基于电子听诊器的心音分类系统

刘炜烨，戴嘉梵

（天津工业大学 电子与信息工程学院，天津 300387）

0 引言

听诊器作为医生最常使用的医疗器械[1]，在心脑血管疾病的初诊中意义重大。但传统的听诊器又存在许多局限性，例如：听诊频段无法选择，抗干扰能力差；传统听诊器需要医师保持敏锐的听觉，人体中的微弱声音和短时特征不易被听到[2]；传统听诊器的舒适性差[3]；传统听诊器不可同时供多人使用，为教学和会诊带来不便[4]。更重要的是，听诊的诊断通常依靠医师的临床经验，具有一定的主观性[5]。

本文旨在设计一款电子听诊器，其外型基于传统听诊器进行改进，并配套辅助诊断软件，有利于解决传统听诊器的局限，可以帮助医师更客观、准确地进行听诊。

图1 电子听诊器的总体设计Fig.1 Overall design of electronic stethoscope

图2 电子听诊器实物图Fig.2 Physical diagram of electronic stethoscope

图3 电子听诊器内部电路图Fig.3 Internal circuit diagram of electronic stethoscope

1 电子听诊器的总体设计

电子听诊器硬件电路需具备心肺音信号的采集、传输和分离等功能，设计其总体设计方案，如图1所示。

该电子听诊器以SPH0645麦克风为前端拾音器，TLV320AIC3254为音频编码解码芯片，STM32F103为主控核心。同时，该电子听诊器可根据医疗工作者的实际需求在心、肺音间切换，调节0～10dB的音量增益。在无线通信上，该电子听诊器支持蓝牙4.0协议进行音频信号的传输，TCP/IP协议进行心音ADC数据传输。

电子听诊器硬件电路由主控模块、拾音模块、音频编解码模块、蓝牙模块、OLED显示模块、WiFi模块组成，其实物外观，如图2所示，其内部电路，如图3所示。

1.1 拾音模块

拾音模块需采集微弱的心肺音信号，并避免干扰。因此，在本设计中选用SPH0645麦克风。其信号输出采用I2S输出，主要作用是将采集的音频模拟信号转换为数字信号，能够有效避免传输过程中的各种干扰。

该模块基于传统听诊器的铝膜作为振动元件，听头腔内嵌入自主设计的双声道SPH0645麦克风模块，直接采集人体生理音，如图4所示。该前端拾音模块与传统听诊器结合，可独立工作在电子模式或传统听诊模式下，符合医疗工作者的工作习惯，可以获得更加灵活、舒适的体验感。

1.2 音频编解码模块

图4 基于SPH0645麦克风的拾音器Fig.4 Pickup based on SPH0645 microphone

该模块基于TLV320AIC3254音频编解码器，无需额外的功放电路就可直接驱动耳机输出音频信号。由于心音最重要的频段集中在20Hz～100Hz[6]，肺音的主要频段集中在100Hz～1500Hz[7]。该芯片有可编程的mini DSP内核，因而通过二阶IIR巴特沃斯滤波器，设置带通频率，可对拾音模块采集到的心肺音信号进行数字滤波，实现心肺音的分离。通过按键设置，可切换全频带、心音和肺音模式。

1.3 蓝牙模块

为实现多人听诊，通过音频编解码芯片，输入数字音频信号，可转换为模拟音频信号并输出。经单端差分转换电路，将两路模拟输出信号转为左右声道的差分，传输至CSR8670模块的采集引脚。CSR8670模块可将采集到的模拟信号转换为数字信号，经去噪处理后，以蓝牙4.0的协议与其他蓝牙设备配对连接并发送音频数据。

2 系统软件设计

2.1 单片机软件设计

电子听诊器核心主控为STM32F103芯片，主程序执行各项初始化、TLV320AIC3254配置和按键扫描。通过不断响应按键状态，单片机执行不同的功能并更新OLED显示内容。其软件流程如图5所示。

2.2 心音分类软件设计

随着机器学习等人工智能技术的发展，研究心音信号的智能分类，实现异常心音判别，在心脏疾病诊断方面具有重要意义，有利于提高医疗工作者诊断的准确率和工作效率。心音的分析流程如图6所示。

