周克良 王佳佳

（江西理工大學電氣工程與自動化學院，贛州，341000）

引 言

據(jù)相關(guān)數(shù)據(jù)統(tǒng)計，全世界每年約1750萬人死于心臟病，占總死亡人數(shù)的30%。每年心臟病和中風幸存者至少有2000萬人，且多數(shù)存在復發(fā)和死亡的風險。中國每年大約有260萬人死于心血管疾病，死亡人數(shù)居世界第2位。據(jù)世界衛(wèi)生組織統(tǒng)計，到2020年中國每年因心血管疾病死亡人數(shù)將達400萬人。對于心臟健康狀況的監(jiān)測成為國內(nèi)外相關(guān)領域較重視的問題。而心臟最直觀的監(jiān)測對象便是心電圖和心音，醫(yī)生可以根據(jù)心電圖判斷心臟跳動的頻率是否正常，而心音可輔助判斷心臟是何處異?；驌p壞，及時了解病人的病情，挽救病人的生命。因此研究心音的識別與預測具有重要意義。

心音的雜音是一組歷時較長、頻率及振幅均不同的振動，既可與心音分離，也可連續(xù)，或完全覆蓋心音。目前對于心音降噪分析采用的是經(jīng)驗模態(tài)分解（Empirical mode decomposition，EMD）、小波包分析、Mel頻譜倒譜系數(shù)等方法，這些算法可以提取出異常心音與正常心音的特征數(shù)據(jù)，并根據(jù)這些特征數(shù)據(jù)，以及心音的訓練樣本，采用BP神經(jīng)網(wǎng)絡、支持向量機（Support vector machine,SVM）、徑向基函數(shù)（Radial basis function,RBF）神經(jīng)網(wǎng)絡等進行訓練，達到識別及其預測的效果。文獻[1]利用主成分分析對心音特征進行降維,采取自組織映射神經(jīng)網(wǎng)絡進行聚類分析,并對各種異常和正常心音進行分類識別。文獻[2]在EMD的基礎上,引入了單通道奇異值分解(Singular value decomposition,SSVD)方法,在心音降噪方面取得了良好效果。文獻[3]將概率神經(jīng)網(wǎng)絡（Probabilistic neural network，PNN）引入電控發(fā)動機故障診斷，診斷結(jié)果無誤。

PNN具有較強的泛化性和實用性，故本文對傳統(tǒng)PNN進行優(yōu)化，用于心音數(shù)據(jù)分類。運用Matlab 2013a軟件，采用LMS-PNN對心音數(shù)據(jù)去噪，提取降噪后的特征數(shù)據(jù)進行訓練，降低了傳統(tǒng)PNN的誤差，提高了識別的準確率，改善了心音預測效果。

1 心音的降噪與特征值提取

由于心音信號的短時平穩(wěn)性[4]，本文采用最小均方(Least mean square,LMS)方法[5]進行心音去噪。對于心音信號的時間序列x(n),利用窗函數(shù)分幀后得到第i幀語音信號xi(m)，幀長設置為200，對每幀心音信號做離散傅里葉(Discrete Fourier transform,DFT)變換后可得

式中Xiangle為第i幀的相角。

式中：NIS為幀數(shù)，D(k)為無話段的平均能量。

式（4）為譜減公式，其中a和b為常數(shù)，a為過減因子，b為增益補償因子為譜減后的時間系列。

然后提取降噪后數(shù)據(jù)的特征值，本文提取降噪心音的短時自相關(guān)系數(shù)和短時能量譜密度[6-8]。對降噪后的x(k)分幀后，每幀的短時自相關(guān)函數(shù)為

采用Matlab軟件中的pwelch函數(shù)求得心音每幀的短時能量譜密度，并保存計算數(shù)據(jù)。

2 PNN識別與預測

PNN于1989年由Specht博士首先提出，是基于統(tǒng)計原理的神經(jīng)網(wǎng)絡模型，在分類功能上與最優(yōu)貝葉斯分類器等價。PNN的實質(zhì)是基于貝葉斯最小風險準則發(fā)展而來的一種并行算法[9,10]，由輸入層、模式層、求和層和輸出層（決策層）組成。第1層為輸入層，用于輸入特征數(shù)據(jù)，將數(shù)據(jù)傳遞跟隱含層；模式層為徑向基層，計算輸入向量與中心之間的距離，并返回一標量。向量x輸入到模式層，模式層中第i類模式的第j神經(jīng)元所確定的關(guān)系式為

式中：i=1,2,…,M,M為訓練樣本總類數(shù)；d為樣本空間數(shù)據(jù)維數(shù)；xij為第i類樣本的第j個中心。求和層把隱含層中屬于同一類的神經(jīng)元的輸出做加權(quán)平均

式中：vi為第i類別的輸出，L為第i類神經(jīng)元的個數(shù)。輸出層取求和層中最大的一個作為輸出的類別

輸入層的向量先于加權(quán)系數(shù)相乘，由輸入RBF計算

3 實驗結(jié)果與分析

本文采集的心音信息來自贛州某醫(yī)院的臨床數(shù)據(jù)，包括：心室舒張期額外音（正常）心室舒張期額外音（嚴重）、收縮早期喀啦音（嚴重）等心音。運用LMS算法對上述3種心音進行降噪與分析，采樣頻率為44100Hz，采樣信號和采樣數(shù)據(jù)分別以wav和mat格式保存。采用本文的觀察數(shù)據(jù)與觀察圖像可得：IS為0.4 s,a取值為10，b取值為0.01。通過LMS降噪后，降噪結(jié)果如圖1、2所示。圖1為心室舒張期額外音（正常）的帶噪心音波形，圖2為經(jīng)LMS濾波后心室舒張期額外音（正常）的去噪波形，由圖1、2對比可知，LMS算法濾波明顯去除了心室舒張期額外音（正常）的雜音。

