心音特征在慢性心力衰竭分型辅助诊断中的应用研究

孙 伟 郭兴明 郑伊能

(重庆大学生物工程学院，重庆市医疗电子技术工程研究中心，重庆 400044)

引言

《中国心血管病报告2015》显示，我国心血管病发病率与死亡率一直居高不下[1]。心力衰竭(heart failure，HF)是一种心脏结构和(或)功能异常导致的临床综合征，是大多数心血管病的终末阶段和主要死因。心衰反映了心肌的舒缩功能不全，大多数心力衰竭病人心肌收缩力降低。2016 ESC急慢性心力衰竭诊断和治疗指南[2]根据左心室射血分数(left ventricular ejection fraction，LVEF)将心力衰竭分成3种类型：射血分数降低型心衰(heart failure with reduced ejection fraction，HFrEF， LVEF<40%)，射血分数中间值心衰(heart failure with mid-range ejection fraction，HFmrEF，LVEF 40%～50%)和射血分数保留型心衰(heart failure with preserved ejection fraction，HFpEF，LVEF ≥50%)。以往研究表明，HFpEF和HFrEF患者具有相近的临床表现和临床预后，且HFpEF会转变成HFrEF[3-4]。

心衰发生发展的基本机制是心室重塑，心室重塑是推动心衰从代偿阶段发展至失代偿阶段的重要生理病理过程。一些临床统计研究表明，HFrEF和HFpEF患者左室重塑存在明显差异：HFpEF患者心脏后负荷过重，心室壁张力增加，引起心室壁及室间隔增厚，最终导致向心性肥厚，有明显的舒张功能不全[3]；HFrEF患者常出现离心性肥厚，表现为进行性左室腔扩大或左室非对称性肥厚，常合并舒张功能不全。HFpEF患者在心衰早期，机体调用心肌肥厚代偿机制，增强心肌收缩力保证射血量，长久的负荷过重促使心肌发生结构和功能改变而终致失代偿，心脏排血量下降，转变为射血分数降低型心衰[5]。大量研究发现，HFrEF和HFpEF患者房室结构存在显著差异，HFpEF患者的左房内径(LAD)、左室收缩期末内径(LVESD)、左室舒张期末内径(LVEDD)显著小于HFrEF患者的，而室壁隔厚度(IVST)，左室后壁厚度(LVPWT)指标刚好相反。

心音的产生来自于心脏腔体的共振，包含了能够表征心脏内部结构的声学特性[6]。第一心音的幅值与心肌收缩力成高度正相关[7-9]，为了减小心音的个体差异性，Xiao等提出相对值法即S1/S2作为心肌收缩力的评估指标[10]。Hsieh等通过实验证明，在左心室收缩功能不全的患者中，伴随有S1/S2值的降低[11]。张文波对42例心衰组患者及36例对照组进行心音图检查，结果表明，心衰组的电-机械激动时间(心电图QRS波起点至心音图S1峰值强度的时间，EMAT)、S3检出率和S3强度较控制组显著升高，左室收缩时间(S1二尖瓣成分至S2主动脉瓣成分的间期，LVST)较控制组显著降低，当心衰患者BNP处于“灰度区”时，EMAT具有更高的灵敏度和特异度[12]。吴晓军等对136例入院心衰患者分别进行心脏功能储备检测、彩色多普勒超声心动图检查和6 min步行试验检测，对比研究发现，心衰患者的D/S比与纽约心脏协会(New York Heart Association， NYHA)心脏功能分级和心衰严重程度均呈显著负相关[13]。

心衰患者心肌收缩力减弱，泵血不足，为了保证正常的心排血量，机体调用代偿机制，引起心室重塑，HFrEF和HFpEF患者心室重塑不同，导致心脏结构不同，进而引起心音的不同。目前已有的心音信号在心衰领域的研究主要针对心衰分期即心衰严重程度的研究，并未涉及心衰分型的研究。临床上心衰分型一般采用超声心动图检查结合血浆B型利钠肽(BNP)或N末端脑钠尿肽原(NT-pro BNP)浓度检测的方法进行诊断，耗时长，价格昂贵，不便于广泛使用，尤其在农村及偏远地区，而心音检查具有无创、快速、经济等优点，使用方便，有利于弥补这一缺陷。因此，本研究旨在从心音的角度比较研究HFrEF和HEpEF患者的心音信号特征，为慢性心衰分型诊断提供理论依据。

