当前位置:首页 >> 机械/仪表 >>

心音信号分析与识别算法的研究


重庆大学 硕士学位论文 心音信号分析与识别算法的研究 姓名:杨磊 申请学位级别:硕士 专业:信号与信息处理 指导教师:朱冰莲 20040512

重庆大学硕士学位论文

中文摘要





心音检测和分析是了解心脏和血管状态的一种重要且经济的手段,心音具有 心电不可取代的临床

价值。心电分析是心脏变时性和变传导性的最佳监测方法, 但不能用来检测心脏的变力性。第一心音的幅值是心肌收缩能力的标准量度,因 此可以用心音图来对心肌收缩能力进行评估。要获得幅值参数,首先要对心音成

份进行识别。本文在总结传统研究方法的基础之上,对心音的分析和识别算法作 了一些改进,并用实验和模型验证了其有效性。 由于在心音的采集过程中,噪声的引入是不可避免的。要准确地识别心音成 份,首先需要对采集到的心音样本信号进行去噪处理。针对心音的非平稳性,本
文引入了自适应滤波方法进行去噪。而自适应去噪需要一个参考噪声作为输入,

回到原来的采集环境中再单独提取噪声又是不太现实也不经济的。在这里本文又
引入了数学形态学理论,利用它提取了心音信号的包络,然后合成了自适应滤波 需要的参考。这样得到的噪声信号虽然在心音成份部分不能保证与原心音中的噪 声相关,但在心音间隙期二者是强相关的,利用这种相关性,在这里滤去间隙期

的噪声信号,得到了分界更清晰的心音图,为心音成份的识别打下基础。在
Simulink仿真建模工具中建立了自适应心音去噪的模型,使用合成的参考噪声作

为自适应滤波器的输入对心音进行了滤波,通过理论分析和实验验证,取得了预
期的效果。由于这种方法并没有去除心音成份上的噪声,其目的是使心音成份与

心音间隙期的分界更加明显,方便识别,所以这一过程称之为预去噪。
对去噪后的心音信号,本文进行了短时傅立叶变换,不同长度的时间窗对应

了不同的时频分辨率。从中选取了时间分辨率很高的频谱数据,将频率轴压缩得
到了心音的时域能量包络图。从这个图上可以很直观地观察出心音成份的时域分

界。结合传统的差分法和医学常识,使用心音的时域能量包络数据对心音成份进 行识别。识别结果证明了这种方法是可行且高效的。
要评估一个人的心力储备,就要提取第一心音的幅值参数。对同一心音记录

来说,第一心音都来自同一信号源,彼此之间是相关的。于是本文采用自适应的
方法利用前一个第一心音去估计下一个第一心音,这样就把预去噪过程中不能去

除的第一心音上的噪声滤除了。模型的运行结果表明,去噪后的第一心音幅值相 对与混有噪声的第一心音幅值而言,更加接近真实值,说明了在实际应用无法获 得第一心音真实幅值的情况下,可以用去噪后的值代替或近似真实值。 关键词:心音,噪声抑制,自适应滤波,心音识别,数学形态学

重庆大学硕士学位论文

英文摘要

ABSTRACT
Detection and analysis of heart sounds that
cart

ls an

important

and economical method

be used to

judge

the state of heart

and great vessels.Phonocardiograrn(PCG)

has its own

advantages that

ECG can’t replace.ECG is the best way to monitor cardiac

inotropism and chronotropism,but it is helpless to estimate dromotropism.Amplitude of the first heart sound is the normal measurement of cardiac contractility.To get

amplitude parameter,the first step is
paper,based
on

to

localize the different components of PCG This for prevenient research,presents

the

summarization

some

improvements for analysis and recognition of PCG and validates them by
models. In the
course

tests

and

of recording heart sound,it is inevitable that many kinds of noise

will be merged in the main signal.Before further processings of phonocardiographic records,noise must be suppressed first.PCG is


highly nonstationary signal,so the

paper introduces the application of adaptive filter method to the elimination of noise. This method needs


reference noise as

one

input,but it is

unpractical
uses

to get

the

background noise in the original data condition.So,this paper

mathematical

morphology theory to catch heart sound envelope,and then composes the reference
noise which is heavily correlative to the noise in the primary PCG signal.Pure heart

sound

can

be attained after adaptively filtered by the compositive noise in the model
course

created in Simulink.The aim of this

is to make the

boundary

of heart sounds

ingredient and clearance plot more perspicuous,so we call this process preliminary
denoising. After denoising,it analyzes PCG signal by Short—Time Fourier Different window-width is corresponding
to

