許春冬，辛鵬麗，周 靜，應(yīng)冬文，2

1.江西理工大學(xué) 信息工程學(xué)院，江西 贛州341000

2.中國科學(xué)院大學(xué) 電子電氣與通信工程學(xué)院，北京100049

心血管疾病是全球患病率及疾病致死率的主要因素之一，在影響人類社會(huì)活動(dòng)的同時(shí)，更嚴(yán)重危害著生命健康[1]。針對心血管疾病診斷的難題，出現(xiàn)了一系列輔助診斷方法，如心電分析、心音分析、CT檢測等[2]。其中，心音信號是由心臟進(jìn)行周期性泵血運(yùn)動(dòng)產(chǎn)生的振動(dòng)，經(jīng)人體組織傳導(dǎo)于體表形成的一類聲學(xué)信號，能夠反映心房、心室、瓣膜、動(dòng)脈血管壁等結(jié)構(gòu)的工作狀況，這也就使得通過心音來分析心血管疾病是可行的[3]。心音聽診是心音信號分析中常用的方法，被廣泛應(yīng)用于臨床診斷中。然而，精確的聽診往往依賴于醫(yī)師的長期訓(xùn)練經(jīng)驗(yàn)，而這一過程又耗時(shí)耗力，因此需要一個(gè)用于心音分析的計(jì)算機(jī)輔助工具來協(xié)助診斷心血管疾病[3-4]。相比于其他輔助診斷方法，心音信號分析具備操作簡便、完全無損、成本低廉、便于遠(yuǎn)程診斷、效率高等特點(diǎn)，且可檢測出初期的心血管疾病，能夠起到早檢測早治療的關(guān)鍵性作用[5]。

心音分析系統(tǒng)中，對正常與異常心音信號的分類方法研究最多，主要用于輔助醫(yī)師完成初步診斷，實(shí)現(xiàn)精確檢測，以節(jié)省醫(yī)療資源和成本[5-6]。在心音信號正常與否的判定問題中，研究者們提出了一系列方法。Gupta等人[7]提出了結(jié)合同態(tài)濾波和K 均值聚類的心音信號的小波分析分割方法，將分割結(jié)果形成特征向量，在兩類異常和一類正常心音分類中準(zhǔn)確率達(dá)到97%，但當(dāng)異常心音種類增多時(shí)分類精度明顯下降；Dokur 等人[3]提出通過離散小波變換加窗的方法完成心音的分割與特征提取，采用增量自組織映射網(wǎng)絡(luò)進(jìn)行分類，但在處理噪聲環(huán)境復(fù)雜的心音時(shí)其分割及特征識別結(jié)果并不理想；Wang 等人[8]提出采用25～400 Hz 的巴特沃斯濾波器結(jié)合基于邏輯回歸的隱半馬爾科夫模型提高分割精度，最終獲得74.9%的分類結(jié)果；Zhang等人[9]提出了一種基于縮放圖譜和張量分解的特征提取方法，并通過支持向量機(jī)完成分類，在數(shù)據(jù)集C上取得了90%的分類結(jié)果。上述研究存在一個(gè)共同的問題，即在提取特征前要先有效地完成分割。然而，分割問題一直是心音信號分析中極具挑戰(zhàn)性的難題，到目前為止還沒有一種完美的分割方案。因此一些學(xué)者提出了直接提取整個(gè)心音段或心動(dòng)周期的特征進(jìn)行識別，從而規(guī)避因分割問題給系統(tǒng)帶來的誤差[10]。郭興明等人[11]提出了基于經(jīng)驗(yàn)?zāi)Ｊ椒纸夂完P(guān)聯(lián)維數(shù)的心音特征分類方法，但心音信號具備多樣性，僅僅依靠關(guān)聯(lián)系數(shù)無法把握心音信號的本質(zhì)特征；汪晶[10]提出了多閾值融合心音遞歸圖和局部線性嵌入算法降維小波系數(shù)自相關(guān)特征的特征提取算法，但其時(shí)耗性高，且處理復(fù)雜病理心音效果不理想；Deng等人[12]提出將子帶包絡(luò)與自相關(guān)特征融合獲取擴(kuò)散圖統(tǒng)一特征的分類方法，但在噪聲干擾較強(qiáng)時(shí)容易提取到噪聲信號；Singh-Μiller 等人[13]提出通過特征譜圖的均值、方差等特征來完成分類任務(wù)，同樣容易受噪聲干擾。

