成謝鋒，姚鵬飛

(南京郵電大學 電子科學與工程學院，江蘇 南京 210003)

1 概 述

心音信號是人體最重要的生理信號之一，它含有心臟各個部分如心房、心室、大血管、心血管及各個瓣膜功能狀態(tài)的大量生理信息，具備普遍性、獨特性和可采集性的生物特征，有助于分析多種心臟疾病和人體的精神壓力狀況。一般情況下，一個正常的心音信號可以分為第一心音S1、收縮期、第二心音S2和舒張期這四個部分[1-2]，它們組成了心音信號一個完整的心動周期。心臟的收縮期是指從第一心音S1起點持續(xù)到第二心音S2起點的間隔，而舒張期則是指從第二心音S2起點持續(xù)到與下一個心動周期的第一心音S1起點的間隔。在一段心音信號中，收縮期和舒張期是重復出現的，并且大多數人的心臟舒張期比收縮期要長一些。此外，在少數情況下還有可能聽見第三心音S3和第四心音S4，它們通常出現在小孩或者老年人身上[3-4]。

心音分段算法是心音研究的基礎和前提，其目的是定位心音的主要成分(第一心音S1、收縮期、第二心音S2和舒張期這四個部分)，為心音分析提供定位基礎。近年來，研究人員已經提出了多種心音信號的分段算法。Zhou等[5]提出了一種利用香農能量進行心音分段的算法，該算法可以得到光滑的信號包絡，但是對心音信號的定位并不是很準確。Quan等[6]和Liang等[7]提出了一種利用小波變換和小波分解重構的算法，該算法在計算正常心音時非常準確，但是對非正常心音的分段準確率并不是很高。Guo等[8]提出了一種基于數學形態(tài)的檢測心音的算法，該算法的最大缺點在于難以找到合適的結構元素。Zhao等[9]提出了一種基于短時黃變換的心音分段算法，該算法的分段精度較高，但由于計算量很大導致分析時間很長。

Zhou等提出的算法較為簡單，優(yōu)點是可以取得較為光滑的信號包絡，但是在心音的特征提取和分段的效果上比較差，目前該算法已經很少使用。其主要原理是對心音信號進行小波分解后，利用歸一化平均香農能對心音取包絡，再識別出心音信號的S1和S2。該算法經過心音樣本測試后，計算結果的準確度只達到了78%，實際使用效果很差。

Quan等和Liang等提出的算法是一種以香農能量算法為基礎的心音分段算法。該算法分為5步：第一步使用小波變換分解并重構心音信號；第二步計算歸一化的香農能量；第三步標記超過閾值的波峰；第四步識別出心音信號的第一心音S1和第二心音S2；第五步確定心音的收縮期和舒張期的時間。該算法使用了1 165個心音進行測試，結果表明該算法在計算正常心音時準確度達到了97%，但在計算非正常心音時準確度不足86%。

Guo等提出的算法的準確度非常高，但是非常依賴于找到合適的結構元素。其原理是首先確定心音信號的特征，利用形態(tài)學濾波對心音信號進行濾波和整合，再用形態(tài)元素取心音信號的包絡，最后對心音信號進行識別。該算法使用了50例心音樣本，計算正常心音的準確度達到了96%，非正常心音的準確度達到了92%，都達到了較高水平。但是該算法依賴于形態(tài)元素的選取，實際使用價值不是很高。

Zhao等提出的算法是目前較為先進的一種心音處理算法。短時黃變換是一種時頻分析技術，相比于傳統(tǒng)的時域變換，短時黃變換能夠獲取更為精準的瞬態(tài)和更高的頻率分辨率。短時黃變換主要基于2個過程：EMD經驗模態(tài)分解和希爾伯特變換。短時黃變換的中心是EMD經驗模態(tài)分解，該模式由算法的過程定義，利用三次樣條函數擬合原序列，再通過希爾伯特變換求出心音的包絡，最后識別出心音信號的各個部分。該算法在識別正常心音的準確度達到了97%，識別病理心音和帶有雜音的心音信號的準確度達到了89%。但由于計算過程較為復雜，導致計算量很大，分析時間較長。

文中改進了已有的心音分段算法，使用兩次閾值函數的自適應選擇，能夠快速地對心音信號進行分段，準確地識別出心音的第一心音S1、收縮期、第二心音S2和舒張期這四個部分，并且計算出每個部分的時間。通過對比60組心音樣本，結果表明該算法對正常心音的分段精度達到了96%，對非正常心音的處理精度超過了92%，是一種非常實用的心音分段算法。