Transform(STFT).

different time—frequency resolution.It

chooses the spectrum data with very good time resolution,and then takes the

maximum element of the
so

spectrogram

at every

time point through the frequency axis,

the temporal energy envelope of PCG signal is generated.From this envelope plot,

heart sounds

can

be observed very intuitionisticly.Using the

temporal

energy

data,and

connecting traditional difference method

with

medicinal general knowledge,the thesis

makes the
effective.

recognition for heart

sounds.The

result proves this method is available

and

To know cardiac contractility reserve,the

amplitude

of S1 must be goRen.In

one

II

重庆大学硕士学位论文

英文摘要

record sample.the first heart sounds

are

related each other.Wlth t}liS kind of in


correlation,one S I is applied tO estimate the next S 1

LMS

denoising model

created in Simulink.The result shows that after denoising,the amplitude of S 1 is much

closer to the true value than it of S1 before denoising.In actual application,the real

amplitude replacement or approximation of real pure sample.
data of S 1 is impossible to know,but the

after denoising

can

be taken

as a

Keywords:Heart Sound,Noise Suppression,Adaptive Filter,

Phonocardiogram Recognition,Mathematical Morphology



重庆大学硕士学位论文

1绪论



绪论

心血管疾病是严重威胁人类健康的疾病之一。心音检测和分析是了解心脏和 血管状态的一种不可缺少的手段。心音是由于心脏瓣膜的开关、肌腱和肌肉的舒
张收缩、血流的冲击及心血管壁的振动而产生的一种复合音LU。因此心音能够反

映心脏活动及血液流动的状况。心电图检查是心脏变时性和变传导性的最佳检测 方法,但不能用来检测心脏的变力性。先天心脏瓣膜受损、心电传导组织病变引
起的心脏机械活动障碍也能由心音反映出来。而且某些心血管系统的病变在导致

ECG(Electrocardiograph)信号出现异常前,首先导致心脏杂音和心音变异。因此心
音具有心电不可替代的诊断优势,因此对心音的分析愈来愈引起了广大研究工作

者的关注。本章首先对心音和心音图作基本的说明,接着综述国内外在这一领域 的研究现状及发展趋势,最后介绍课题的研究内容和现实意义。

1.1心音和心音图
心脏的瓣膜和大血管在血流冲击下形成的振动,以及心脏内血流的加速与涡
流对心脏瓣膜、心房、室壁作用产生的振动,再加上心肌在周期性的心电活动作

用下其刚性的迅速增加和减小形成的振动,经过心胸传导系统到达体表形成了体
表心音。如将听诊器放在胸壁某些部位,就可以听到。若用换能器将这些机械振

动转换为电信号记录下来,便得到心音图【21。 心音发生在心动周期的某些特定时期,其音调和持续时间也有一定的规律,
正常心脏有四个心音:即第一、第二、第三和第四心音,通常称为Sl,S2,S3,

S4。多数情况下只能听到第一心音和第二心音,在某些健康儿童和青年人中也可 听到第三心音,四十岁以上的健康人也可能出现第四心音。另外,心脏的某些异
常活动可能产生杂音和异常心音。

第一心音发生在心脏收缩期,音调低,持续时间相对较长,在心尖搏动处(左 第五肋间隙锁骨中线)听得最清楚。在心脏收缩期心室射血引起大血管扩张及产 生的涡流发出的低频振动,以及由于房室瓣突然关闭所引起的振动,是听诊第一
心音的主要组成部分,因此,通常可用第一心音作为心室收缩期开始的标志。第

