基于多特征联合的肠鸣音检测方法及实验研究

【作 者】 刘斯齐，万显荣，谢德强，江从庆，任相海

1 武汉大学 电子信息学院，武汉市，430072

2 武汉大学 中南医院 湖北省肠病医学临床研究中心，武汉市，430071

0 引言

肠鸣音指肠道蠕动时推动肠道内气体、液体和食糜流动而产生的咕噜声，通常可从肠壁一直传播到腹壁，肠鸣音异常是肠功能异常或障碍的最常见的临床表现之一，因此肠鸣音是监测和反映肠道运动功能的重要指标，对肠道疾病的监测、预防和诊治具有重要意义[1]。

不同肠道条件下，肠鸣音可呈现出活跃、亢进、减弱、消失等不同状态，并表现为正常音、气过水声、高调音和金属音4种典型的声音特性。目前传统的医生听诊方式正是基于肠鸣音的上述声音特性实现对肠道健康状态的初判断。显然，该方式极大地依赖于医生的专业知识和临床经验，不利于临床长时间监测及病历统计追踪。因此设计有效提取肠鸣音信息的肠鸣音监测方法具有重要的临床应用价值和科学研究意义。

获取肠鸣音信息的关键在于从监测数据中检测出肠鸣音，学者们也提出了数种肠鸣音检测方法。文献[2]和[3]利用基于高阶统计量的分形维数进行肠鸣音检测，该方法的重点在于检测肠鸣音事件，未能定位肠鸣音起止位置；文献[4]采用基于肠鸣音能量特征的端点检测方法进行肠鸣音分析，但只利用能量特征往往容易受到噪声干扰而影响检测结果。近年来，机器学习的方法也被用于肠鸣音检测，基于梅尔倒谱系数（Melscale frequency cepstral coefficients,MFCC）的长短期记忆网络（long short-term memory）[5]、卷积神经网络（convolutional neural networks,CNN）[6]、卷积和递归神经网络（convolutional and recurrent neural networks,CRNNs）[7]等方法陆续被提出。这些算法须提前对肠鸣音进行分割、制作样本标签，通过对样本的训练形成分类网络，其算法效果依赖于大量的训练样本。

基于此，本研究提出多特征联合的肠鸣音检测方法，以弥补基于肠鸣音单一特征检测算法的不足，同时减轻基于机器学习方法对大量训练样本的依赖。

1 肠鸣音信号处理与检测

信号处理流程中首先对肠鸣音进行预处理，通过小波多分辨率重构降噪，再提取肠鸣音特征用于多特征联合检测肠鸣音。

毕业于上海复旦大学公共卫生学院的李洁，在基层食品安全监管一线已扎根近30年。说她是“心中有群众、监管有担当、技术有创新”的食品药品安全忠诚卫士，一点儿也不为过。作为上海市践行“三严三实”基层先进典型之一，李洁先后荣立三等功、二等功各一次，并荣获上海市“三八"红旗手和“五一”劳动奖章等荣誉，2002年被评为全国卫生监督先进个人，2015年获全国“三八”红旗手荣誉称号，2016年被评为上海市优秀共产党员。

1998年和2004年，重庆九院先后与当地两个一级医院合并，通过低成本运作实现了医院资产的保值增值、区域卫生资源和市场资源的优化重组。在实施医疗重组过程中，张培林提出了“五合”理论，具体指“合人、合财、合物、合功能、合心”。该理论不仅成为原国家科委全国医院产权制度研究课题，并且原国家科委还将重庆九院的先进理念向全国推广。随后，“五合”理论成为清华大学《医院商学院》经典教材，部分研究成果内容被国务院新医改方案所采纳。

1.1 肠鸣音信号预处理

（一）预算绩效目标编制内部控制。绩效目标编制是预算绩效管理的起点。预算单位根据财政部门下发的预算编制要求编制预算，申报绩效目标，并对本单位提出的绩效目标负责。绩效目标要符合国民经济和社会发展规划、部门职能及事业发展计划等，并与相应的财政支出范围、方向、效果紧密相关，目标设置要指向明确、具体细化、合理可行。财政部门依据国家相关政策、财政支出的方向和重点、部门职能和事业发展规划、部门自评情况等，对预算单位申报的绩效目标进行审核，绩效目标符合要求的项目方可进入预算编制流程；对不符合相关规定的，要求其调整、修改（具体流程如图3）。