基于上述分類問題中遇到的難題，本文提出了一種基于功率譜密度（Power Spectral Density，PSD）時(shí)頻特征的正常與異常心音分類方法，通過有效的預(yù)處理和特征提取過程，采用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）分類器，在Challenge 2016 數(shù)據(jù)集中獲得了良好的評價(jià)指標(biāo)。

1 算法框架

本文提出了一種基于功率譜密度時(shí)頻特征的正常與異常心音分類方法，主要包括預(yù)處理、檢測心動(dòng)周期并分段、提取PSD時(shí)頻特征矩陣、特征矩陣填補(bǔ)、構(gòu)建分類器、分類器訓(xùn)練與測試等，如圖1所示。首先，采用小波降噪的方法抑制心音中噪聲的干擾；然后，采用自相關(guān)法檢測心動(dòng)周期，并按相關(guān)包絡(luò)分段出第一個(gè)心動(dòng)周期，并對剩余部分循環(huán)提取，避免長時(shí)采集心音的自相關(guān)包絡(luò)帶來的心動(dòng)周期誤差；獲取心動(dòng)周期集后，即可提取心動(dòng)周期的PSD時(shí)頻特征，并通過雙線性插值法將周期略短的心動(dòng)周期PSD 特征進(jìn)行補(bǔ)齊處理。根據(jù)Challenge 2016 的訓(xùn)練集與測試集數(shù)據(jù)，獲取訓(xùn)練特征集和測試特征集，送入構(gòu)建的CNN 分類器進(jìn)行迭代訓(xùn)練，并通過測試進(jìn)行泛化能力檢驗(yàn)，從而獲得有效的正常與異常心音分類模型。

圖1 算法原理圖

2 PSD時(shí)頻特征的提取

針對心音分類，學(xué)者們提出了大量基于時(shí)域特征的分析方法[4]。然而，與時(shí)域分析相比，頻域分析往往更具優(yōu)勢，因?yàn)樘囟ㄐ盘柧哂休^為穩(wěn)定的頻帶，而時(shí)域卻呈現(xiàn)較強(qiáng)的非平穩(wěn)性[3-4]。頻域分析是一種較好的標(biāo)準(zhǔn)化分析工具，在許多臨床和生理現(xiàn)象中都得到了應(yīng)用[4，9]。正常心音與異常心音在頻譜的分布上存在一定的差異，主要源于三尖瓣、二尖瓣、主動(dòng)脈、心肌等結(jié)構(gòu)工作狀況不同。在正常心音中能夠聽到清晰的第一心音（s1，10～140 Hz）和第二心音（s2，10～200 Hz），在部分兒童心音或異常心音中可聽到第三心音（s3，10～70 Hz），第四心音（s4，10～70 Hz）主要出現(xiàn)在異常心音中[14]。文獻(xiàn)[15]指出，異常心音在收縮期、舒張期會(huì)產(chǎn)生大量心雜音，且頻帶范圍較正常心音更高，部分異常心音頻率可達(dá)600 Hz左右。功率譜密度能夠聯(lián)合時(shí)頻域特征，較好地描述心音信號的時(shí)頻分布特征，故本文將通過功率譜密度分析對心音特征進(jìn)行量化。