图5 单片机程序框图Fig.5 Program block diagram of single chip microcomputer

图6 心音的分析流程Fig.6 Analysis flow of cardiac sound

图7 上位机心音分类界面Fig.7 Cardiac sound classification interface of upper computer

表1 双声道SPH0645麦克风的参数Table 1 Parameters of dual-channel SPH0645 microphone

为保证心音分类的准确性，本文采用决策树模型对心音进行分类，并使用5折交叉验证，以获得准确的结果

2.2.1 心音特征抽取

由于训练模型需要大量的数据，为保证数据的准确性，该模型训练数据来源于MIT-BIH库。本文收集9000个心音录音，构成原始数据集，拆分为训练数据和测试数据，分别用于训练和评估。心音录音数字化后，计算小波系数、香农熵值、梅尔频率倒谱系数、均值、R波峰值等10个特征值，构成心音特征。

2.2.2 心音分类界面

通过WiFi模块，电子听诊器与基于MATLAB GUI界面的上位机构成局域网，通过TCP/IP协议进行心音数据传输。经决策树模型，实现心音数据的异常判别。其界面如图7所示。

3 实验与测试

3.1 电子听诊器硬件系统参数

3.1.1 双声道SPH0645麦克风参数

SPH0645麦克风的主要参数为频带范围、信噪比及灵敏度，其主要参数如表1所示。

表2 电子听诊器各状态功耗Table 2 Power consumption in each state of the electronic stethoscope

因此，SPH0645麦克风具有频带广、失真度小、灵敏度高的特点。

3.1.2 电子听诊器功耗

电子听诊器的功耗以电流消耗来衡量指标，其采用锂离子电池供电。在测量功耗时，在电池和电子听诊器硬件之间串联一个电流表，以记录电流大小。通过改变电子听诊器的工作状态，分别测试待机状态、实时听诊、蓝牙配对状态下的电流消耗。每种状态下电流消耗分别测量5次，再取其平均值作为测试结果。

因此，电子听诊器硬件系统具有功耗低的特点。

3.2 心音采集效果测试

电子听诊器听头采集正常人的心音数据，经离散傅里叶变化，可得其频域波形。听头采集的原始数据和滤波后的时域、频域数据，如图8所示。

图8 心音数据时域和频域图Fig.8 Heartbeat data time domain and frequency domain diagram

表3 准确性评估Table 3 Accuracy assessment

表4 灵敏度评估Table 4 Sensitivity assessment

由于第一心音的持续时间，大约为80ms～135ms；第二心音的持续时间，大约为70ms～80ms[8]。经计算，第一心音约100ms，第二心音约70ms，均在正常情况下心音理论范围中。

从图8中可以看出，电子听诊器引入噪声较少，第一心音和第二心音显示明显。因此，电子听诊器采集效果良好。

3.3 分类模型的评估

3.3.1 准确性

准确性是模型的重要指标。根据分类情况，该模型的结果分为4种：

◇ 正常类（Tt）：实际结果及预测结果均正常。

◇ 假正类（Tf）：实际结果正常、预测结果异常。

◇ 假异类（Ft）：实际结果异常、预测结果正常。

◇ 异常类（Ff）：实际结果及预测结果均异常。

利用测试数据对该模型准确性进行评估，将模型预测结果带入公式（1），评估结果如表3所示，准确率平均91.24%。

3.3.2 灵敏度

灵敏度也是该模型的另一重要指标。使用自主设计的电子听诊器采集50名健康志愿者（Healthy Volunteer,H）的心音，对该模型灵敏度进行评估，将模型预测结果带入公式（2），评估结果如表4所示，灵敏度为98%。

因此，本系统构建的基于决策树的心音分类系模型，具有准确率高、灵敏度高的特点。

4 结论

相比于传统听诊器，本文所设计的电子听诊器可选择听诊频段、灵活调整声音大小、佩戴感舒适、功耗低。本系统通过设计电子听诊器，并搭建物联网系统，进行异常心音的判断并与用户实时交互，心音判别的准确率、灵敏度高，为远程问诊系统提供了技术基础。