二心音发生在心脏舒张期,持续时间相对较短。听诊的第二心音主要与主动脉瓣 的关闭有关,故可以用来标志心室舒张期的开始。第三心音发生在快速充盈期末, 是一种低频,低振幅的心音。它可能是由于心室快速充盈期末,血流充盈减慢,
流速突然改变,形成~种力使得心室壁和瓣膜发生振动而产生的。第四心音是与 心房收缩有关的一组心室收缩期前振动,故也称为心房音。正常心房收缩,是听

重庆大学硕士学位论文

I绪论

不到声音的,但在异常有力的心房收缩矩以及室壁变硬的’隋况下,心房收缩使心

室充盈的血量增加,心室进一步扩张,引起左室肌及二尖瓣和血液的振动,则可
产生第四心音。 心音图就是通过一定方法记录下来的心音数据,从心音图上可以比较直观地

看出心音的某些时域特征,如图1.1所示。一般来说,在~个心动周期内心音幅
值最高的地方不是S1,就是s2,并且sl、s2的幅值也与听诊的部位有很大的关 系。对于正常人来讲,往往在心尖部听到的第一心音强于第二心音,而在心底部 听到的第二心音强于第一心音。在临床上,一般将听诊部位分为五个听诊区,即:

主动脉瓣听诊区、肺动脉瓣听诊区、心前区、二尖瓣听诊区、三尖瓣听诊区。在 不同的听诊位置得到的心音各成份的特征并不一样。同时,受试者的体位姿势对
心音的记录也有一定的影响,有的心音在受试者处于某些特殊的姿势时更容易听

到,如开瓣音在受试者处于坐位或半卧位时听起来更为清晰。

~一】
图1.1正常心音图样本
Fi91.1 PhonocardiographicAspectofHeart

Sounds(Normal Subject)

为定量地分析心音和方便叙述,定义以下几个心音信号时域属性。Sl时限: 指第一心音的持续时间:s2时限:指第二心音的持续时间;S1S2问期:指当前心 动周期中第一心音到第二心音之间的时间间隔:¥2S1间期:指当前心动周期的第 二心音到下一周期的第一心音之间的时间间隔;心音间隙期:指心音成份(Sl与 s2或S2与S1)之间的部分。 在心音分析中,SIS2间期和¥2S1间期对Sl、S2的定位是非常重要的,而Sl 时限和S2时限对确定心音的类型同样是非常重要的。随年龄的不同,心音的时限 与间期有所不同,~般来说,Sl时限在70—150ms之间,S2时限在60—120ms之间。 心脏的收缩和舒张是由窦房结产生兴奋传向心肌细胞而控制的。对于一般人来讲,

正常情况下心脏的收缩期短于舒张期,在心音图上表现为SIS2间期小于¥2S1间
期。成年人的平均心率为75次/分,心动周期约为0.8s(秒),其中收缩期占0.3s, 舒张期占0.5s,S1S2间期与¥2S1间期的比例大概是1:2。

重庆大学硕士学位论文

通过对心音数据的分析,可以将这些时域属性量化,使其成为定量分析心音 所需要的特征参数,如心动周期、收缩期和舒张期的持续时间、第一心音和第二

心音的持续时间等。更进一步地,在这些特征参数的基础之上,提取第一心音的
相对}隔值,还可以对心肌收缩能力的变异性作出测评。

1_2国内外研究现状
由于心音在心血管疾病的诊断中具有重要价值,是心血管疾病无创性检测的 重要方法,具有心电图、超声心动图不可取代的优势,所以近年来对心音信号的 分析愈来愈受到重视。自从Laennec发明听诊器以来,人们广泛采用听诊器进行

心音分析诊断,传统简便的方式是医务人员通过听诊器根据自己的知识和经验对
听得的心音作出主观的分析判断。虽然目前听诊器的性能取得了长足的发展,但 仍需要听诊人员具有丰富的临床经验和敏感的判断力,因此具有较大的局限性,

