sounds.Compared with the common methods，the method can not only reduce the calculation process，but also can realize the judgment and recognition of the complex heart sound signals with extra heart sounds.

heart sound，ACF，periodic extraction，neural network

R318.04

10.3969/j.issn.1672-9722.2017.10.038

Class Number R318.04

2017年4月7日，

2017年5月25日

吴云飞，男，研究方向：嵌入式、信号处理。周煜，男，研究方向：嵌入式。陈天浩，男，研究方向：数字通信。沈竹青，女，研究方向：信号处理。