国内外文献研究表明，肠鸣音信号的频率主要分布在60～1 200 Hz[8-9]，其随机性强、幅度差别大、受噪声影响明显，这增加了肠鸣音信号的降噪、去干扰和增强的难度。为此，学者们开展了细致的研究，如提出了基于自适应滤波的心音干扰去除方法[10-11]及基于高阶统计量和径向基函数联合处理的成分分离方法[12]等肠鸣音信号预处理方法。DIMOULAS等[13]在广泛分析已有肠鸣音信号处理技术的基础上，提出了一种通用的降噪思路，即先将肠鸣音数据从时域变换到成分较容易区分的其他域上，降噪处理后，再逆变换回时域。小波变换在表现数据频率的同时还保留了数据的时域信息，可用于解构和重构信号[14-15]，非常适用于肠鸣音这种非平稳信号的数据处理[16]。因此本研究采用基于小波变换的多分辨率重构的方法对数据进行降噪处理。

小波变换是信号函数f(t)与在时频域上有良好局部性质的小波函数的内积，如式(1)所示。

其中，a＞0，代表尺度因子；b代表位移因子；*表示复数共轭；是母小波。ψ(t)经位移和伸缩所产生的一簇函数，称为小波基函数。不同的小波基函数有不同的去噪效果，Daubechies小波函数族的形状与肠鸣音信号中时长较短的肠鸣音波形相似，且其能谱集中在低频附近[17]。权衡计算时间与重构的平滑效果后，本研究采用六阶Daubechies小波函数（db6）。

在窗长较短，而波形幅度比较大的情况下，波形幅度最大值和最小值之间的距离会出现比该值大的情况。因此，本研究改进了d的计算方法，将d近似等价于一帧数据中第一个点与其他点的最长的距离和波形幅度最大值和最小值之间的距离这两个距离中较大的值，用计算式表示为：

肠鸣音通常在病房中被采集，这一过程容易引入各种噪声信号，包括室内环境噪声、人体呼吸声及衣服摩擦等，因此肠鸣音的降噪与增强是肠鸣音信号预处理的必备环节。

图中，S表示信号，A表示近似系数（approximation coefficients），即低频分量；D表示细节系数（detail coefficients），即高频分量。第k层小波分量记作Dk，可以看作把信号经过一个频带为[fs/2k+1，fs/2k]的特殊滤波器。

1.2 肠鸣音信号检测

肠鸣音信号的可靠检测有赖于肠鸣音特征的提取，已有文献分别在分型维数特征[2]、高阶统计特征[3]及峰度[18-19]等特征的基础上发展了对应的肠鸣音检测方法。然而，肠鸣音往往具有较为复杂的临床表现，单一特征难以保证检测性能，因此仍需探索更多有效的肠鸣音特征及可靠的检测方法。

此次问卷主要是在微信平台借助问卷星软件进行发放，以某大学大学学生为采集对象，涵盖各年级和各专业，共收回150份答卷，均为有效答卷。

为了正确检测、提取肠鸣音信号片段，本研究提出了一种基于肠鸣音短时能量、分形维数及短时平均过零率的多特征联合检测方法。

1.2.1 短时能量

短时能量是声音信号中常见的特征之一，它反映了一段时间内信号的能量大小。经过上述降噪处理，相比于背景噪声，肠鸣音信号能量明显更强，故计算短时能量可有效分辨肠鸣音。对于第m帧信号x(m)，短时能量定义如式(2)所示。

其中，En表示第n帧信号的短时能量；xw(m)表示加窗后的信号。窗函数的形状及长短直接影响短时能量的性质。

展叶期施肥时间对4个指标的影响均不显著，说明该因素在复色紫薇的施肥策略制定中没有实践意义。花期施肥时间对花期持续天数的影响达极显著水平，对其他3个指标的影响不显著。1水平显著优于2水平，说明始花期追肥的效果要强于盛花期，有利于延长单株花期持续天数。

2010年，为了推动CCUS技术和产业发展，在国际社会提出的CCS（碳捕集和封存）基础上，我国提出CCUS发展理念，构建了一条从“C（捕获）”输送到“U（利用）”或者“S（封存）”的完整链条。国家科技部指出，我国应该以“U”为中心，发展CCUS技术来推动产业发展。这一理念被国际社会广泛接受。