2.1 心音信號的預(yù)處理

心音信號來源于心臟泵血的機(jī)械振動(dòng)，極易受到各類噪聲的干擾。因此，在對心音信號進(jìn)行分析前，需進(jìn)行降噪處理。小波降噪是心音分析中應(yīng)用最廣的降噪方法，本文采用了小波降噪的方法，對心音信號進(jìn)行了降噪處理。小波降噪的原理是通過小波系數(shù)來區(qū)分各尺度內(nèi)的噪聲與信號，其關(guān)鍵在于閾值函數(shù)的構(gòu)建，本課題組對小波降噪進(jìn)行了深入的研究，具體算法請參考文獻(xiàn)[16]。圖2 給出了隨機(jī)選取的四條心音記錄（均來自Challenge 2016 數(shù)據(jù)庫[14]）采用小波降噪方法降噪后的結(jié)果，可以看出該方法有效地抑制了噪聲，提升了心音信號的可分析性。

2.2 心動(dòng)周期的檢測

圖2 降噪結(jié)果

心音信號具有顯著的周期性特征，其正常與否的特點(diǎn)通常在心動(dòng)周期中能夠得到完整的體現(xiàn)。在功率譜特征的提取中，以心動(dòng)周期為分析對象，獲取心臟每個(gè)循環(huán)供血過程中的細(xì)節(jié)特征，來判斷心臟工作的正常與異常。準(zhǔn)確檢測心動(dòng)周期的長度是檢測心音心動(dòng)周期的前提。文獻(xiàn)[5]指出，通過自相關(guān)的方法能夠較為準(zhǔn)確地獲取到心動(dòng)周期的長度。然而，在長時(shí)采集心音段的自相關(guān)包絡(luò)中，由于后期的平滑處理，隨著時(shí)間的延長，無法保留心動(dòng)周期的變異性特征，甚至使得用于區(qū)分心動(dòng)周期的包絡(luò)特征變得模糊，如相關(guān)包絡(luò)變得矮小不利于波峰提取，如圖3所示。通過將心音信號劃分為一定長度的分析窗可以避免此類問題。本文采用自相關(guān)法檢測心動(dòng)周期T[4-5]，并根據(jù)T 將心音信號分段為心動(dòng)周期，其流程如下：

（1）心動(dòng)周期長度一般在0.6～1.2 s 之間，將待處理的心音以4 s為時(shí)長取出心音的第一個(gè)時(shí)窗。

（2）按照式（1）計(jì)算時(shí)窗內(nèi)心音的自相關(guān)：

其中，mT為時(shí)窗內(nèi)第mT幀，mT=0,1,…,N,N 為時(shí)窗內(nèi)總的幀數(shù)，F(xiàn)r(lenT) 為短時(shí)平均能量，F(xiàn)rame 為幀長。在獲取心動(dòng)周期時(shí)取自相關(guān)大于等于0部分即可，并做中值濾波處理，平滑包絡(luò)曲線。圖3展示了一條預(yù)處理后的心音段自相關(guān)包絡(luò)的提取結(jié)果。

（3）提取自相關(guān)包絡(luò)的波峰，記0 處的第一個(gè)波峰為P1，以0.5～1.5 s 采樣點(diǎn)為區(qū)間搜索下一個(gè)最高波峰P2，則P1～P2的時(shí)段即為第一個(gè)心動(dòng)周期T1。

（4）跳過P2前的時(shí)段，以P2為新的波峰起點(diǎn)，重復(fù)步驟（3），搜索下一個(gè)波峰P3，獲取下一個(gè)新的周期T2。

（5）從心音中去除已檢測的前兩個(gè)心動(dòng)周期部分，獲取新的時(shí)窗，并重復(fù)步驟（2）、（3）、（4），直到需要被檢測的剩余心音不足一個(gè)時(shí)窗的長度。

