陳剛，葉繼倫，張旭，陳蘋，劉杰

1.深圳大學醫(yī)學院生物醫(yī)學工程系，廣東深圳518060；2.廣東省生物醫(yī)學信號檢測與超聲成像重點實驗室，廣東深圳518060；3.深圳市生物醫(yī)學重點實驗室，廣東深圳518060

前言

生物醫(yī)學信號是現(xiàn)在信號研究領(lǐng)域廣泛研究的熱點，如心電、腦電信號和心音信號等。根據(jù)最新的《中國心血管病報告2017》概要，指出心血管疾病在城鄉(xiāng)居民死亡占比呈逐年遞增的趨勢［1］。心血管疾病主要包括心臟病、腦血栓等，而心臟病的種類有很多，臨床上對于心臟疾病的診斷主要有心電圖、聽診、超聲等。聽診是診斷心臟疾病最簡單、直接的一種方式，而由于傳統(tǒng)聽診在準確性和重復(fù)性上存在不可忽視的缺陷，近年來有許多研究者專注于研究心音信號在時域上的特征［2］。關(guān)于信號的研究主要有心音信號預(yù)處理、心音分割和心音分類3個部分組成［3］。本研究也是通過實驗室現(xiàn)有的心音信號采集裝置，實現(xiàn)心音信號的采集，將采集的離散數(shù)字信號保存到電腦端，用算法實現(xiàn)對心音信號的去噪處理，以及S1、S2心音分割和心音分類。

1 信號預(yù)處理

1.1 小波閾值去噪

心音信號是人體非常微弱的生理信號，在實際的采集過程中，會夾雜著許多噪聲，這些噪聲會影響研究者對信號分析的準確性。這些噪聲主要包括外界環(huán)境的吵鬧聲、采集設(shè)備自帶的噪聲，以及志愿者在采集過程中的動作、呼吸等帶來的噪聲。心音是一種周期性的時變信號，信號的主要頻段集中在0～600 Hz。由于心音信號的帶寬范圍很大，噪聲源的頻率和有效信號的頻率出現(xiàn)疊加區(qū)域，常規(guī)的高通濾波和低通濾波都無法將噪聲完全濾除掉，甚至還會削弱有效的信號。由于小波分析的子帶濾波特性，將采用小波分解與重構(gòu)的方法對信號進行濾波處理［4］。

小波變換對信號去噪其實是對傅里葉的進一步改進，小波變換的優(yōu)勢是可以同時對信號的頻域和時域進行分析［5-7］。小波變換的含義是把某一段基本小波的函數(shù)作位移τ后在不同尺度α下，與待分析信號X(t)做內(nèi)積，即：

式中，α ＞0，稱為尺度因子，其作用是對基本小波函數(shù)?(t)作伸縮。小波去噪原理是由于其具有良好的時頻局部性，保留主要由信號控制的小波系數(shù)，發(fā)現(xiàn)并去掉噪聲控制的小波系數(shù)。本研究對于采樣率為4 000 Hz的心音信號進行7層小波分解，分解系數(shù)和信號的頻段對應(yīng)關(guān)系如表1所示。

表1 小波分解分量對應(yīng)表（Hz）Tab.1 Wavelet decomposition component correspondence table(Hz)

由于有效信號集中在50～250 Hz，本研究采取的方式是將高頻段d1、d2、d3系數(shù)置零，低頻段系數(shù)采樣閾值的方式進行濾除噪聲，即重構(gòu)的信號Signal為：

圖1是對一段干凈的心音信號添加隨機噪聲，對于圖1中含有大量噪聲的心音信號，采用的就是上述方法。首先將信號進行分解，對各個階層的系數(shù)進行閾值處理后，然后進行信號的重建，重建后的信號如圖2所示。

通過對圖1和圖2的比較，發(fā)現(xiàn)去噪效果明顯，通過式（2）和式（3）計算信噪比SNR和均方根誤差σ：

其中，s(n)表示原始信號，ds(n)表示對受到污染后的信號進行去噪處理后的信號，N表示信號長度。通過計算得到信噪比SNR的值為14.391，均方根誤差σ約為5.69e-04，信噪比和誤差都較好，因此本研究選擇該方法進行信號去噪。

1.2 包絡(luò)線提取

心音信號的時域曲線實際上是很復(fù)雜和變化劇烈的曲線，本研究為了能夠清晰準確地對信號進行分析，需要對心音信號的實時曲線進行包絡(luò)線的提取。由于心音信號的包絡(luò)曲線能夠畫出心音信號曲線的大致輪廓，可以保留大部分基本特征，如S1、S2等。提取信號特征包絡(luò)的方法有歸一化香農(nóng)能量、希爾伯特變換和其他一些方法［8-9］。本研究采樣的是歸一化香農(nóng)能量的方法來實現(xiàn)信號包絡(luò)提取和信號分析［10］。

圖1 原始信號和帶噪聲心音信號對比圖Fig.1 Comparison of original signals and heart sound signals with noise

圖2 去噪后心音信號圖Fig.2 Heart signals after denoising

歸一化香農(nóng)能量是一種非常普遍的信號包絡(luò)提取方法，它所提取出來的包絡(luò)很好地反映信號的時域特征，主要是能夠加強中等強度的信號，并且可以削弱低強度的噪聲。從圖3可以看出，本研究采取的方法能夠很好地顯示出心音信號在時域上的特征，并且包絡(luò)線的平滑性較好，沒有很多毛刺噪聲，為后面的特征點提取做了良好的鋪墊。