博弈论作为一门具有多个决策主体的优化方法论,已在电力系统规划、电力市场、调度、控制等方面得到了大量应用[7]。在微电网多目标优化问题中的各个目标一般存在竞争关系,每个目标均企图使自身收益最大[8]。将博弈论应用于确定多目标的权重系数中,可以克服已有多目标优化加权系数法受限于决策主观性的不足,通过Nash均衡找到同时满足多个目标的最优权重系数。

短暂性脑缺血发作是常见的神经内科疾病之一，病情最多在24小时内缓解，具有反复发作性，其特点是发病突然、病程短暂、病情可逆[1] 。本病多发生于中老年人群，而随着我国人民生活习惯的改变，人口老龄化趋势的到来，使得老年短暂性脑缺血发作的发病率呈明显升高趋势[2] ，如不能针对本病给予有效的救治，很多患者最终可发展至脑卒中。笔者近年来采用氯吡格雷联合阿司匹林治疗老年短暂性脑缺血发作，取得了满意的效果，现报告如下。

分形维数的思想始于数学领域，是对传统维数概念的一种扩展。常用于研究非线性过程中的随机性和复杂性中存在的规律。肠鸣音信号具有很强的随机性，显然为非线性模型，且其波形复杂度高于背景噪声，利用分形维数的方法可以直接从非线性复杂模型的本身入手，从未经简化和抽象的肠鸣音信号本身分析其规律。

文献[20]和[21]定义了波形的分形维数，并被广泛应用于生物医疗信号处理中，包括心电图、脑电图等。本研究所用短时分形维数在其基础上进行改进，其在保留分形维数特征的同时使计算更简洁。根据该文献，肠鸣音的短时分形维数定义为：

其中，Dn表示第n帧的短时分形维数；N表示一帧数据的长度；Ln表示第n帧信号波形曲线的总长度；dn表示第n帧离散波形的直径，即各点间最长的距离；Ln和dn分别可用式(4)表示。

首先由拾音器阵列收集患者的肠鸣音，并将其转化为电信号，经放大、滤波等预处理后，进行模数转换（analog to digital converter,ADC），最后经由数据传输模块传输到上位机进行后续处理。系统数据采集板的基本参数如表1所示。上位机软件包括两个主要功能：一是通过与数据采集板的交互，实现原始数据的接收存储及采集板的参数设置；二是肠鸣音信号处理，主要包括肠鸣音去噪等预处理、肠鸣音特征提取、多特征联合的肠鸣音检测等。

其中，dist(i，j)表示两点x(i)，x(j)间的距离，Ln为一帧中，每相邻两个点之间距离的累加和；dn为第n帧数据中，每任意两个点之间的距离的最大值。

由于计算一帧数据中任意两个点之间的距离并求其最大值的计算量较大，一些文献[2，3，22]中将dn近似等价于一帧数据中第一个点与其他点的最长的距离。

1.2.2 短时分形维数

基于小波变换的多分辨率重构首先对信号进行小波多分辨率分析，将其分解为不同尺度小波分量，选择由信号占主导的小波分量进行重构，达到降噪的目的。小波分解层数由肠鸣音信号频率特性决定，选择6层分解，分解特性示意如图1所示。

事实上，内部控制是为了达成单位目标（落实到本文是医院目标）而实施的管理制度和管理方法，其强调的是内部控制诸要素。在相应的稳定的控制环境下，特别注重医院面临的来自内部和外部的风险，因此必须进行风险评估，以查处存在的可能威胁，随后进行控制活动。控制活动中强调信息沟通与内部监督，同时注意事先控制、事中控制和事后控制（即反馈控制）。

其中，dist(Amax,Amin)表示第n帧数据中幅度值最大和幅度值最小两点间的距离。

1.2.3 短时平均过零率

短时平均过零率指每帧信号穿过零值的次数，它可以在一定程度上反映频率谱特性，常被用于语音端点检测中。由于肠鸣音信号强弱不一，对于突发的较微弱的肠鸣音，单从短时能量上难以看到明显变化，而其短时平均过零率通常较高，可以作为肠鸣音特征之一，因此，借鉴语音端点检测算法的思想，本研究将短时平均过零率用于肠鸣音信号处理中。短时平均过零率通常用式(7)计算。