1 材料与方法

心音由4个成分组成，即第一、第二、第三和第四心音(可分别记为S1、S2、S3和S4)，正常情况下只出现S1和S2，图1为1例正常心音。

1.1 数据来源

本实验所用的心音传感器位置可调以紧贴患者胸壁实时采集信号，并通过内置蓝牙系统将数据传至PC端进行处理，采样频率为11 025 Hz，量化精度为8位。为了减少环境干扰及个体差异性，采集时尽量保持病房安静，患者仰卧于病床上，传感器置于心前区心脏搏动最明显处，待患者呼吸平稳后，保持该姿势连续采集20 min。本研究共采集了244位心衰患者的心音数据，入选患者来自重庆医科大学附属大学城医院，均符合欧洲心脏病协会(ESC)2016年发布的急慢性心力衰竭的诊断与治疗指南及医院专家建议的标准：存在CHF的临床症状和体征，NYHA II 级或以上，所有患者均签署了知情同意书。由于患者数量有限，只将患者分为了两组：HFrEF(LVEF<50%)，HFpEF(LVEF≥50%)，其中HFrEF患者72位(年龄71.8岁±9.8岁，男性37人(51.38%))，HFpEF患者172位(年龄59.4岁±13.7岁，男性71人(41.28%))。

心音信号的相关时域指标如图1所示。

图1 心音信号的相关时域指标Fig.1 The indices in time domain of heart sound

1.2 预处理

为了减小数据量，提高运算速度，采用Cool Edit Pro处理软件随机截取每位患者连续一分钟的数据。心音信号频率主要为10～400 Hz，需进行重采样，重采样频率为1 225 Hz，满足Nyquist采样定理。

1.2.1小波去噪

心音信号比较微弱，采集过程中容易受到环境噪声和生理噪声的影响，需要对信号进行去噪，突出特征。小波变换具有速度快、局部特性好等特点，适用于心音信号的去噪[14]，本研究选择Db6小波[15]，‘sqtwolog’阈值，5层分解层数进行小波分解去噪。图2为1例HFpEF心音信号去噪前后的效果，可以看出，去噪后的信号基线明显变细，并较好地保留了信号的有用成分，说明该方法能够有效地滤除信号中的大部分噪声，便于后续处理。

图2 1例原始HFpEF心音信号和去噪后的HFpEF心音信号。(a)原始信号；(b)去噪后信号Fig.2 A case of original HFpEF heart sound signal and its de-noised signal. (a)Original signal；(b)De-noised signal

1.2.2心音信号分段

因为本研究提取的心音特征是基于单个心动周期的，提取特征前必须对心音信号进行分段处理。本研究应用改进的维奥拉积分方法提取心音信号特征包络，再结合双阈值门限进行心音自动分段[16]。图3为1例HFrEF心音信号分段结果，从中可以看出，即使心音中存在心杂音，且伴随着心律不齐，该分段方法仍然能够正确定位出S1、S2的起止点，进行正确分段。

图3 1例HFrEF心音信号的阈值分段结果。(a)心音信号包络；(b)心音信号分段结果Fig.3 The result of threshold segmentation of a case of HFPEF heart sound signal. (a)The envelope;(b) The result of segmentation

1.3 特征提取

1.3.1时域分析

心音时域特征包括S1/S2，D/S以及心率不齐(HRV)等指标。S1/S2指标反映了心脏收缩能力与外周阻力的关系；D/S指标可用来评估心脏舒张期供血时间是否充足[17]。HFrEF患者容易触发室性心律失常，心音图上表现为心动周期变异性大，如图3所示，但这些增长的心动周期一般出现在舒张期，即D/S会增大很多，这时D/S仅能体现心脏功能障碍，而无法用来评估心脏供血时间是否充足，因此用1 min内D/S和S1间期总体标准差(SDDS、 SDSSI)来描述心律失常。本研究共提取了TS1/TS2、S1/S2、SDDS、SDSSI等4个时域特征。SDDS计算公式为

(1)

式中，N表示1 min内心动周期总数，mean(D/S)表示1 min内D/S均值，计算公式为

(2)

