鐘麗莎，萬江中，黃志偉，郭興明，段赟

1 瀘州醫(yī)學(xué)院生物醫(yī)學(xué)工程系，瀘州市，646000

2 重慶大學(xué)生物工程學(xué)院，重慶市，400044

3 第四軍醫(yī)大學(xué)唐都醫(yī)院，西安市，710000

0 引言

隨著社會的發(fā)展，安全問題日趨重要。用人類生物特征并結(jié)合計算機(jī)技術(shù)進(jìn)行安全驗證的生物特征識別技術(shù)已成為當(dāng)今的熱門課題。近年來，生物識別技術(shù)得到國內(nèi)外研究學(xué)者的探索和認(rèn)可，出現(xiàn)了各種各樣的生物識別技術(shù)并逐步推廣應(yīng)用，如聲紋識別、指紋識別、DNA識別、虹膜識別、人臉識別等[1]。目前盡管這些識別技術(shù)已經(jīng)應(yīng)用到許多領(lǐng)域，但都存在著一個共同的問題，很容易被偽造和復(fù)制，不能夠達(dá)到較高的安全性。

人體的一些重要生理信號具有唯一性，代表了個體獨(dú)一無二的特性，其最大的優(yōu)點(diǎn)是很難被偽造或者復(fù)制，因此作為身份識別的特征信號具有更高的安全性。目前已經(jīng)出現(xiàn)將誘發(fā)腦電信號和心電信號用于身份識別的研究，并取得了較好的成果[2-4]。然而腦電和心電的采集需要放置較多的電極，尤其是腦電，對采集條件要求較高，一般很難準(zhǔn)確采集。心音信號只需要一個心音傳感器便可采集，相對心電和腦電等生理信號應(yīng)用于身份識別來說，硬件實現(xiàn)容易，操作簡單易行。國內(nèi)外也有利用心音信號進(jìn)行身份識別的研究。Francesco等[5-6]對心音主要成分第一心音（S1）和第二心音（S2）進(jìn)行頻譜分析，證明心音信號可以表征獨(dú)一無二的生理特性，初步探索心音信號生物識別，但該方法只適用小樣本的情況，不能滿足實際應(yīng)用的要求。Koksoon等[7]提取心音信號的線性頻帶倒譜系數(shù)，實現(xiàn)了心音信號的身份識別。但實驗樣本量較少，僅采用10個人的心音信號，并且在預(yù)處理中僅使用帶通濾波器對心音信號進(jìn)行濾波處理，影響了識別的效果。

本文針對以上研究的不足，利用近年來廣泛用于模式識別領(lǐng)域的高斯混合模型對心音信號進(jìn)行建模和識別，采集50名受試者的心音信號進(jìn)行測試，實驗結(jié)果表明該算法能有效提高心音生物識別系統(tǒng)的識別性能。

1 心音信號的預(yù)處理

在進(jìn)行實驗前需要對心音信號進(jìn)行預(yù)處理，圖1所示為預(yù)處理結(jié)構(gòu)圖。

圖1 預(yù)處理結(jié)構(gòu)圖Fig.1 Pretreatment structure diagram

1.1 預(yù)加重

在實際信號分析中常采用預(yù)加重技術(shù)，即在對信號取樣之后，插入一個一階的高通濾波器，以濾除低頻干擾，突出更為有用的高頻部分的頻譜。本實驗將心音信號通過數(shù)字濾波器，其系統(tǒng)函數(shù)為H(z)=1-az-1，其中a為預(yù)加重因子，典型值范圍是0.94～0.97。

1.2 小波去噪

心音信號是利用儀器通過體表采集到的生理信號，不可避免地引入噪聲，包括環(huán)境噪聲、工頻干擾噪聲、儀器工作自身的噪聲等。為了更好地避免噪聲信號對實驗的影響，在提取心音信號的特征參數(shù)前首先對信號進(jìn)行去噪[8]。

心音信號是短時非平穩(wěn)信號，有用成分在低頻段約200 Hz以內(nèi)，而噪聲信號則通常表現(xiàn)為高頻信號。因此，可以利用小波變換把心音信號的能量集中到較低頻段的頻帶上，再將較高頻段的小波系數(shù)置零，便能有效抑制噪聲。具體步驟是先對原始信號進(jìn)行小波分解：