最终保胎失败者将流产组织行遗传学分析，有近一半发现染色体异常，提示即使父母染色体正常，前次流产胚胎染色体无异常，再次妊娠因胚胎染色体异常导致流产的可能性仍较高。

其中，Zn表示第n帧信号的短时平均过零率，N为一帧数据的长度，sgn[·]表示符号函数，xw(m)表示经过加窗处理后的信号。由于去噪后的肠鸣音数据仍然存在微弱的噪声信号，其表现为没有肠鸣音存在时，信号在零值附近以微小的幅度不断上下抖动，因此，为了提高算法稳健性，减少噪声干扰，设立门限T，将过零率定义修改为跨过正负门限的次数，修改式(7)为式(8)：

1.2.4 肠鸣音信号检测算法流程

目前，已有的肠鸣音检测算法[23-24]主要将肠鸣音按固定时长进行分割，再检测是否含有肠鸣音，所用算法为对每个等长的肠鸣音片段进行肠鸣音有无的判断，本质上是判断肠鸣音有无的分类算法。本研究提出基于上述特征的多特征联合检测法进行肠鸣音识别，目的是直接检测肠鸣音在数据中的起止时间。本方法通过对肠鸣音短时能量（short-time energy,STE）、分形维数（fractal dimension,FD）及短时平均过零率（zero cross rate,ZCR）三个特征进行多种组合并分别设置自适应阈值来确定联合判断依据，使用多参数三级判决实现，图2提供了本算法流程。

其中第一、二级判决用于判断肠鸣音起始位置，第三级判决用于判断肠鸣音结束时间。第一级判决利用STE和ZCR两个特征参数是否超过阈值进行粗判，若两者中一个特征超过阈值，则判断为可能处于肠鸣音段，并记录位置。

第二级判决则根据STE、ZCR、FD这3个特征组合参数是否超过阈值进行判断。若三者的联合参数超过预设阈值，则判定为进入肠鸣音段，并将肠鸣音起始点或结束点位置定于最近一级判断所记录位置。

第三级判决是进入肠鸣音片段后，根据STE和FD两个特征的组合参数是否超过阈值判断肠鸣音是否结束。考虑到肠鸣音强弱不一或存在短暂停顿的情况，本研究设置了最长静音时间（maximum silence duration,MSD）的参数，即在被判断进入肠鸣音段后，允许存在短暂的静音片段，等持续时间超过最长静音时间的参数时才视为肠鸣音结束。

2 肠鸣音监测系统

本研究采用的肠鸣音检测系统的整体架构如图3所示。

由表3可知，沥青混合料的塑性变形随着油石比的增大而增大，其油石比超过5%后GSI＞1.05，表明沥青含量过量，综合马歇尔体积设计指标，其稳定度在5%是最大值，综合考虑此处工程气候特点，选定最佳油石比为4.8%。

表1 系统数据采集板的基本参数Tab.1 Basic parameters of the system data acquisition board

3 实验数据分析

3.1 实验场景与数据

本研究利用上述便携式多通道肠鸣音监测仪进行临床数据采集，在武汉大学中南医院展开实验，由2名结直肠科医生与笔者进行统一采集和记录。受试对象包括肠道疾病患者（包括肠梗阻、结肠肿瘤等）及健康人，年龄范围为13～81岁，共206位，在病房及手术室进行肠鸣音听诊和数据采集。采集时受试者均为平躺姿势，将一个通道的听诊器头置于受试者脐周，用医用贴纸固定听诊器，另一个通道采集环境声音作为噪声参考信号。采集的肠鸣音数据由专业医生通过肠鸣音标记软件进行标记，记录肠鸣音开始及结束位置，作为标签文件。每位受测者采集的数据长度为5 min，共采集61 800 s数据进行分析。

3.2 信号处理流程

根据上述分析，首先对采集到的肠鸣音数据进行预处理，包括基于小波变换的多分辨率重构和分帧，然后对每帧肠鸣音信号进行短时能量、短时平均过零率、短时分形维数3种特征提取；最后利用多特征联合判断的方法进行肠鸣音检测。