需要有正确客观地反映心音特性的方法和技术。近年来,传感器技术、数字信号 处理技术以及计算机、多媒体技术的发展,为心音分析的研究和应用提供了条件,
为心音学的发展奠定了基础。

1.2.1心音信号的分析方法
长期以来,研究人员从不同的角度和目标进行了心音信号分析方法的研究。

利用谱分析方法进行心音信号的研究,较为典型是对人工心脏瓣膜的无创声检测。
L.G.Durand等将传统谱分析方法和现代谱分析方法应用于植入主动脉位置上的人

工生物瓣膜音的分析,并对这两种谱分析方法的性能进行了比较[31。研究发现,
传统的谱分析方法由于可采用FFT技术使计算量大为减小,但它假设序列或其自

相关函数的那些未能观测到或末估计出来的值为零,这与实际情况往往是不符合 的,所以也就使得传统的谱分析方法有估计方差大、谱分辨率差的缺点,难以用 于短数据记录的情况;而心音信号要实现无创检测,记录的数据都不可能太长, 因此现代的参数谱估计方法更适合于分析心音信号。M.Akay等人对冠状动脉狭 窄病人的心弱音成份进行了一系列的研究{41,分析了病人非正常心音的特点,建
立了心弱音数据和具体病征之间的对应关系,为临床特别是先验诊断提供了重要

的参考。现代谱分析方法用来分析心音的发生与传导机制也是。IL,音分析的一个重 要方面,Durand等人利用动物实验对心胸传播特性进行了深入细致的研究151,金 井等人对胸壁加振和无加振情况下的一tl,胸传输系统的时变特性进行了研究,并建
立起各自的心胸声系统的模型【6】。他们建立的模型虽然不完全一样,但通过模型 实验得到的结论却是殊途同归:心率的变化、P.R间期(心电图中紧跟P波后的波 段)的改变以及心肌收缩力的变化只影响到心音的强度,而对心音的频谱分布没有 或几乎没有影响,心胸声传播系统可看作是低通、时变的系统,而且对不同心音

重庆大学硕士学位论文

1绪论

成份的响应有明显的不同。I.Y.Kim等对心音进行了时频分析,比较简便地提取了 心音的一些特征【_71,对比了正常心音和异常心音的异同点,有助于判断分析的心 音是正常还是不正常,但它的广泛应用要依赖于心音数据库的发展。山东医科大 学的张玉华等在1999年应用AR模型(自回归模型:Autoregressive Model)对心

音进行了三维时频分析陋】,得到了一些有I临床诊断意义的参数。但利用这种传统 的AR模型进行时频分析时无法同时提高时域和频域的分辨率,使得心音信号中
对诊断犹为重要的低频信息不能得到详尽的分析。山东大学的李桥等将小波变换 与三维心音图结合起来,得到了各分析组心音信号经小波变换处理后的彩色三维

图,比较全面地反映了心音信号包含的有利于疾病诊断的信息pJ。
心音分析方法已经从以前模拟心音图上进行的时域分析、频域分析、功率谱 分析发展为现在数字心音图上的时频分析。传统的稳态分析方法,如功率谱分析, 只能反映信号的静态频谱特征。但是,心脏搏动是一个动态过程,要获得心脏的 动力学特征,就需要研究心音信号频率成份随时间的变化特征,即进行时频分析

研究。心音的时频分析已经成为现在的一个重点研究方向,较为典型的方法有短
时傅立叶变换(STFT:Short-Time
Autoregressive Fourier

Transform)、自回归模型(ARM:

Model)、小波变换等。研究人员将这些方法应用于第一心音的分析、

心杂音的分析,取得了一定的成果。许多学者利用谱图的方法对心音信号进行过 深入细致的研究。1992年,G.Jamous和L.G.Durand报道了采用短时傅立叶变换
(STFT)对心音信号的时频表示(谱图)的研究情况【l…。他们从心脏内部和胸部表面 分别记录了四只狗的心音,计算心音信号的谱图时采用了正弦余弦窗,用平均的