其中S是原始信號，cAi為分解的低頻成分，cDi為分解的高頻成分，i是分解層數(shù)。噪聲通常在高頻成分cDi中，通過設(shè)置門限閾值對小波系數(shù)處理，重構(gòu)信號后便可實現(xiàn)去噪的目的[9]。

小波去噪的關(guān)鍵是選擇合適的小波基和閾值。本文通過反復(fù)實驗，選取了對心音信號去噪效果較好的coif3小波和heursure閾值方法。

1.3 分幀和加窗

心音信號是一種短時非平穩(wěn)信號，要對其進(jìn)行短時分析，需要對信號進(jìn)行分幀處理，本文取幀長20 ms，幀移10 ms，在這段時間內(nèi)可以認(rèn)為心音信號是平穩(wěn)的，非時變的。分幀使用滑動的窗口進(jìn)行加權(quán)來實現(xiàn)的。實驗中使用的是哈明窗（hamming）。

1.4 端點(diǎn)檢測

為了在復(fù)雜環(huán)境下的信號流中提取心音信號，定位其主要成分第一心音（S1）和第二心音（S2）的起止位置，進(jìn)行信號端點(diǎn)檢測。端點(diǎn)檢測的精確性直接關(guān)系到特征參數(shù)提取的有效性，將影響整個識別系統(tǒng)的魯棒性，同時還可以減少后面識別處理的數(shù)據(jù)量，降低系統(tǒng)運(yùn)行時間。本文采用兩級判斷法VUS（Voice Unvoice Silence）算法進(jìn)行端點(diǎn)檢測，該算法實現(xiàn)簡單，運(yùn)算量小。

通過小波去噪的方法和端點(diǎn)檢測可以只提取心音中的有用信號部分，這樣雖然無法保證得到的特征參數(shù)長度一致，但卻大大降低了運(yùn)算量，節(jié)省了訓(xùn)練時間，并提高了識別率。

2 特征參數(shù)提取

特征參數(shù)提取是本文提出的識別系統(tǒng)中的一個重要模塊。心音信號中含有個體的豐富信息，特征提取就是對心音信號進(jìn)行分析處理，獲取影響識別效果的重要信息。通過提取每幀信號的特征參數(shù)，利用GMM模型進(jìn)行訓(xùn)練和識別。本文采用了常用LPCC和MFCC作為識別的特征參數(shù)，對比實驗表明，LPCC能比MFCC更好地提高系統(tǒng)的識別率。

2.1 線性預(yù)測倒譜系數(shù)（Prediction Cepstral Coefficients,LPCC）

倒譜是信號Z變換的對數(shù)模函數(shù)的反Z變換，一般通過信號的傅里葉變換取模的對數(shù)，再求反傅里葉變換得到。本文LPCC參數(shù)是通過全極點(diǎn)模型對線性預(yù)測系數(shù)（LPC）遞推所得到的[10]。LPCC求解的遞推公式如下：

式中，a1,a2,...ap為p階LPC的特征向量。c1,c2,...cp為倒譜系數(shù)的前p個值。LPCC的階數(shù)不超過p，用第②式計算；如果LPCC階數(shù)大于p，則用第③式計算。LPCC系數(shù)的提取過程如圖2所示。

圖2 LPCC的提取過程Fig.2 The extraction process of LPCC

2.2 Mel頻率倒譜系數(shù)(hidden Markov model,MFCC)

MFCC是目前廣泛應(yīng)用于語音相關(guān)識別中的特征參數(shù)，它利用了人耳聽覺頻率非線性特性，在噪聲環(huán)境中具有其它特征參數(shù)無可比擬的優(yōu)勢。MFCC與線性頻率的轉(zhuǎn)換關(guān)系如下：

MFCC按幀進(jìn)行計算，其提取過程如圖3所示。

圖3 MFCC的提取過程Fig.3 The extraction process of MFCC

3 高斯混合模型

高斯混合模型（Gaussian Mixture Model，GMM）是近年來生物識別采用的主流的技術(shù)，它是單一高斯概率密度函數(shù)的延伸[11]，由于GMM能夠平滑地近似任意形狀的密度分布，因此在語音識別中得到廣泛的應(yīng)用。