2.3 功率譜密度時(shí)頻分布矩陣的提取

圖3 心動(dòng)周期的檢測

常用的功率譜估計(jì)方法主要有周期圖法、間接估計(jì)法、Bartlett估計(jì)法、Welch估計(jì)法四類[17]。周期圖法又被稱作直接估計(jì)法，其過程為先將待估計(jì)的信號x(n)進(jìn)行快速傅里葉變換（Fast Fourier Transformation，F(xiàn)FT），然后取幅值平方并做平均得到估計(jì)值；Bartlett估計(jì)法是在周期圖法的基礎(chǔ)上按照分段求周期圖再取平均的方式進(jìn)行優(yōu)化改進(jìn)，改善了譜曲線的不穩(wěn)定和分辨率問題；Welch 估計(jì)法則是在Bartlett 估計(jì)法的基礎(chǔ)上增加了加窗分幀和幀移，避免譜估計(jì)為負(fù)并減小方差[18]。本文采用Welch估計(jì)法來估計(jì)心音信號的PSD，其步驟如下：

（1）根據(jù)fs=2 000 Hz 的采樣率，取窗長為win=30 ms，一是根據(jù)短時(shí)平穩(wěn)性使每一窗心音的PSD 具備平穩(wěn)性，二是使得心音PSD在時(shí)間域上具備較高的分辨率。幀移取inc=15 ms，使得PSD在時(shí)間域上具備較好的平滑性，按照窗長對信號進(jìn)行分幀：

其中，m 為幀內(nèi)時(shí)域樣點(diǎn)，l 表示第l 幀，M 為總幀數(shù)，d1為窗函數(shù)。

（2）通過Welch 算法估計(jì)心音幀的功率譜密度PSD(w)：

其中，d2表示數(shù)據(jù)窗口，U 為歸一化因子。

（3）取對數(shù)獲得功率譜密度- -- ---PSD(w)：

（4）對功率譜密度進(jìn)行正向歸一化處理：

上述過程中，窗函數(shù)的選擇對功率譜存在一定的影響，故測量了矩形窗（Boxcar）、海明窗（Hamming）、布萊克曼窗（Blackman）三類窗函數(shù)下功率譜密度的結(jié)果。圖4 給出了三類窗函數(shù)下一組心音信號PSD 均值的估計(jì)結(jié)果?？梢钥闯?，相比Boxcar 窗和Blackman 窗，Hamming 窗能夠有效抑制低頻成分，突出基礎(chǔ)心音頻帶，更為適用于心音信號的PSD估計(jì)。采用Hamming窗提取的正向歸一化PSD 特征如圖5 所示。因此，d1和d2為Hamming窗。

圖4 不同窗函數(shù)下正向歸一化PSD均值的估計(jì)

2.4 雙線性插值法填補(bǔ)功率譜密度特征矩陣

第2.2節(jié)采用自相關(guān)法檢測心動(dòng)周期并將心音信號分段為心動(dòng)周期集，但心音具備多樣性，且心動(dòng)周期間也具備心率變異性，這就使得分段出的心動(dòng)周期長度并不一致，即每個(gè)心動(dòng)周期幀數(shù)不一致。因此，心動(dòng)周期集所求取出的功率譜密度特征矩陣大小也是不同的，而分類器輸入端的大小一般是固定的，故要求功率譜密度矩陣的大小一致。文獻(xiàn)[9]指出，可通過雙線性插值法來填補(bǔ)心動(dòng)周期頻譜圖，本文采用此方法填補(bǔ)心動(dòng)周期功率譜密度矩陣，使得各心動(dòng)周期功率譜密度矩陣大小一致。

圖5 正向歸一化PSD特征

雙線性插值法心動(dòng)周期功率譜填補(bǔ)的目的不是要在時(shí)間刻度上延長獲取更多的矩陣元素，而是在原始時(shí)間刻度內(nèi)增加功率譜密度幀數(shù)，從而提升時(shí)間維度的分辨率，這樣可以保持心動(dòng)周期內(nèi)的頻譜分布基本保持不變。心音功率譜密度矩陣的雙線性插值法填補(bǔ)流程主要由以下四個(gè)步驟組成[9]：

