摘 要： 為了對(duì)臨床采集的含噪聲呼吸音信號(hào)進(jìn)行降噪，探討了基于小波多分辨率分解和重構(gòu)的兩種方法：基于小波的自適應(yīng)閾值（AWT）降噪方法和基于平穩(wěn)?非平穩(wěn)濾波技術(shù)（ST?NST）降噪方法。AWT將呼吸音作為噪聲先行去除，通過(guò)參數(shù)調(diào)解，對(duì)采集信號(hào)每一層高頻小波系數(shù)自適應(yīng)的進(jìn)行閾值量化；ST?NST通過(guò)平穩(wěn)?非平穩(wěn)濾波技術(shù)將呼吸音和心音分離到兩個(gè)空間，分別通過(guò)重構(gòu)兩個(gè)空間的小波系數(shù)，重構(gòu)出呼吸音。通過(guò)對(duì)標(biāo)準(zhǔn)信號(hào)及對(duì)臨床采集呼吸音提取實(shí)驗(yàn)，ST?NST對(duì)正常人支氣管呼吸音降噪、AWT對(duì)哮喘病人哮鳴音降噪分別都有很好的效果。以上兩種方法，具有較強(qiáng)的實(shí)用價(jià)值，可以得到高信噪比的呼吸音信號(hào)，為后續(xù)呼吸音特征提取和分類(lèi)提供了基礎(chǔ)。

關(guān)鍵詞： 呼吸音； 心音； 小波自適應(yīng)閾值； 平穩(wěn)?非平穩(wěn)濾波技術(shù)； 降噪

中圖分類(lèi)號(hào)： TN911.72?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2016）03?0018?05

Research on wavelet transform based new denoising methods for respiratory sound

QIN Guojin1， WU Zhaoping2， WANG Xinping2， FANG Yu1， WANG Haibin1， GAN Fengping1

（1. College of Electrical Engineering and Electronic Information， Xihua University， Chengdu 610039， China；

2. Medicine of Respiration， The No. 452 Hospital of PLA， Chengdu 610021， China）

Abstract： To denoise the noise?involved respiratory sound signal， which is collected from the clinic， two denoising methods based on the wavelet multi?resolution decomposition and reconstruction are discussed， one is based on the adaptive wavelet threshold （AWT）， and another is based on the stationary?non?stationary filtering technology. The respiratory sound as the noise is eliminated with the former method， and then the threshold quantization for the high?frequency wavelet coefficient of each layer of the acquisition signal is conducted by parameter mediation. The respiratory sound and heart sound are separated into two spaces by the stationary?non?stationary filtering technology， and then the respiratory sound is reconstructed by reconstructing the wavelet coefficients of the two spaces. The extraction experiments of standard signals and respiratory sound collected from the clinic were conducted. The experiment results show that the method based on the stationary?non?stationary filtering technology has good effect on bronchial respiratory sound denoising for the normal patients， and the method based on AWT has good effect on wheezing denoising for the asthma patients. The two methods have strong practical value， and can obtain high SNR respiratory sound signal， which provides the foundation for subsequent feature extraction and classification of the respiratory sound.

Keywords： respiratory sound； heart sound； AWT； stationary?non?stationary filtering technology； denoising