基于高斯混合模型的心音識別系統(tǒng)的基本原理就是對每一個受試者的心音建立一個概率模型（高斯混合模型），該概率模型中的參數(shù)是由心音信號的特征參數(shù)分布決定的，表征了受試者的身份。識別時，將待識別心音信號的特征參數(shù)與訓(xùn)練的模板進(jìn)行匹配，計算得到的最大似然函數(shù)值對應(yīng)的就是識別結(jié)果?；谛囊粜盘柕纳镒R別系統(tǒng)流程圖如圖4所示。

圖4 基于心音的生物識別系統(tǒng)流程圖Fig.4 System flowchart based on heart sounds biometric

3.1 GMM的訓(xùn)練算法

G M M 參數(shù)的訓(xùn)練采用最大似然估計(Expectation maximization,EM)算法。設(shè)心音信號的訓(xùn)練特征矢量序列為X={xt,t=1,2,...,T}，它對于模型λ的似然度為：

訓(xùn)練的目的就是找到一組使P(X|λ)最大的參數(shù)λ：

P(X|λ)最大參數(shù)估計可以利用EM算法迭代計算得到。EM算法的基本思想是從初始模型參數(shù)λ來訓(xùn)練估計出新的參數(shù)滿足如下條件：

再以新的模型參數(shù)作為當(dāng)前參數(shù)來訓(xùn)練，以此迭代運(yùn)算直至模型收斂。

3.2 GMM的識別算法

在本文設(shè)計的識別系統(tǒng)中，設(shè)有S個識別對象，每個識別對象用一個GMM模型來代表，分別為λk，k=1,2…S。在對其進(jìn)行身份識別時，目的就是對一個觀測序列X，找到使之有最大后驗概率的模型所對應(yīng)的受試者λk，即：

假定Pγ(λk)=1/S，每個受試者等概率，P(X)對每個受試者而言是相同的，因此，上式可以簡化為：

如果使用對數(shù)得分，且按式（5）假定，心音身份識別的任務(wù)就是計算下式：

4 仿真實驗及結(jié)果分析

心音信號采集的儀器是由重慶博精醫(yī)學(xué)信息研究所生產(chǎn)的“運(yùn)動心力監(jiān)測儀”。該儀器的采樣頻率是11025 Hz，所采集的信號以wav文件的格式保存。心音信號采集時注意，心音脈搏傳感器必須放置在心前區(qū)心尖搏動最明顯處。實驗受試者為50個健康人，無任何心血管疾病。在記錄受試者心音圖時，要求受試者處于靜息狀態(tài)。每位受試者均采集兩段心音信號，共100個心音信號，且兩次采集的時間間隔大于24 h。

4.1 心音信號預(yù)處理

本文采用雙門限端點(diǎn)檢測算法，在開始端點(diǎn)檢測前，先要分別為短時能量和過零率確定兩個門限。如果信號的能量或過零率超過了低門限，就開始標(biāo)記起始點(diǎn)，進(jìn)入過渡段。在過渡段中，由于心音信號的參數(shù)數(shù)值比較小，不能確定是否進(jìn)入了有用信號段，只要兩個參數(shù)的數(shù)值都回落到低門限以下，就將當(dāng)前狀態(tài)認(rèn)為是無用信號段，而如果在過渡段中兩個參數(shù)中的任一個超過了高門限，就可以確信進(jìn)入了有用信號段。檢測結(jié)果如圖5所示。

圖5 心音信號的端點(diǎn)檢測結(jié)果Fig.5 Heart sound signal endpoint detection results

4.2 小波去噪對識別結(jié)果的影響

本文選擇coif3小波對心音信號進(jìn)行5層小波分解和重構(gòu)，實驗結(jié)果表明能夠去除噪聲分量，有效地保留了信號的有用成分，對比結(jié)果如圖6所示。