再對去噪后的心音進行特征提取、短時域時域處理和短時域頻域處理，得到各心音的短時自相關(guān)數(shù)據(jù)及短時功率譜密度，將得到的數(shù)據(jù)以mat格式保存。圖3、4分別為心室舒張期額外音（正常）正常自相關(guān)系數(shù)及短時功率譜密度圖。

圖1 帶噪心音波形Fig.1 Noisy heart sound waveform

圖2 LMS譜減后的心音信號波形Fig.2 Heart sound signal waveform after LMS spectrum reduction

對于PNN，輸入層輸入短時自相關(guān)數(shù)據(jù)及短時功率譜密度數(shù)據(jù)，加上模式層輸入訓練數(shù)據(jù)，共有40000個訓練樣本數(shù)據(jù)，其中心室舒張期額外音（正常）樣本數(shù)據(jù)10000個，心室舒張期額外音（嚴重）樣本數(shù)據(jù)10000個，收縮早期喀啦音（嚴重）樣本數(shù)據(jù)10000個和測試數(shù)據(jù)10000個。輸出層將輸出數(shù)據(jù)進行等級劃分：“1”代表心室舒張期額外音（正常），“2”代表心室舒張期額外音（嚴重），“3”代表收縮早期喀啦音（嚴重）。當模式層中出現(xiàn)錯誤的心音數(shù)據(jù)時，PNN通過計算心音特征數(shù)據(jù)與各個心音等級的匹配度。訓練過程中出現(xiàn)相似度不強時，會直接剔除錯誤數(shù)據(jù)，而不會對其進行分類。實驗數(shù)據(jù)驗證結(jié)果如圖5～7所示。

圖3 正常心音自相關(guān)系數(shù)Fig.3 Normal heart sound autocorrelation coefficient

圖4 正常心音的短時功率譜密度圖Fig.4 Short-time power spectral density map of normal heart sounds

圖5 LMS-PNN的測試準確率Fig.5 Test accuracy rate of LMS-PNN

圖6 LMS-PNN和傳統(tǒng)PNN的預測結(jié)果Fig.6 Prediction results of LMS-PNN and traditional PNN

本文將所采集的心音信號數(shù)據(jù)轉(zhuǎn)換100×100的矩陣，在這個矩陣中，利用雙重循環(huán)語句，將不同行列之間心音信號數(shù)據(jù)進行模型編號，并采用LMS-PNN算法對模型數(shù)據(jù)測試訓練。由圖5可得，模型1，5所采用的數(shù)據(jù)測試準確率比較低，在多次模型的訓練結(jié)果下，LMS-PNN通過不斷自我學習與反饋，總體模型測試結(jié)果呈現(xiàn)升上趨勢，其測試正確率在模型6～9保持穩(wěn)定，準確率可達96.66%。

圖7 LMS-PNN的訓練時間Fig.7 Training time of LMS-PNN

圖6為30個測試樣本集的測試數(shù)據(jù)，由實驗數(shù)據(jù)驗證可得，LMS-PNN對心音數(shù)據(jù)分類的準確性高于傳統(tǒng)PNN，準確率高出10%。

由圖7仿真結(jié)果可知，LMS-PNN神經(jīng)網(wǎng)絡算法在數(shù)據(jù)矩陣不同行列之間所組成的10個數(shù)據(jù)模型中不斷進行自我學習與訓練，其訓練時間由0.155 s逐漸穩(wěn)定至0.062 s，實驗結(jié)果證明，LMS-PNN神經(jīng)網(wǎng)絡算法在心音測試模型中效果表現(xiàn)良好，訓練時間呈現(xiàn)逐步縮短到穩(wěn)定的趨勢訓練時間短、不易產(chǎn)生局部最優(yōu)，收斂速度比較快，而且其分類準確率也較高。

對于上述仿真結(jié)果，LMS-PNN神經(jīng)網(wǎng)絡算法的平滑因子N是LMS-PNN算法的關(guān)鍵。令平滑因子N分別取值為20和2，其測試集預測結(jié)果對比如圖8所示。圖8（a）是N=20時LMS-PNN算法得到的預測結(jié)果；圖8（b）是N=2時LMS-PNN算法得到的預測結(jié)果。由圖8可知，N=20時，LMS-PNN預測準確率為90%；N=2時，LMS-PNN預測準確率為93.33%，準確率高出了3.33%。不同的平滑因子得到的結(jié)果也有所不同，因此選取合適的平滑因子能提高預測準確率。由表1可知，當平滑因子N=10時，LMS-PNN算法的預測準確率最高，為最優(yōu)值。

圖8 LMS-PNN的預測結(jié)果（N=20，2）Fig.8 Prediction results of LMS-PNN(N=20 and N=2)

表1 平滑因子N的影響Tab.1 Influence of smooth factor N

4 結(jié)束語

測試心音通常會受到噪聲影響，LSM-PNN算法運用LSM方法進行去噪，采用雙門限法估計出無話幀即噪音幀IS的值，調(diào)整參數(shù)a，b的值，觀察數(shù)據(jù)及其波形，優(yōu)化去噪效果；然后使用PNN，采用貝葉斯決策理論對心音的信號進行區(qū)分與預測。對LSM-PNN算法，無論分類問題多么復雜，只要有足夠多的訓練數(shù)據(jù)，均可保證獲得貝葉斯準則下的最優(yōu)解。