（2）第i 個(gè)時(shí)間尺度點(diǎn)和第j 個(gè)頻率尺度點(diǎn)的插值因子為：

其中，round 表示四舍五入取整運(yùn)算。

第i 個(gè)時(shí)間尺度點(diǎn)和第j 個(gè)頻率尺度點(diǎn)插值因子的絕對值偏差為：

（4）重復(fù)步驟（2）、（3），直至完成所有插值點(diǎn)的計(jì)算。

在心音信號的功率譜密度時(shí)頻矩陣填補(bǔ)中，只需填補(bǔ)時(shí)間尺度點(diǎn)，無需填充頻率尺度點(diǎn)。這是因?yàn)轭l率尺度只與短時(shí)傅里葉變換的窗長有關(guān)，固定窗長其頻率尺度則一致；而時(shí)間尺度與心動(dòng)周期長度相關(guān)，這恰是需要填補(bǔ)的。圖6給出了a0001中某一心動(dòng)周期的填補(bǔ)結(jié)果，可看出時(shí)間軸長度不變，但增加了幀數(shù)。

圖6 雙線性法填充特征矩陣

3 構(gòu)建CNN分類器與數(shù)據(jù)集

用于心音的分類器主要包括支持向量機(jī)（Support Vector Μachine，SVΜ）分類器、反向傳播神經(jīng)（Back Propagation，BP）網(wǎng)絡(luò)分類器、自組織映射（Self-Organizing Μapping，SOΜ）網(wǎng)絡(luò)分類器、隱馬爾科夫模型（Hidden Μarkov Μodel，HΜΜ）分類器、循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）分類器、長短時(shí)記憶網(wǎng)絡(luò)（Long Short-Term Μemory Network，LSTΜ）分類器和卷積神經(jīng)網(wǎng)絡(luò)（CNN）分類器。其中，SVΜ 分類器、BP神經(jīng)網(wǎng)絡(luò)分類器不具備自主優(yōu)化特征的性能[9]；HΜΜ分類器多借助于高斯混合模型進(jìn)行分類，當(dāng)正常與異常心音時(shí)域分布類似時(shí)容易出現(xiàn)分類誤判[5，8]；RNN 分類器處理時(shí)間序列效果較好，但存在梯度消失和爆炸的問題；LSTΜ網(wǎng)絡(luò)在RNN基礎(chǔ)上，增加了門單元，解決了梯度消失和爆炸的問題；CNN 分類器相比前幾類分類器模型，能夠較好地處理多維數(shù)據(jù)，挖掘局部結(jié)構(gòu)特點(diǎn)[19-20]。CNN 已經(jīng)在圖像處理領(lǐng)域取得了顯著成績，而心音PSD 時(shí)頻矩陣與圖像相同為二維矩陣，因此CNN 分類器更為適用。

CNN 是一種融入卷積結(jié)構(gòu)的深度前饋神經(jīng)網(wǎng)絡(luò)，主要由輸入層、卷積層、激勵(lì)層、池化層、全連接層、輸出層組成[19，21]。其中卷積層、激勵(lì)層與池化層可進(jìn)行交替連接，能夠有效地降低數(shù)據(jù)維度，提高模型的容錯(cuò)能力。在CNN 分類器構(gòu)建過程中，通過在有限范圍內(nèi)進(jìn)行隨機(jī)搜索，能夠確定較為合適的卷積層數(shù)和卷積核大小。構(gòu)建的CNN分類器的結(jié)構(gòu)如圖7所示。