圖6 小波去噪前后的信號對比Fig.6 The signal contrast before and after wavelet denoising

從圖6可以看出，小波去噪除去心音信號中很多干擾和噪聲等無用的成分，保留信號的有用成分。提取去噪后的心音信號的特征參數(shù)，能夠更好地保留表征個體的身份特征有用信息。GMM模型進(jìn)行樣本訓(xùn)練時采用EM算法，最大迭代次數(shù)設(shè)置為40次，訓(xùn)練時間大約(3～4) min。然后進(jìn)行樣本識別，GMM模型識別時間在(0.3～0.5) s。心音信號小波去噪前后系統(tǒng)識別性能對比如表1所示：

表1 小波去噪前后的識別性能對比Tab.1 Identify performance comparison before and after wavelet denoising

從表1可以看出經(jīng)過小波去噪，系統(tǒng)識別率明顯的提高從76.5%提高到89.0%，并大大縮短了訓(xùn)練時間。

4.3 特征參數(shù)對識別結(jié)果的影響

GMM模型進(jìn)行心音身份識別時，選擇LPCC和MFCC兩種特征參數(shù)進(jìn)行對比實驗。這兩種特征參數(shù)對于GMM模型識別率和訓(xùn)練時間影響的結(jié)果對比如表2所示。

表2 LPCC和MFCC對模型識別性能的影響Tab.2 LPCC and MFCC impact on model identification

通過對比實驗發(fā)現(xiàn)，對于心音信號來說，選用LPCC參數(shù)可以得到比MFCC參數(shù)更高的識別率，而且訓(xùn)練時間更短些，更能滿足一些場合對實時性的要求。

5 結(jié)論

本文采用GMM的方法實現(xiàn)了基于心音信號的身份識別，并通過實驗驗證了該方法的有效性。實驗主要分為以下兩部分：通過在預(yù)處理中加入小波去噪提高心音信號的信噪比，顯著提高了系統(tǒng)的識別率。通過對比LPCC和MFCC兩種特征參數(shù)，發(fā)現(xiàn)LPCC更適合用于基于心音信號的生物識別中，不僅取得了更高的識別率，訓(xùn)練和識別的時間也比較短，在一些實時性要求較高的場合可以得到更廣泛的使用。本文研究尚處于初步階段，鑒于異常心音和心臟雜音出現(xiàn)的病理信號的復(fù)雜性，只進(jìn)行了將正常的心音信號應(yīng)用于身份識別，下一步將探索異常心音信號的識別，進(jìn)一步完善該系統(tǒng)。

[1]Jain A K,Ross A,Prabhakar S.An introduction to biometric recognition[J].IEEE Trans Circuits Syst Video Technol,2004,14(1):4-20.

[2]Saechia S,Koseeyaporn J,Wardkein P.Human identification system based ECG signal[C].TENCON 2005:1-4.

[3] Israel SA,Irvine JM,Cheng A,et al.ECG to identify individuals [J].Pattern Recogn,2005,38(1):133-142.

[4] Das K,Zhang Sheng,Giesbrecht B,et al.Using rapid visually evoked EEG activity for person identificatioin[J].EMBS 2009(13):2490-2493.

[5] Beritelli F,Serrano S.Biometric identification based on frequency analysis of cardiac sounds[J].IEEE T Inf Foren Sec,2007,2(3):596-604.

[6] Beritelli F,Spadaccini A.Human identity verification based on Mel frequency analysis of digital heart sounds[C].DSP 2009:765-769.

[7]Phua K,Chen JF,Dat TH,et al.Heart sound as a biometric[J].Pattern Recogn,2008,4(3):906-919.

[8] 郭興明,吳玉春,肖守中.自適應(yīng)提升小波變換在心音信號預(yù)處理中的應(yīng)用[J].儀器儀表學(xué)報,2009,30(4):802-806.

[9] 薛年喜.MATLAB在數(shù)字信號處理中的應(yīng)用[M].北京:清華大學(xué)出版社,2008.

[10]Biswas S,Ahmad S.Speaker identification using cepstral based features and Discrete Hidden Markov ModelC].IETICT,2007:303-306.

[11]Liu Minghui,Xie Yanlu,Yao Zhiqiang,et al.A new hybrid GMM/SVM for speaker verification[C].ICPR,2006.

[12]Thomas F Quatieri .離散時間語音信號處理——原理與應(yīng)用[M].趙勝輝,劉家康,謝湘[譯].北京:電子工業(yè)出版社,2004.