1.3.2S变换时频分析

S变换是Stockwelle于1996年提出的一种时频分析方法，它结合了傅里叶变换与小波变换的优点，具有良好的时频分辨率，其快速傅里叶算法的离散形式为

(3)

式中，H[k]为时间序列h[m]的离散傅里叶变换，即

(4)

由式(3)可知，S变换时频分析采用了高斯窗函数，且窗宽与频率成反比，克服了短时傅里叶变换窗宽固定的缺陷，避免了小波分析时小波基的选择问题，S变换的时频模矩阵时间和频率一一对应，便于时频分析。由于S变换的这些优点，近年来S变换逐渐成为生物医学工程领域时频分析的主要方法之一。李战明提取了4类心音信号S变换后若干列的最大值作为特征值进行分类，得到了较好的分类结果[18]。

1.4 统计学分析

1.5 聚类分析

聚类分析具有可调参数少、运算速度快、可重复性好等优点，适合于特征少的小样本分类[19]。本研究采用迭代自组织数据分析法(iterative self-organizing data analysis techniques algorithm， ISODATA)进行分类识别。ISODATA在每轮迭代过程中，样本重新调整聚类中心及所属类别后分别计算类内和类间有关参数，并和设定的阈值比较，确定合并或分裂聚类中心，不断地进行“自组织”调整，使得各个样本到其聚类中心的距离平方和最小。算法原理步骤为：

1)设置初始值，包括预期聚类个数c，初始聚类个数Nc(可以不等于c)，每一类中样本数下限θn，类内各分量分布的标准差上限θs，两类心间的最小距离下限θD，最多迭代次数I。

2)选定初始聚类中心，按最小距离原则，将每个样本分到某一类中，如果

(5)

则xi∈wj。

式中，dil表示样本xi和类wl的中心zj之间的欧式距离。

3)依据θn判断是否合并类。如果类wl中样本数nj<θn，则取消zj，NC=NC-1，转至步骤2)。

4)计算分类后的参数：

各类的中心为

(6)

各类中样本到类心的平均距离为

(7)

各个样本到其类心的总体平均距离为

(8)

5)依据当前迭代次数IP和Nc判断停止、分裂或合并。若分裂，转至6)；若合并，转至8)；否则停止。

6)计算各类内距离的标准差各分量，有

(k=1,2,…,n;j=1,2,…,Nc)

(9)

式中，k为样本维数分量编号，j为类的编号，n为矢量维数，xki、zkj分别是xi和zj的第k个分量。

计算每一聚类类内距离标准差矢量中的最大分量，有

(10)

8)计算类间距离Dij，依据Dij与θD判断是否合并，有

Dij=‖zi-zj‖,i=1,2,…,Nc-1;j=i+1,…,Nc

(11)

9)根据Ip判断是否结束迭代过程。如果Ip=I或过程收敛，则结束聚类过程；否则Ip=Ip+1，如果需要调整参数，则转至1)，如果不需要，则转至2)。

聚类过程中，合并类的条件为：

(类内样本数<θn)∪(类的数目≥2c)∩(两类间中心距离<θD)。若原来两个聚类中心为zi、zj，则合并后Nc=Nc为已合并的类数，在一次迭代中，某一类最多只能被合并一次，新的聚类中心为

(12)

如果c/2

为了验证ISODATA算法及本研究提出的诊断方法的正确性、可靠性，引入医学科研中常用的评价方法[20]，评价指标通常有灵敏性Sen、特异性Spe和准确率。Sen和Spe的定义为

(13)

式中，a代表对HFrEF患者检测时诊断正确的人数，b代表对HFrEF诊断时误检为HFpEF的人数，c代表对HFpEF患者诊断时诊断正确人数，d代表对HFpEF诊断时误检为HFrEF的人数。

2 结果

2.1 特征提取结果

按照时域分析方法，对预处理后的心音信号提取其4个时域特征。图4、5分别为两组患者心音的TS1/TS2、SDDS散点图分布，两幅图中都有较明显的分界线，只有少量数据重叠，有利于后续的分类识别。

图4 两组信号TS1/TS2分布结果Fig.4 The feature distributions of TS1/TS2 of two types of heart sounds