實(shí)驗(yàn)中將99×41 的特征矩陣去除頻率尺度點(diǎn)為0、時(shí)間尺度點(diǎn)為0 所對應(yīng)的行與列，構(gòu)成98×40 的輸入矩陣，通過分類器并進(jìn)行二分類。構(gòu)建的CNN 分類器共計(jì)兩次卷積運(yùn)算，第一卷積層的卷積核大小為5×5，數(shù)量為32，卷積水平步長為1，最大池化層為2×2，選擇ReLU函數(shù)為激勵(lì)函數(shù)，則第一次卷積運(yùn)算后每個(gè)卷積核中的數(shù)據(jù)被壓縮為94×36 的特征圖，池化后特征圖大小為47×18；第二卷積層卷積核大小為2×3，數(shù)量為64，卷積水平步長為1，最大池化層為1×4，激活函數(shù)仍選擇ReLU，則第二次卷積運(yùn)算后每個(gè)卷積核中的數(shù)據(jù)被壓縮為46×16 的特征圖，池化后特征圖大小為23×8；共三層全連接層，第一全連接層為1×1 024，第二全連接層為1×512，第三全連接層為1×256；輸出層為1×2，輸出結(jié)果為01 表示正常，輸出結(jié)果為10 表示異常。部分訓(xùn)練參數(shù)設(shè)置如表1 所示，其中B 為下采樣層的map 的權(quán)值，Dropout為防止過擬合的trick。

表1 網(wǎng)絡(luò)參數(shù)設(shè)置

圖7 CNN分類器網(wǎng)絡(luò)結(jié)構(gòu)

通過訓(xùn)練數(shù)據(jù)集對CNN 分類器進(jìn)行迭代訓(xùn)練，并通過分類正確率和損失函數(shù)兩類指標(biāo)對分類器進(jìn)行評價(jià)。分類器為二分類器，損失函數(shù)采用常規(guī)的交叉熵?fù)p失函數(shù)即可。正確率ACC 和損失函數(shù)LOSS 評價(jià)指標(biāo)的定義如式（19）、（20）所示：

其中，TP 為正常心音分類正確數(shù)，TN 為異常樣本分類正確數(shù)，F(xiàn)N 為正常心音分類錯(cuò)誤數(shù)，F(xiàn)P 為異常樣本分類錯(cuò)誤數(shù)。 N 為樣本總數(shù)，Osamp為第samp 個(gè)樣本真實(shí)標(biāo)記值，O?samp為第samp 個(gè)樣本預(yù)測值。

需要進(jìn)一步說明的是，TP、TN、FP、FN 是通過心音記錄心動(dòng)周期的分類，完成心音記錄的判別獲得的。其中設(shè)置了容錯(cuò)機(jī)制，即心音記錄中，異常心動(dòng)周期數(shù)與心動(dòng)周期總數(shù)比例小于10%時(shí)，判定心音記錄為正常，否則判定為異常。

選用Challenge 2016 數(shù)據(jù)集[14]構(gòu)建訓(xùn)練集與測試集。整個(gè)數(shù)據(jù)集由a、b、c、d、e 這5 個(gè)子數(shù)據(jù)庫構(gòu)成，分別采集于1 000多位不同年齡、不同性別、不同身體狀況的受試者，共計(jì)3 126 條心音記錄。按照官方給出的數(shù)據(jù)構(gòu)建測試集，從5個(gè)子數(shù)據(jù)庫中選用301條心音，除去測試集，訓(xùn)練集共計(jì)2 825條心音。

4 實(shí)驗(yàn)結(jié)果與分析

按照預(yù)處理、周期檢測、PSD 時(shí)頻特征提取的流程獲取PSD時(shí)頻特征數(shù)據(jù)集。其中訓(xùn)練集2 825條心音中檢測出84 762個(gè)心動(dòng)周期，測試集301條心音中檢測出7 326個(gè)心動(dòng)周期，最終構(gòu)成98×40×84 762的訓(xùn)練集，98×40×7 326的測試集，均按列存儲(chǔ)，生成.mat的數(shù)據(jù)文件。