0 引 言

隨著大氣污染加劇，空氣受到嚴(yán)重污染，環(huán)境問(wèn)題越來(lái)越成為大眾關(guān)心的話題。隨之而來(lái)的呼吸系統(tǒng)疾病，更是民眾關(guān)心的熱點(diǎn)。呼吸音即肺音，呼吸音是人體呼吸系統(tǒng)與外界在換氣過(guò)程中產(chǎn)生的生理聲信號(hào)，它蘊(yùn)含著呼吸系統(tǒng)的生理學(xué)、病理學(xué)信息。呼吸音信號(hào)所蘊(yùn)含的信息在一定程度上為醫(yī)生臨床診斷提供了幫助[1]。近十幾年來(lái)，很多學(xué)者應(yīng)用現(xiàn)代信號(hào)處理方法，對(duì)呼吸音信號(hào)進(jìn)行處理和分析，取得了很大的進(jìn)展。其中呼吸音降噪一直是學(xué)者關(guān)注的熱門(mén)課題。呼吸音信號(hào)中，最大的干擾源為心音信號(hào)，由于呼吸音的頻率為100～1 000 Hz，心音信號(hào)的頻率[2]為5～600 Hz，通常利用通帶為100～1 000 Hz的帶通濾波器去除心音信號(hào)，雖然在一定程度上可以去除心音干擾，但是在兩種聲音頻率重疊部分，心音信號(hào)仍然有很大的干擾。自適應(yīng)干擾消除法雖然能在一定程度上提高降噪效果，但是需要同時(shí)采集心電信號(hào)作為參考信號(hào)[3]。本文針對(duì)呼吸音信號(hào)的特點(diǎn)，提出了兩種基于小波多分辨率分解和重構(gòu)的呼吸音降噪方法：一種是基于小波的自適應(yīng)閾值降噪方法；另一種是基于平穩(wěn)?非平穩(wěn)濾波技術(shù)的降噪方法。兩種方法降噪，均不需要采集心電信號(hào)作為參考信號(hào)，在一定程度上還能實(shí)現(xiàn)心肺音分離。為后續(xù)呼吸音信號(hào)特征提取和分類(lèi)提供基礎(chǔ)。

1 呼吸音信號(hào)采集

1.1 呼吸音

呼吸音分為正常呼吸音和異常呼吸音，正常呼吸音有支氣管呼吸音、支氣管肺泡呼吸音、肺泡呼吸音；異常呼吸音主要有干啰音和濕羅音[4?6]。其中哮鳴音就是屬于干啰音的一種。

肺音源由三種噪聲序列組成：非高斯白噪聲是正常呼吸音的肺音源；間歇性隨機(jī)脈沖是啰音的肺音源；周期性脈沖是產(chǎn)生哮鳴音的肺音源[4，7]。肺音源是由這三種音源中的一種或者兩種或者三種疊加，通過(guò)胸腔形成的胸肺系統(tǒng)，并在不同環(huán)節(jié)疊加心音，肌肉噪聲，皮膚噪聲等干擾信號(hào)而形成的信號(hào)，如圖1所示。

1.2 呼吸音采集的裝置

數(shù)字聽(tīng)診裝置是由本研究室和日本山口大學(xué)機(jī)電一體化研究室共同研制，該呼吸音采集部分由聽(tīng)診頭（Littman，ClassicIISE）、耳機(jī)及IC錄音機(jī)（Olympis，Voice?Trek V?51）組成，可以邊聽(tīng)診邊錄音。其中錄音機(jī)的采樣頻率為44.1 kHz。

在醫(yī)生的指導(dǎo)下，正常人選擇環(huán)狀軟骨下三角區(qū)[8]進(jìn)行采集；臨床病人，為了能夠快速尋找病人肺部病變位置，選擇肺部7個(gè)部位同時(shí)進(jìn)行采集，以采集到病變部位呼吸音，采集部位如圖2所示。

采集呼吸音時(shí)，保持測(cè)試環(huán)境安靜，要求測(cè)試者平躺或者坐立，保持均勻呼吸，測(cè)試時(shí)間為10 s。

從采集到的實(shí)際信號(hào)分析，最主要的干擾來(lái)源為心音信號(hào)。

2 小波閾值降噪基本原理和方法

2.1 小波降噪的基本原理

小波降噪是目前對(duì)信號(hào)進(jìn)行降噪的一個(gè)非常重要的方法之一。

一個(gè)含有噪聲的信號(hào)模型如下：

[s（n）=f（n）+σ?e（n）] （1）

式中：[s（n）]是含有噪聲的信號(hào)；[f（n）]為有用信號(hào)；[e（n）]為噪聲；[n]為等間隔的時(shí)間；[σ]為噪聲水平。

小波降噪包括三個(gè)基本的步驟：首先對(duì)信號(hào)進(jìn)行小波多分辨率分解；然后選定閾值對(duì)各層小波系數(shù)進(jìn)行閾值處理；最后對(duì)信號(hào)進(jìn)行小波多分辨率重構(gòu)。