图5 两组信号SDDS分布结果Fig.5 The feature distributions of SDDS of two types of heart sounds

本研究利用S变换分析单个心动周期心音的时频特性，根据S变换模矩阵计算第一心音与第二心音能量之比(ES1/ES2)、低频能量分数(EF-LF)、高频能量分数(EF-HF)、收缩期低频能量分数(EF-SLF)和高频能量分数(EF-SHF)、舒张期低频能量分数(EF-DLF)和高频能量分数(EF-DHF)7个特征值，其中，HF>200 Hz，10 Hz≤LF≤200 Hz。图6为1例HFrEF心音信号和1例HFpEF心音信号的S变换时频图。

表2 两组心音信号时频域特征值分析结果Tab.2 The analysis result of heart sound feature in time-frequency domain in two groups

图6 两组信号S变换时频分布结果。(a)HFpEF；(b)HFrEFFig.6 The distribution in time-frequency domain of S transform in twogroups. (a)HFpEF;(b)HFrEF

图6中每幅图的左右两部分分别表示S1、S2成分的时频分布，由图中可以看出，与HFpEF患者相比，HFrEF患者心音的S1时长和幅值均较小。因为本研究入选的HFrEF患者，大多数信号的S1幅值较低甚至S1、S2倒置，这种现象在时域上表现为S1持续时间减小，幅度降低，S时频变换结果直观地描述了心音信号的这种现象。

2.2 统计分析结果

共提取了11个特征值，包括4个时域特征和7个时频域特征，对HFrEF组和HFpEF组每个特征分别进行独立样本t检验，分析其差异性，结果如表1、2所示。可以看出，与HFpEF组相比，HFrEF组的TS1/TS2、S1/S2、ES1/ES2、EF-SLF均显著降低；而SDDS、SDSSI、EF-DLF较大，两组之间存在显著性差异。EF-LF、EF-HF、EF-SHF、EF-DHF在两组间无统计学意义。

2.3 聚类分析结果

表1、2的结果表明，本研究提取的11个特征值中只有7个在两组间具有显著性差异。为了减小运算量，提高运算速度，运用主成分分析对7个特征值降维[21]，选择累计方差贡献率大于85%的前4个特征作为ISODATA分类器的输入。本研究类内距离和类间距离均采用欧氏距离度量，类内距离为每一类样本到其聚类中心标准差矢量的最大分量，类间距离为聚类中心间的距离。因本实验分类结果为两类，初始化时初始聚类中心设置为2，初始类心选择为相距最远的两个样本，即c=Nc=2，根据实验结果，其他参数分别设置为θn=50，θs=0.5，θD=1，I=8。

表1两组信号时域特征分析结果

Tab.1Theanalysisresultofheartsoundfeatureintimedomainintwogroups

组别样本数TS1/TS2S1/S2SDDSSDSSIHFrEF721.273±0.1781.099±0.4570.458±0.2289.768±4.897HFpEF1722.296±0.4122.209±0.8650.129±0.0443.058±1.341P<0.01P<0.01P<0.01P<0.01

本研究分类结果用灵敏性、特异性和准确率3个标准评判，结果如表3所示。对表3分析可知，区分HFrEF组和HFpEF组的灵敏性、特异性和准确率分别为93.06%、84.88%和87.30%，误将7个HFrEF样本判别为HFpEF类，26个HFpEF样本判别为HFrEF类，该结果可能与聚类分析的本身特性有关，因为聚类分析适用于小样本分析。总体来看，3个指标均较高，说明提取的心音信号特征结合聚类分析可以较准确地识别两组信号，进一步说明了本研究提取的心音时域和时频域特征反映了两类心衰患者心音信号的差异性。

表3 聚类分析结果Tab.3 The result for clustering analysis

3 讨论

LVEF常被认为是评价左室收缩功能的首选指标， HFpEF患者存在明显的心室舒张功能不全，尽管其LVEF正常，但心室收缩功能可能已受损，通过心肌形变成像技术研究发现，HFpEF患者左室局部室壁收缩不良[22]。HFrEF患者的LVEF低于正常水平，心室收缩功能明显降低，但心脏收缩功能障碍一般不会单独出现，常伴随舒张功能障碍。因此有研究[23]认为，HFpEF和HFrEF患者心室重塑的发生发展过程存在交集，收缩功能保留的心衰可能是收缩功能降低心衰的早期表现，即HFpEF是HFrEF的早期表现。