圖3 信號的包絡(luò)提取曲線圖Fig.3 Signal envelope extraction curve

2 特征參數(shù)計算結(jié)果

本研究通過上述方法實現(xiàn)信號包絡(luò)提取，需要進一步對包絡(luò)線進行分析，求出心音的特征參數(shù)。心音信號中常用的指標有心率、收縮期與舒張期的比值、S1與S2的幅度之比等［11］。這些參數(shù)的計算首先需要篩選出S1和S2的峰值點，以及S1和S2的起止點。對于信號峰值點的識別，本文采用的方法是先求極大值，再設(shè)置一個閾值，所有的極大值需滿足大于閾值方可判定為需要的峰值點。對于漏檢的特征點需要通過閾值反饋的方法恢復(fù)漏檢點。對于排除多余的峰值點，除了噪聲之外，還需考慮心音分裂。心音分裂判斷的條件主要有以下兩點［12］：（1）峰值點間距在50 ms以內(nèi)；（2）峰值點的幅值相差在80%以內(nèi)。通過這些判斷條件提取的峰值點如圖4所示。

正常的心音信號主要分為第一心音（S1）、收縮期（Systole）、第二心音（S2）、舒張期（Diastole）［13］，這4部分組成一個完整的心動周期，如圖5所示。

收縮期是指S1起點到S2起點的時間間期，舒張期是指S2 起點到下一個心動周期S1 起點的時間間期；S1S2間期是指S1起點到S2終點的間期，S2S1間期是指S2 終點到下一個S1 起點的間期。為了計算這些間期的時間參數(shù)，還需要找到S1 和S2 的起止點。本研究通過雙門限法實現(xiàn)語言信號的斷點檢測，檢測結(jié)果如圖6所示。

圖4 信號波峰值提取圖Fig.4 Signal peak extraction map

圖5 心動周期圖Fig.5 Cardiac cycle diagram

根據(jù)圖6中已經(jīng)篩選到的信號特征點，需要定義特定的參數(shù)做計算，本研究中的參數(shù)Radio_S1表示第一心音持續(xù)的時間；Radio_S2表示第二心音持續(xù)的時間；Amp_S1/S2表示在一個心動周期內(nèi)，第一心音的幅值與第二心音的幅值之比，S1能評估心力儲備和心臟耐力，S2反映心臟外周循環(huán)產(chǎn)生的阻力；Amp_S1/S2可以綜合評估心臟外周循環(huán)指標；Radio_Sys表示一個心動周期內(nèi)，收縮期持續(xù)的時間；Radio_Dia表示舒張期持續(xù)的時間，心臟自身供血在舒張期，與舒張期時間長短有關(guān)，涉及到為心臟收縮準備的養(yǎng)料和氧氣的多少，涉及到心臟代謝環(huán)境的優(yōu)劣，關(guān)系到心臟充盈和輸出量。本研究通過對20例正常心音數(shù)據(jù)和20例房室阻塞性疾病的心音數(shù)據(jù)進行分析，然后根據(jù)這些定義參數(shù)，計算結(jié)果如表2所示。

3 結(jié)果分析

通過表2可以看出，S1、S2的P值小于0.01，根據(jù)統(tǒng)計學P值的定義，正常心音和異常心音在S1 和S2的持續(xù)時間上存在顯著性差異；而S1/S2 的P值是0.1，幾乎沒有差異性；收縮期的P值大于0.05，說明正常心音和異常心音的收縮期持續(xù)時間存在差異性，但不是顯著性差異；舒張期的P值也是小于0.01，說明存在顯著性差異。該統(tǒng)計學方法對房室阻塞疾病的判斷具有有效的參考價值。

圖6 S1和S2起止點檢測Fig.6 Detection of S1 and S2 start and end points

正常人和有心臟疾病的患者，心臟活動過程必然存在著一些差異，將會導致這些參數(shù)的對比也存在著差異性；同時，通過逆向思維，如果是心臟疾病患者，這些參數(shù)和正常人的參數(shù)存在著差異性，也可以推斷出這些個體心臟是存在問題的。

4 結(jié)語

數(shù)字聽診技術(shù)是一種直接方便的心臟疾病診斷方法，對于一些心臟疾病的判斷是非常有效的。一般心臟疾病需要患者拍心電圖進行判斷，這實際上增加患者就醫(yī)的費用，而且增加了麻煩，但是有些疾病完全可以用聽診技術(shù)進行診斷。心音的智能診斷技術(shù)必將是未來研究的大方向，可以克服傳統(tǒng)聽診技術(shù)的缺陷性。本研究通過對心音信號的拾取，經(jīng)過預(yù)處理，實現(xiàn)心音的分割，計算出正常心音和異常心音之間的參數(shù)存在差異性；由于數(shù)據(jù)源的限制，今后還需要各種特定的疾病種類數(shù)據(jù)和正常數(shù)據(jù)進行對比試驗，進一步計算出不同類型的數(shù)據(jù)參數(shù)的特征性，同時這需要廣泛的數(shù)據(jù)庫支持。心音分類、自動診斷技術(shù)和人工智能技術(shù)的結(jié)合，必將推動聽診技術(shù)的推進和發(fā)展，為臨床應(yīng)用帶來巨大方便。

表2 特征參數(shù)計算表Tab.2 Calculation of feature parameters