2.2 呼吸音信號(hào)的小波降噪方法

基于呼吸音特點(diǎn)，本文提出一種基于小波的自適應(yīng)閾值降噪方法。該方法提出了一種新的局部自適應(yīng)閾值，其閾值定義如式（2）所示：

[λj=σj2logNsjl+bj， j=1，2，…，l] （2）

式中：[N]為信號(hào)的采樣點(diǎn)數(shù)；[l]是小波分解層數(shù)；[j]是閾值所在的層；[s]為大于等于2的整數(shù)，[s]通常取值2。

實(shí)際采集到的呼吸音信號(hào)，最主要的干擾源為心音，結(jié)合呼吸音音源是噪聲序列的特點(diǎn)，本文提出，首先將呼吸音作為噪聲，進(jìn)行小波自適應(yīng)閾值降噪，得到比較純凈的心音信號(hào)；然后利用采集到的呼吸音信號(hào)減去得到的比較純凈的心音信號(hào)，最終得到相對(duì)純凈的呼吸音信號(hào)。呼吸音信號(hào)小波自適應(yīng)閾值降噪原理圖，如圖3所示。

2.3 平穩(wěn)?非平穩(wěn)濾波技術(shù)

心音和呼吸音信號(hào)都屬于非平穩(wěn)信號(hào)[9]，但是對(duì)于心音信號(hào)，呼吸音信號(hào)是相對(duì)平穩(wěn)的信號(hào)。所以提出了基于小波多分辨率分解和重構(gòu)的[10?11]平穩(wěn)?非平穩(wěn)濾波技術(shù)[12?13]降噪算法。將呼吸音信號(hào)和心音信號(hào)分離到兩個(gè)子空間，分別進(jìn)行重構(gòu)，得到呼吸音信號(hào)。

將心音和呼吸音通過(guò)小波多分辨率分解，把采集到的信號(hào)分解到兩個(gè)子空間上。呼吸音信號(hào)經(jīng)小波變換后的幅值隨尺度的增大而快速減小，而心音信號(hào)卻呈現(xiàn)出截然不同的變化。首先對(duì)呼吸音信號(hào)進(jìn)行m尺度分解（m=[log N，]N為信號(hào)長(zhǎng)度）。根據(jù)每一個(gè)空間的小波系數(shù)，設(shè)定一個(gè)硬閾值[Tk，j=σk，j?Fadj]（[σk，j]為該空間小波系數(shù)的標(biāo)準(zhǔn)偏差，[Fadj]為調(diào)整參數(shù)），將小波系數(shù)與閾值做比較，小波系數(shù)>[Tk，j]存入到心音空間[R，]小波系數(shù)<[Tk，j]存入到呼吸音空間[C。]對(duì)[C]繼續(xù)進(jìn)行小波多分辨率分解，循環(huán)上述過(guò)程，直至滿足停止條件STC，如式（3）：

[STC=ER2k-1λ-ER2kλ<ε， 0<ε≤1] （3）

式中[ε]通常取值為0.000 1，經(jīng)過(guò)k（k=1，2，…，L）次迭代后，分別重構(gòu)混合信號(hào)中的呼吸音信號(hào)[DNBS（λ）=CL（λ）]和心音信號(hào)[HSNλ=k=1LRk（λ）]。平穩(wěn)?非平穩(wěn)濾波技術(shù)原理圖，如圖4所示。

3 呼吸音降噪實(shí)驗(yàn)分析

3.1 方法討論

為了驗(yàn)證小波的自適應(yīng)閾值降噪和平穩(wěn)?非平穩(wěn)濾波技術(shù)降噪的降噪效果，本文用信噪比（Signal Noise Ratio，SNR）和均方根誤差（Root Mean Square Error，RMSE）兩個(gè)指標(biāo)評(píng)價(jià)兩種算法的有效性[14]。同時(shí)對(duì)兩種算法以及帶通濾波器的降噪效果進(jìn)行對(duì)比。