本研究采用六阶Daubechies小波函数（db6）对肠鸣音信号进行6层小波分解，图4和图5展示了亢进型肠鸣音的小波多分辨率分析与重构结果。图4为小波多分辨率分析后不同信号分量对比，其中第一个图为D1分量，由于采样频率为8 000 Hz，因此D1分量表示的频带为2 000～4 000 Hz，D2、D3分量表示500～2 000 Hz，第三个图D4、D5和D6分量表示62.5～500 Hz，最后一个图为A6分量，表示第六层分解的低频分量，即0～62.5 Hz。可以明显看到肠鸣音信号主要集中在62.5～2 000 Hz，因此选择D2、D3、D4、D5和D6分量进行信号重构。

肠鸣音信号重构结果与原始肠鸣音信号的对比如图5所示，可以看到小波多分辨率重构后噪声被有效抑制，去噪效果明显。

对数据预处理后，进行短时能量、短时分形维数、短时平均过零率3种特征的计算，图6展示了亢进型肠鸣音信号的短时能量、短时分形维数、短时平均过零率3种特征。其中红色虚线表示各特征的阈值，阈值根据噪声参考信号计算得到。

3.3 肠鸣音检测结果分析

经过上述信号处理流程后，采用多特征联合判断的方法对肠鸣音信号进行检测，检测结果如图7所示。其中红色和黑色垂直虚线分别表示肠鸣音开始和肠鸣音结束的位置。图7(a)肠鸣音起始位置和结束位置是由两名专业医生根据肠鸣音听诊做的标记，图7(b)肠鸣音起始位置和结束位置为经过算法处理得到的检测结果。对比两图可以发现检测结果与医生听诊结果在误差允许范围内基本吻合。

为了更直观、全面地衡量算法效果，本研究根据肠鸣音的特性，采用准确度和灵敏度作为算法测试指标。其中，准确度是指算法检测的肠鸣音片段正确的概率；灵敏度是指标记的肠鸣音片段被检测出来的概率，评估示意如图8所示。

图8中灰色片段为容错时间，因为肠鸣音的声音强度不一，即使人为标记也具有一定的时间误差，所以为每个标记肠鸣音片段的起止时刻均加上0.2 s的容错时间，当算法检测的起止时刻处于容错时间内，都为检测正确。为了进行算法效果评估，将算法检测为肠鸣音的片段与医生标记为肠鸣音的片段重合部分记为TP，表示正确检测的肠鸣音；TN表示算法检测错误的肠鸣音的片段。FN表示算法误检测为肠鸣音的片段。因此准确度(A)和灵敏度(S)分别可以用式(9)、式(10)进行计算。

通过对61 800 s含标签文件的肠鸣音数据进行算法检测，得到该算法的准确率A为83.51%，灵敏度S为72.23%。由于肠鸣音的强弱及长短不一，很难标记量化界定肠鸣音的起止，本方法对于肠鸣音的检测效果是依据于医生对肠鸣音数据的标记来进行评估的，因此存在一定的误差在理论上是可以接受的。

肠鸣音的检测是提取肠鸣音信号以对肠道疾病进行诊断及肠道手术后恢复情况进行监测的关键环节，本研究所提的算法无须将肠鸣音提前分段，而且在检测肠鸣音的同时可以实现肠鸣音起止位置的定位，能较准确地提取完整的肠鸣音信号，更适用于肠鸣音实时监测系统中的肠鸣音提取，且在大量数据的验证下取得了较好的效果。

收集引产胎儿尸体解剖结果，随访胎儿出生后临床症状以及超声心动图和心脏CTA检查结果，比较产前筛查结果与解剖或CTA结果的差异，并分析出现差异的原因以及常见血管环在心脏切面的超声心动图特征。

4 结束语

详细介绍了基于肠鸣音监测系统的多特征联合判断的肠鸣音检测算法。对肠鸣音信号处理流程进行了详细的说明：采用基于小波变换的多分辨率重构方法进行预处理，再计算3种特征联合多特征判断进行肠鸣音检测，通过实验数据处理及算法评估验证了算法的有效性，其准确度和敏感度分别达到83.51%和72.23%。本肠鸣音监测检测算法已用于临床数据采集与分析，可为医生对患者的肠道功能诊断及患者术后肠道功能恢复的监测等提供有价值的参考结果，减轻医生工作量。本研究为肠鸣音的进一步分析及自动分类等算法研究奠定了基础并提供了数据支持。