圖8 訓(xùn)練結(jié)果

分類器在訓(xùn)練集作用下經(jīng)過100次迭代訓(xùn)練，其結(jié)果如圖8所示，訓(xùn)練集與測試集在分類器中獲得的結(jié)果如表2 所示。圖8 訓(xùn)練結(jié)果顯示，迭代訓(xùn)練60 次左右ACC 和LOSS 值均基本收斂，收斂后ACC 值為88.70%左右，LOSS 值為1.084 4左右。訓(xùn)練完成后，測試集在網(wǎng)絡(luò)中的ACC 為84.72%，LOSS 值為1.185 7。

表2 訓(xùn)練集與測試集結(jié)果

此外，靈敏度（Sensitivity，Se）和特異性（Specificity，Sp）[20，23]被廣泛用于評價(jià)分類系統(tǒng)的性能。靈敏度和特異性計(jì)算方法如式（21）和式（22）所示：

其中，WA1、WA2、WN1、WN2為權(quán)系數(shù)，分別為官方標(biāo)記的正常情況下可分析性好壞的心動(dòng)周期數(shù)量比例以及異常情況下可分析性好壞的心動(dòng)周期數(shù)量比例；N表示標(biāo)記為正常的心音，A 表示標(biāo)記為異常的心音，n表示分類輸出為正常的心音，q 表示分類輸出不確定的心音，a 表示分類輸出為異常的心音，下標(biāo)1 表示心音可分析性良好，2表示心音可分析性較差。權(quán)系數(shù)取值如表3所示。

表3 心動(dòng)周期比例權(quán)系數(shù)

本文算法在訓(xùn)練集和測試集中獲得的靈敏度與特異性結(jié)果如表4所示。其中訓(xùn)練集靈敏度為0.834 8，特異性為0.959 8，整體得分為0.897 2；測試集靈敏度為0.776 3，特異性達(dá)到0.946 3，整體得分為0.861 3。

表4 靈敏度與特異性

本文算法同自相關(guān)&擴(kuò)散圖特征&SVΜ[12]、分割后多維特征&非線性徑向基SVΜ[8]、光譜圖&SVΜ[9]、分割提取324 維特征&BPANN[22]、熱譜圖&CNN[19]、AdaBoost&CNN[23]（官方網(wǎng)站公布數(shù)據(jù)）算法進(jìn)行了對比。文獻(xiàn)[12]采用小波分解提取四層分解中第四細(xì)節(jié)系數(shù)層和第二細(xì)節(jié)系數(shù)層的系數(shù)，通過香農(nóng)包絡(luò)自相關(guān)特征，并通過擴(kuò)散圖映射到對應(yīng)空間，通過幾何空間中特征的歐氏距離采用SVΜ 進(jìn)行分類，但小波分解層次選擇中存在有用信息丟失的風(fēng)險(xiǎn)；文獻(xiàn)[8]與文獻(xiàn)[22]方法相似，均是通過被動(dòng)提取多維特征后采用分類器進(jìn)行分類，這往往又與特征的好壞有關(guān)；文獻(xiàn)[9]將傅里葉變換后的頻譜特征通過偏最小二乘法進(jìn)行降維，然后通過非線性SVΜ進(jìn)行分類，但非線性SVΜ并不適用于偏最小二乘降維后的數(shù)據(jù)分類[24]；文獻(xiàn)[19]將Μel 頻率倒譜系數(shù)（Μel Frequency Cepstral Coefficient，ΜF(xiàn)CC）特征轉(zhuǎn)換為熱譜圖，采用SVΜ對其進(jìn)行分類，然而ΜF(xiàn)CC是基于人耳的聽覺特性，用于心音信號特征的表征能力往往有限[25]；文獻(xiàn)[23]提取了心動(dòng)周期4個(gè)成分25～400 Hz中的9個(gè)頻帶和13維的ΜF(xiàn)CC特征，按照25～45 Hz、45～80 Hz、80～200 Hz、200～400 Hz集合特征訓(xùn)練CNN分類器，并采用AdaBoost 算法將4 個(gè)CNN 組合構(gòu)成強(qiáng)分類器，但分類的結(jié)果仍取決于提取的特征，且沒有計(jì)算4個(gè)頻帶間的過渡信息；本文算法提取心動(dòng)周期的功率譜密度特征，構(gòu)成二維時(shí)頻特征矩陣，采用CNN分類器主動(dòng)提取特征，降低了被動(dòng)提取特征的風(fēng)險(xiǎn)，使得特征更適應(yīng)分類器，獲得更強(qiáng)的分類性能，事實(shí)上這在許多圖像分類領(lǐng)域中已經(jīng)得到了體現(xiàn)。