信號(hào)的SNR參數(shù)越大，表明降噪后的信號(hào)越接近于原始信號(hào)，即降噪效果越好：

[SNR=10lg is2（i）is（i）-f（i）2] （4）

信號(hào)的RMSE越小，表明降噪信號(hào)的偏差越小，也就是降噪后的信號(hào)越接近原始信號(hào)，表明降噪效果越好：

[RMSE=1Ni=1Ns（i）-f（i）2] （5）

在式（4），式（5）中[f（i）]為原始信號(hào)；[s（i）]為降噪后信號(hào)。

3.2 標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)呼吸音降噪討論

本文的標(biāo)準(zhǔn)心音和呼吸音均來(lái)自美國(guó)3M Littmann Stethoscopes數(shù)據(jù)庫(kù)。因?yàn)閷?shí)際采集到的呼吸音中，最主要的干擾來(lái)源是心音，心音屬于加性噪聲，所以分別將心音與一個(gè)周期的支氣管呼吸音、哮鳴音疊加，產(chǎn)生混合有心音的呼吸音信號(hào)，信號(hào)的采樣頻率為4 kHz。對(duì)呼吸音信號(hào)進(jìn)行小波自適應(yīng)閾值降噪處理、平穩(wěn)?非平穩(wěn)濾波技術(shù)降噪處理、通帶為100～1 000 Hz的帶通濾波器處理。

在多次參數(shù)試驗(yàn)中，兩種呼吸音分別應(yīng)用兩種提取方法，調(diào)節(jié)thresh或Fadj后，信號(hào)的SNR和RMSE如圖5，圖6所示。

通過(guò)多次試驗(yàn)，以SNR為標(biāo)準(zhǔn)，AWT閾值thresh和ST?NST調(diào)整參數(shù)Fadj的選取如表1所示。

此外，從圖5可以看出，在支氣管呼吸音的降噪中，ST?NST的SNR更大、RMSE更小，ST?NST更適合支氣管呼吸音提?。粡膱D6可以看出，在哮鳴音的降噪中，AWT的SNR更大、RMSE更小，AWT更適合哮鳴音提取。

三種方法提取標(biāo)準(zhǔn)的支氣管呼吸音和哮鳴音的結(jié)果，如圖7，圖8所示。不同呼吸音在三種方法下的信噪比和均方誤差如表2所示。

從表2，圖7，圖8得出，雖然帶通濾波器相對(duì)有效地去除了部分心音信號(hào)干擾，但是仍存在較大心音干擾，且兩種呼吸音去噪的SNR均為負(fù)，表明去噪后的信號(hào)中仍存在較大的噪聲，且RMSE也大于AWT和ST?NST。

3.3 實(shí)測(cè)呼吸音降噪

本文應(yīng)用AWT，ST?NST和通帶為100～1 000 Hz的帶通濾波器分別對(duì)實(shí)測(cè)正常人呼吸音、實(shí)測(cè)哮喘病人呼吸音進(jìn)行降噪。實(shí)驗(yàn)中對(duì)采集到的信號(hào)進(jìn)行多次分頻，使得信號(hào)的采樣頻率為4 008 Hz，時(shí)間為10 s。AWT，ST?NST在進(jìn)行降噪前，先用通帶為5～1 000 Hz的濾波器去除低頻和高頻的其他噪聲，使得信號(hào)中大部分只包含呼吸音和心音信號(hào)。正常人呼吸音降噪如圖9所示，其呼吸音來(lái)自西華大學(xué)生物醫(yī)學(xué)研究室同學(xué)的環(huán)狀軟骨下三角區(qū)。哮喘病人呼吸音降噪如圖10所示，其呼吸音來(lái)自解放軍第452醫(yī)院發(fā)作期哮喘患者的環(huán)狀軟骨下三角區(qū)。從圖中可以看出，AWT和ST?NST對(duì)實(shí)際信號(hào)降噪優(yōu)于帶通濾波器；AWT和ST?NST降噪中，對(duì)比降噪前后的波形，不難發(fā)現(xiàn)，呼吸音信號(hào)降噪后的波形明顯比降噪前清晰，呼吸周期更加明顯，呼、吸氣相轉(zhuǎn)換點(diǎn)清晰，便于后續(xù)研究中的特征提取和分析。

4 結(jié) 語(yǔ)