相干谱的平均能量来决定所加窗的最佳长度。研究表明最佳窗长为16ms到32ms。
小于16ms的窗将低频成份展到高频成份中,频率分辨率较差,大于32ms的时间 窗虽提高了频率分辨率,却不能正确反映信号的时变特性。AR谱谱阵或AR建

模是另一种时频分析技术,它是建立在对一系列短段信号生成相应AR模型的基 础之上的,其前提条件是每一短段信号必须是平稳的零均值的随机信号[111。在分
辨率方面,AR谱谱阵是对谱图的重要改进。Wood等将时频变换引入第一心音分 析中,并应用二项式联合时频变换作为分析工具【l“。这种分析方法与谱图相比可 获得更高的分辨率,并通过再现第一心音的开始和动态变化,有利于揭示心音的

发生机理和提高活体心音分析的诊断灵敏度。
近年来,小波分析以其优良的性能而在生物医学信号处理中得到广泛的应用。

小波分析优于傅立叶分析的地方是它在时、频域同时具有很好的局部化性质。它 与短时傅立叶变换不同的是对高频信号它采用短窗,因而具有很高的时间分辨力, 可以充分反映信号的快变性质,在表示信号的非平稳性方面具有较大的优越性;
同时它对低频信号采用较长的窗,具有很高的频率分辨力。M.Akay等对比研究


重庆大学硕士学位论文

1绪论

了离散二进小波变换和短时傅立叶变换在分析因动脉狭窄而产生的湍流音方面的
能力【131。结果表明:小波分析对湍流音变化更为敏感。但是,二进小波变换因为

其尺度因子以2的幂指数变化,将时频平面划分得较为稀疏,其时频分辨率不可
能达Nd,波分析的最佳状态。连续小波变换因其尺度连续变化,从而可以充分体 现小波分析的优越性。

目前,心音信号的时频分析仍然是研究的热点。Ritola比较了几种时频分布
在心音信号分析中的作用[1…。短时傅立叶交换和连续小波变换都为信号的线性变

换,但在计算信号的时频分布时需要对线性变换的结果进行求平方的运算,这就
不可避免地引入了交叉项。短时傅立叶变换和连续小波变换的交叉项有相似的特

点:交叉项仅出现在信号的任意两个成份在时频平面有重叠部分时,交叉项幅值 的最大值可以是两个信号的谱幅度积的二倍,其幅值最小值为零。对于WignerVile 分布,作为一种二次型变换,它也不可避免地要产生交叉项。交叉项的存在造成
了图形混乱,给人们准确分析心音信号的时变特性带来困难。研究发现可以用时 频分解法抑制Wigner分布交叉项,即通过时域分段和频域分解,将关心的时频区 域分解成多个子区域,把每个子区域上独立求得的Wigner分布函数拼接成总体 Wigner分布,从而抑制常规Wigner分布的交叉项。其中Choi—Williams分布的清

晰度最高,但其所表达的细节信号有部分丢失,这是因为其消除了Wigner分布中
的交叉项的原因。

1.2.2心音信号成份的识别
对于心音信号成份识别的研究,根难把它与心音信号分析方法的研究分别开 来,但同时它又有自身的研究方法和特点。原有比较精确的识别方法大多是依靠 了ECG参考信号或颈动脉脉搏信号[15-161,由于第一心音(S1)发生在心室收缩
早期,即ECG的R波之后20至40ms,第二心音(S2)发生在心室收缩末期和

心室等长舒张期前,即EcG的T波终点前后,故可通过检测同步采集的心电信
号的特征点,如R波,然后根据峰值搜索来定位。这些方法属于比较经典的方法, 其准确率比较高,但由于使用参考信号,其装置比较复杂,而且准确率受参考信