2 方法原理

2.1 信號預處理

心音信號是非常微弱的聲音信號，在采集過程中易受到外界聲音和電子信號的干擾[10]。因此需要對信號進行預處理。預處理的步驟如下：

第一步：由于心音信號的頻率在20～1 000 Hz的范圍內，先將信號通過一個切比雪夫Ⅰ型低通濾波器，濾除信號中不需要的高頻成分。

第二步：利用小波閾值去噪方法消除與心音信號頻譜重疊的背景噪聲[11-12]。其原理是按照一定的閾值壓縮信號的小波變換系數，然后用被壓縮后的系數重構信號以達到消噪的目的。傳統(tǒng)的小波去噪方法通常采用固定的閾值處理小波系數，有時會改變心音信號中的弱特征成分，引起重構心音信號的失真[13-14]。自適應閾值的改進之處是根據不同心音信號的特點自適應選擇不同的閾值。設采集到的一段心音信號為y(t)，如圖1(a)所示。該段心音信號總長度為N，標準方差為σ，其估計閾值T定義為：

(1)

那么，心音信號y(t)經過小波變換后的小波系數可按下面的最優(yōu)閾值重新調整：

(2)

經過小波閾值去噪后的心音信號y(t)如圖1(b)所示。

圖1 消噪前后的心音信號波形圖

第三步：對消噪后的心音信號求包絡。文中使用希爾伯特變換H(y(t))來獲取心音信號的包絡。心音信號y(t)經希爾伯特變換后有：

(3)

其中，Y(x)就是心音信號y(t)的包絡。提取出的心音包絡如圖2(a)所示。

再將心音信號的包絡用式4進行歸一化：

(4)

歸一化后的心音信號的包絡Yn(x)如圖2(b)所示。

圖2 心音信號的包絡

2.2 心音信號的分段

首先將經過預處理后的心音信號包絡通過式5變換為方波S(x)。

(5)

其中，T'是第二次自適應選擇的閾值函數。

(6)

這是一種改進的標準偏差計算公式，其中X是歸一化后的心音信號Yn(x)的平均值。

將心音信號Yn(x)變換為方波后的波形如圖3所示。

圖3 心音信號變換為方波后的波形

然后去除不合格的心音段。由于心音的S1信號間隔的范圍在70～150 ms之間，S2信號間隔在60～120 ms之間，S1和S2連續(xù)間隔一般為100 ms。因此根據信號的采樣頻率3 000 Hz，可以將不合格的脈沖作為噪聲去除掉。

最后定位心音的S1信號和S2信號。定位S1信號和S2信號的依據是心臟收縮期的時間總是小于心臟舒張期的時間，并且每兩個S2脈沖之間必有一個S1脈沖，每兩個S1脈沖之間必有一個S2脈沖。通過選擇任意三個信號脈沖，就可以定位到S1和S2。因此，尋找心音段的最大間隔,則該間隔的起點為S2,終點為S1；S1與S2之間為收縮期,S2至下一S1為舒張期。至此,心音分段成功完成，分段結果如圖4所示。

圖4 心音信號的分段結果

3 評估心音分段算法的性能

3.1 性能評估

文中使用課題組設計的穿戴式無線心音采集器獲取心音信號的樣本。該采集器集合了電子聽診器、無線傳輸以及可穿戴的特點，可以方便對心音信號進行長時間有效采集。選取了60位測試者的心音樣本作為心音數據庫，其中包含了正常心音和非正常心音。非正常心音信號主要來自于病理心音，包括二尖瓣狹窄、二尖瓣關閉不全、高血壓、主動脈瓣狹窄等情況。

為了更好地評估算法，利用4個參數作為評估指標[15]：PS是算法處理速度；TP12是定位正確的第一心音S1和第二心音S2的百分比；FP12是定位錯誤的第一心音S1和第二心音S2的百分比；MP12是沒有定位出的第一心音S1和第二心音S2的百分比。具體計算公式如下：

(7)

選取心音數據庫的10組心音樣本，每段心音的長度為180 s，包括5個正常心音和5個病理心音。自適應閾值心音分段算法的評估結果如表1所示。

3.2 與其他心音分段算法的比較

將提出的算法與引言中介紹的幾種心音分段算法進行對比。選取心音數據庫的10組心音樣本，每段心音的長度為180 s，包括5個正常心音和5個病理心音。使用3.1小節(jié)提出的4種參數作為評估指標。5種算法對正常心音的評估結果如表2所示。

表1 自適應閾值的心音分段算法性能評估

表2 正常心音的評估結果

4 算法應用研究

文中算法的特點是能夠快速、準確地對心音進行分段。在此基礎上，創(chuàng)造性地引用了心率變異性原理。把心音分段和心率變異性原理結合起來，設計、實現了一種基于心音HRV理論的精神壓力分析系統(tǒng)。心率變異性(HRV)是指逐次心搏間期的微小差異，它產生于自主神經系統(tǒng)對心臟竇房結的調制，使心搏間期一般存在幾十毫米的差異和波動。通過觀察HRV，能夠評價人體的自主神經系統(tǒng)。因此，心率變異性被作為反映人體精神壓力最理想的指標。經過科學實驗和反復論證，心率變異性已經成為目前測定人體精神壓力最客觀、準確和直接的方法。