上述實(shí)驗(yàn)的SVΜ 模型中，除了文獻(xiàn)[8]選用了非線性徑向基核函數(shù)外，其余均選擇Sigmoid核函數(shù)，參數(shù)σ和懲罰因子c 的取值為（2，2），詳細(xì)的模型描述請參考具體文獻(xiàn)。

對比實(shí)驗(yàn)結(jié)果如表5所示。實(shí)驗(yàn)結(jié)果表明，在SVΜ分類器下，PSD時(shí)頻特征最終獲得了0.830 0的得分，較自相關(guān)與擴(kuò)散圖特征（0.754 9）、光譜圖降維特征（0.784 1）、分割提取特征（0.782 6[8]、0.828 6[22]）的方法得分更高，這也進(jìn)一步說明PSD 時(shí)頻特征矩陣能夠用于心音分類。此外，與分割提取324 維特征&BPANN、熱譜圖&CNN、AdaBoost&CNN 等算法相比，本文算法獲得了較好的Sp 得分（0.946 3），Se 得分（0.776 3）相對較低，但與熱譜圖&CNN算法相比提升了0.048 5，且獲得了較好的總體評分0.861 3。從表5 中的對比結(jié)果可以看出，相比SVΜ 分類器而言，PSD 時(shí)頻特征在CNN 分類器下具備更好的分類效果。從算法整體評價(jià)結(jié)果來看，在測試集中取得了不錯(cuò)的效果，這也進(jìn)一步說明本文提出的分類算法具備可行性與有效性，即所構(gòu)建的CNN 網(wǎng)絡(luò)能夠有效區(qū)分正常心音與異常心音的PSD特征矩陣。

表5 不同算法下測試集評價(jià)指標(biāo)的對比

5 總結(jié)與討論

本文提出了一種基于功率譜時(shí)頻特征和CNN的正常與異常心音分類算法，無需進(jìn)行心音分割，且具備較好的分類效果。處理中，首先進(jìn)行小波降噪預(yù)處理，提高數(shù)據(jù)集的可分析性；然后，通過自相關(guān)法檢測出有效的心動(dòng)周期，并采用Welch法提取功率譜特征；接著，采用雙線性插值法填補(bǔ)各心動(dòng)周期，保持幀數(shù)一致。針對于特征矩陣數(shù)據(jù)集，構(gòu)建了CNN分類器，并采用Challenge 2016數(shù)據(jù)集獲取訓(xùn)練集和測試集，并進(jìn)行訓(xùn)練和測試。實(shí)驗(yàn)結(jié)果表明，本文算法在評價(jià)體系中分類正確率和特異性等指標(biāo)較好，但在靈敏度上需進(jìn)一步提升。同時(shí)，本文算法無需進(jìn)行心音分割，避免了分割帶來的誤差和增加算法復(fù)雜度，且本文算法可為現(xiàn)代心音信號分析與處理提供技術(shù)性參考。此外，建立在準(zhǔn)確心血管疾病心音記錄數(shù)據(jù)集的基礎(chǔ)上，本文算法可進(jìn)行推廣，應(yīng)用于具體異常類型的心血管疾病篩選與檢測。