本文針對(duì)傳統(tǒng)的帶通濾波器降噪效果不理想以及自適應(yīng)干擾消除法需要采集心電信號(hào)作為參考信號(hào)的不足，本文提出了小波自適應(yīng)閾值降噪方法和平穩(wěn)?非平穩(wěn)濾波降噪方法。為了能夠快速尋找病人肺部病變位置，提出對(duì)肺部7個(gè)位置的呼吸音進(jìn)行同時(shí)采集。在小波自適應(yīng)閾值降噪方法中，提出將呼吸音看做噪聲先行去除的思想，在實(shí)際降噪過(guò)程中，不難發(fā)現(xiàn)降噪效果明顯優(yōu)于傳統(tǒng)的降噪方法；其次，在對(duì)呼吸音降噪方法中，針對(duì)不同音源的呼吸音信號(hào)采用不同的方法降噪，正常人呼吸音降噪采用ST?NST，哮喘病人哮鳴音降噪采用AWT；最后，兩種算法都能實(shí)現(xiàn)一定程度的心音肺音分離，為后續(xù)呼吸音特征提取分類(lèi)和心肺音結(jié)合研究提供了一定基礎(chǔ)。

參考文獻(xiàn)

[1] 徐涇平，陳啟敏，閔一健，等.肺音信號(hào)的同態(tài)處理[J].信號(hào)處理，1993（4）：199?204.

[2] 姚小靜，王洪，李燕，等.肺音信號(hào)分析及其識(shí)別方法的研究進(jìn)展[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2013（12）：95?100.

[3] 呂揚(yáng)生，劉文暉，秦光俠.肺音信號(hào)中心音干擾的自適應(yīng)消除[J].中國(guó)醫(yī)療器械雜志，1990（3）：129?131.

[4] 周冬生.肺音信號(hào)的特征提取與模式識(shí)別[D].濟(jì)南：山東大學(xué)，2005.

[5] 牛海軍，萬(wàn)明習(xí)，王素品，等.不同種類(lèi)肺音信號(hào)的雙譜分析[J].儀器儀表學(xué)報(bào)，2001（5）：486?490.

[6] 陸燕芳，羅曉松，何巧，等.肺音研究動(dòng)態(tài)[J].電聲技術(shù)，1988（5）：24?30.

[7] 牛海軍，萬(wàn)明習(xí)，王素品，等.基于高階累計(jì)量的肺音信號(hào)AR模型參數(shù)和雙譜估計(jì)[J].生物物理學(xué)報(bào)，2000（4）：741?747.

[8] 辛?xí)苑?，殷凱生，黃小平.肺音錄取和頻譜分析系統(tǒng)的建立及其應(yīng)用[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2000（2）：236?239.

[9] 劉毅，張彩明，趙玉華，等.基于多尺度小波包分析的肺音特征提取與分類(lèi)[J].計(jì)算機(jī)學(xué)報(bào)，2006（5）：769?777.

[10] HADJILEONTIADIS L J， PANAS S M. Nonlinear separation of crackles and squawks from vesicular sounds using third?order statistics [C]// Proceedings of the 18th IEEE Annual International Conference on Engineering in Medicine and Biology Society. Amsterdam： IEEE， 1996， 5： 2217?2219.

[11] COHEN A， KOVACEVIC J. Wavelets： the mathematical background [J]. Proceedings of the IEEE， 1996， 84（4）： 514?522.

[12] 王輝，姚林朋，黃成軍，等.平穩(wěn)?非平穩(wěn)濾波技術(shù)在局部放電信號(hào)處理中的應(yīng)用[J].高電壓技術(shù)，2010（10）：2467?2472.

[13] RANTA R， HEINRICH C， LOUIS?DORR V， et al. Wavelet?based bowel sounds denoising， segmentation and characterization [C]// Proceedings of the 23rd IEEE Annual International Conference on Engineering in Medicine and Biology Society. [S.l.]： IEEE， 2001， 2： 1903?1906.

[14] 王燕，王海濱，劉立漢.基于小波變換的心音信號(hào)降噪方法[J].信息與電子工程，2010（3）：303?307.