号定位准确率的影响。由于心音是一种机械振动,是心肌与心脏瓣膜以及大血管
壁特性的一种反映,有自己的产生机理,相应就应该有自己的划分标准,故目前

国内外主要的研究方向是不依赖参考的心音信号识别办法。 心音信号的复杂性和非稳定性,增加了不依赖参考信号进行心音成份识别的 困难。王文辉等提出不依赖于心电信号的阶梯值比较法并结合经验数据实现心音
自定位,但这种方法受经验参数的制约,定位的准确性不高【17】。Gerbarg[181于三十

多年前就利用各信号成份之间的时间关系把它们分离开来,并且没有使用参考
ECG信号,这种方法对正常心音信号的识别准确率较高,但对存在有呼吸噪声、

重庆大学硕士学位论文

s2广泛分裂、以及伪迹的心音信号识别的准确率不高。然而由于数字信号处理技 术的进一步发展,特别是小波变换、时频分析技术、神经网络技术的发展,使心 音的识别研究取得了长足的进步。 近年来,国内外很多人利用各种时频分析技术对心音信号的各个成份进行分 析,找出心音各成份的特点[19-23】,在这些研究的基础之上发展出了很多识别方法。 王衍文等提出了一种基于Choi.WilIiams分布的一tl,音信号检测方法【24】,利用 Choi—Williams分布分析心音信号的时频特性,这种方法不仅准确地判定了sl和

s2的起始位置,而且对心音信号的时域、频域、和能量的分布作了全面的描述。


liang等提出了一种基于信号Shannon能量包络图的心音分段算法[25】。首先使用

小波变换将信号分解并重构为对应于不同频带的细节与近似信号,再对选出的信

号分别用规格化的Shannon平均能量包络计算,然后标记出每批信号中超出所选
阂值的峰值点位置,并计算两个相邻标记之间的时间间隔,按照时间间隔的均值

与标准差,计算出时间间隔的上限与下限,利用上述限制去除额外的峰值点,并
找回丢失的低峰值点。当所有可疑的Sl与S2信号已被标记出来后,就需要识别

究竟哪个是S1,哪个是s2,这要用到下述医学知识:①在PCG记录中,两个相
邻峰值点间的最长时间间隔为心脏舒张期(从S2结束到Sl开始);②心脏收缩 期的持续时间(从S1结束到S2开始)与心脏舒张期相比,相对恒定。在找到最 长时间间隔后,这个时间段的开始与结束分别被标记为S2和S1,然后再从这个 时间段分别向前向后检查相邻峰值点的时间间隔。那些违背上述医学知识的标记

点被舍弃,剩下的S1和s2被识别出来。在这个过程中,伪记也被舍弃了。这种
方法不仅利用了小波变换的去噪特性,并结合了相关医学知识,使其不但对于白

噪声不敏感,对脉冲噪声也不敏感。但其使用Shannon平均能量包络计算,所得 信号样本点数与原始信号不一致,使检测结果可能出现偏差。 心音成份的识别一直都是心音信号处理领域的一个研究热点,但很多文献采 用的方法大都大同小异。较新的研究成果看主要是利用心音各成份的频域特性, 使用小波变换或其他时频分析方法对其进行滤波,提取出心音各成份的特征,并 用神经网络或专家系统的方法对心音进行识另1J[26"27]。由于神经网络技术将相关医
学知识作为其分析的基础,并具有自适应特性,使其识别准确率大为提高。但是

由于频域分析计算复杂,计算时间长,而且神经网络的计算量比较大,使得计算
时间更为延长,因此不适合于实时动态分析的场合。

1.213心肌收缩能力变异性的研究
目前对心音的另一个重要的研究方面是关于心肌收缩能力变异性的问题。一tl, 肌收缩能力变异性,是评估心功能,尤其是心力储备、心脏耐力的重要参考。多 年来,在心功能诊断特别是在心功能分级方面,至今未能开发出同时具有无创性、