心音来自于心脏及血液的机械振动，当心脏结构发生改变时，这种改变会在心音上反映出来。目前心音在心衰领域的研究工作还未涉及到心衰分型，HFrEF和HFpEF患者心室重塑不同，引起心脏结构变化的不同，可能导致心音的不同。本研究基于这些研究基础，分析HFrEF和HFpEF患者心音时域、时频域特征，探究两类患者心音信号的差异性，为心音在心衰分型诊断的临床应用提供理论基础。本研究共提取了11个时域、时频域特征，两组间每个特征均采用独立样本t检验，结果如表1、2所示。从时域分析结果来看，反映心肌收缩力的指标S1/S2，其在HFrEF组的水平显著低于HFpEF组的水平，说明HFrEF患者的心肌收缩力低于HFpEF的。HFrEF患者心肌收缩力的降低在心音图上不仅表现为S1幅值的降低，还伴随S1时限的缩短，导致HFrEF组的TS1/TS2也低于HFpEF组的。本研究入选的HErEF患者大多数心率失常，与文献[24-25]的研究结果一致，导致该组的SDDS和SDSSI均高于HFpEF组的，说明心音D/S和S1间期总体标准差都能反映心律失常。从时频域分析结果来看，HFrEF组S1幅值较低甚至S1、S2倒置，致使S1能量减小，这是导致HFrEF组ES1/ES2低于HFpEF组结果的主要原因。表1、2分析结果显示，HErEF组的EF-LF、EF-SLF、EF-SHF较HFpEF组的低，EF-HF、EF-DLF、EF-DHF刚好相反，其中EF-SLF、EF-DLF在两组间均具有显著性差异，而EF-LF、EF-HF、EF-SHF和EF-DHF没有统计学意义。这一方面因为S1处于心动周期中的收缩期，HErEF患者S1幅值较低，引起心音的收缩期能量降低；另一方面因为心音的主要频率成分集中在200 Hz以下，S1幅值的改变引起的能量改变也集中在低频成分[26]。这些统计结果表明，HFpEF患者向HFrEF转变时，存在心音低频能量向高频能量转移的趋势，但主要是收缩期低频能量向舒张期低频能量的转移。

本研究用于分类识别的特征参数有4个，构成的特征向量维数较低，适合选择运算速度快、可调参数少、运算结果稳定可靠的分类器进行分类识别。本研究分别选择BP神经网络、Fisher线性分类器和ISODATA进行分类识别，对比分析判别结果的灵敏性、特异性、准确率和运算时间4个指标，以获得最优的分类结果，对比分析结果如表4所示。对表4分析可知，Fisher分类器的运算时间略短于ISODATA，但其灵敏性、特异性、准确率均低于ISODATA；相对于ISODATA，BP神经网络的特异性和准确率略高，灵敏性略低，但运算时间比前者高一个数量级。综合考虑4个指标，选择ISODATA作为本研究的分类器进行识别。

表4 不同分类器识别结果Tab.4 The recognition result for different classifiers

本研究入选的HFpEF患者大多数为女性，与文献[24-25]的研究结果一致，但是HFrEF患者男女比例差不多，与文献[24-25]的研究结果不一致，可能与本研究选择的HFrEF样本数量少有关。

4 结论

本研究共采集了72位HFrEF患者和172位HFpEF患者的心音数据，提取了11个时域、时频域特征，其中7个特征值在两组间具有显著性差异，选择其中4个相对独立的特征值进行ISODATA聚类分析，分类结果的灵敏性、特异性和准确率分别为93.06%、84.88%和87.30%，均较高，说明本研究提取的特征值结合ISODATA算法能较好地将两类信号分开，为心音信号在慢性心力衰竭临床分型辅助诊断的应用提供了理论依据。本研究只分析了心音的时域、时频域指标，后期可以补充分析其非线性指标，从非线性角度评估两类信号的差异性。

(致谢：感谢重庆医科大学附属大学城医院舒彬、赵刚教授以及本实验室的同学们对本研究工作提供的支持与帮助)