當前已經出現的精神壓力分析儀大多采用動脈血壓法和心電圖法獲取心率變異性。然而動脈血壓法測量心率的時候通常和測血壓一起使用，優(yōu)點是可以獲取額外的血壓信息，缺點是測量用的儀器體積大且需要氣泵。心電圖法獲取心率的結果非常精確，但是心電測量儀器非常專業(yè)，造價昂貴且需要專業(yè)的操作知識。采用上述兩種心率測量方法的精神壓力分析儀不僅造價昂貴而且不易操作，不適合在日常生活中使用。文中將心音分段和心率變異性原理相結合設計的這款精神壓力分析系統(tǒng)，只需要簡單的心音采集器和使用場景，其特點是方便易用、成本低廉、結果準確并且其分析結果簡單易懂，非常適合在日常生活中使用。

基于心音HRV理論的精神壓力分析系統(tǒng)分為3個模塊：心音采集、心音分析和精神壓力分析。系統(tǒng)的整體框架如圖5所示。

圖5 精神壓力分析系統(tǒng)整體框架

其中心音采集模塊采用了課題組設計改良的一款肩帶式無線心音采集器。該采集器集合了電子聽診器、無線傳輸以及可穿戴的特點，可以方便對心音信號進行長時間有效采集。采集到的心音信號通過采集模塊的無線傳輸裝置傳輸至心音分析模塊，由心音分析模塊進行進一步的處理。心音分析模塊的核心是文中提出的自適應閾值心音分段算法。能夠快速地對心音信號進行分段，準確識別出心音信號的第一心音S1、收縮期、第二心音S2和舒張期這四個部分，并且計算出每個部分的時間，獲取到人體的心動周期時間序列。精神壓力分析模塊根據心音分析模塊所得到的心動周期序列，通過對心率變異性進行時域分析、頻域分析以及龐加萊分析法，獲取十二項特征指標，并對其中8個主要特征指標進行圖形化表示。再根據心率變異性的指標分析出人體的精神壓力狀況，從人體的壓力指數、疲勞指數、抗壓能力、自主神經系統(tǒng)的活性以及自主神經系統(tǒng)的穩(wěn)定性這5個方面對人體的精神壓力狀況進行評估，得出最終的分析報告。

5 結束語

在已有心音分段算法的基礎上，提出了一種自適應閾值的心音分段算法，使用了兩次閾值函數的自適應選擇，能夠快速、準確地識別出心音的第一心音S1、收縮期、第二心音S2和舒張期這四個部分。實驗結果表明，該算法性能優(yōu)良，無論是正常心音還是各種病理心音，都達到了較高的分段正確率，是一種非常實用的心音分段算法。并在此基礎上，引用了心率變異性原理，設計、實現了一款基于心音HRV理論的精神壓力分析系統(tǒng)。

參考文獻：

[1] 周 靜,楊永明,何 為.心音信號的分析及其特征提取方法的研究[J].中國生物醫(yī)學工程學報,2005,24(6):685-689.

[2] 成謝鋒,馬 勇,劉 陳,等.心音身份識別技術的研究[J].中國科學:信息科學,2012,42(2):237-251.

[3] 趙治棟,趙知勁,張 嵩,等.心音自動分段算法研究[J].航天醫(yī)學與醫(yī)學工程,2004,17(6):452-456.

[4] 屠志海.心音信號的分析方法研究[D].上海:華東師范大學,2011.

[5] ZHOU J,HE W,DAN C,et al.Feature extraction and recognition of heart sound[C]//Automation congress.[s.l.]:[s.n.],2008.

[6] 全海燕,王威廉.基于小波多分辨分析的第一第二心音提取[J].北京生物醫(yī)學工程,2004,23(1):64-66.

[7] LIANG H,SAKARI L,IIRO H.A heart sound segmentation algorithm using wavelet decomposition and reconstruction[C]//Proceedings of the international conference of engineering in medicine and biology society.[s.l.]:[s.n.],1997:1630-1633.

[8] GUO X, CHEN J, XIAO S. Heart sound recognition algorithm based on mathematical morphology[J].Journal of Biomedical Engineering,2004,21(5):832-835.

[9] ZHAO Z,ZHAO Z,CHEN Y.Time-frequency analysis of heart sound based on HHT[Hilbert-Huang transform][C]//International conference on communications,circuits and systems.[s.l.]:[s.n.],2005:929.

[10] 譚江平,何 為,張占龍.心音信號采集與分析系統(tǒng)[J].重慶工商大學學報:自然科學版,2004,21(5):465-467.

[11] 歐陽春娟,楊群生,歐陽迎春.基于小波變換的自適應模糊閾值去噪算法[J].計算機工程與應用,2006,42(5):82-84.

[12] 魏文暢,楊俊杰,蔡建立.基于小波變換的半軟閾值參數算法研究[J].計算機工程與應用,2009,45(1):73-76.

[13] 劉 剛,屈梁生.自適應閾值選擇和小波消噪方法研究[J].信號處理,2002,18(6):509-512.

[14] 劉 智.改進的正交小波變換閾值去噪算法研究[J].計算機仿真,2011,28(8):272-275.

[15] VARGHEES V N,RAMACHANDRAN K I.A novel heart sound activity detection framework for automated heart sound analysis[J].Biomedical Signal Processing and Control,2014,13:174-188.