重庆大学硕士学位论文

1绪论

敏感性和特异性高、简便、快速、费用低、可重复采用和客观量化等特点反映心 肌收缩能力的心力储备测评方法。大多数心力衰竭病人的主要问题是心肌收缩力 的降低,在心血管病诊断和治疗过程中对心脏变力性、变时性和变异传导性进行
实时检测和评估是非常必要的常规工作。早期发现心肌收缩力下降并及时采取措

施对防治心力衰竭具有重大现实意义。心电图检查是目前心脏变时性和变传导性
的最佳监测方法,但不能用来监测心脏的变力性。国际上关于心音和心肌收缩能 力关系的研究为解决上述问题暗示了一条途径。Durand等研究了心肌收缩力对心 音谱和心音传输特性的影响【2”,结果表明,心肌收缩力的改变剧烈地影响心音的 强度。Rice和Doyle经过若干次的实验认为,第一心音的幅值是心肌收缩力的标

准量度,并在手术室用心音仪监测麻醉药对心肌收缩力的影响12…。结果表明,第
一心音幅值的大小与心肌收缩能力强弱密切相关,可以用第一心音幅值的变化趋 势来评估心力储备、心脏耐力。理论分析表明,第一心音幅值的大小主要决定于 心室收缩时所产生的压强能的大小,而该压强能的大小主要由心肌收缩力的强弱 来决定,这与实验验证的结果是一致的。根据心肌收缩能力和第一心音幅值的肯 定性关系,肖守中在国际上首先提出了心肌收缩能力变异性的(Cardiac
Contractility

Variiability,CCV)概念13。j,而且一并给出了其测试分析方法。提出

用相对值法建立心音幅值参数,特别重视用第一心音(S1)幅值的变化趋势来量 度心肌收缩力和评估心血管病人和健康人的心力储备;发明了心音图运动实验
(PCGET:Phonocardiogram Exercises

Test),把运动后S1幅值对安静时S1幅值
Contractility Reserve

的倍数定义为心肌收缩能力储备系数(CCRI:Myocardial 的量化测评方法[33-38J。

Index)口1’32】。通过临床实验表明,PCGET是心力储备的无伤性、简便、代价低

1.2.4,b音信号分析的发展趋势
随着计算机技术的应用范围的不断扩大,数字化技术在心音信号分析中作用
越来越重要,从而给心音分析带来新的发展机遇。目前心音分析的手段也从听诊

器、模拟心音图机转向了基于计算机的数字心音图仪。模拟心音图机可作为心音
的直观显示手段,但因其采用低频响应的热笔结构,不能完整地记录全频心音,

且记录结果仍须人工测量、分析,因而I临床应用较少。超声心动图仪一般都附带 有心音图功能,但对心音的处理十分有限,且没有听觉形象,也未见有存储、重 放功能者。目前,已有若干应用单片机或个人计算机分析心音的研究和开发,其 功能较模拟心音图机强,但仍以单纯的时域、频域或时频域分析为主,未将人工
智能技术引入心音信号的分析中,对于复杂的异常心音的分析还很有限。心音的

自动识别不仅需要运用信号处理方法,而且需要很多心血管方面的知识和经验。 在特定领域中,利用知识进行推理能大大提高分析运算效率,与仅作信号处理分

重庆大学硕士学位论文

析相比,在计算量上能节约lOO——1000倍。因此随着心音分析技术研究的深入,
人工智能和专家系统在这一领域的应用会越来越广泛。必然从人工分析过渡到计

算机辅助人工分析,自动分析并通过专家系统作出诊断。从发展趋势看,心音分 析必然由传统的模拟技术转向数字技术,同时在心音信号的获取、处理、存贮、 分析中广泛使用计算机技术并由人工通过单一的听、看做出诊断过渡到结合人工 智能技术进行计算机辅助人工分析,到计算机自动分析并通过专家系统作出诊断。

1.3课题简介
1.3.1主要研究内容
本课题的研究不涉及心音信号的采集,是将已经采集好的信号输入电脑进行
分析和处理。主要涉及以下三个方面,一是心音信号的去噪。二是心音成份的识

别,三是幅值参数的提取,前两个步骤是第三步的基础。 由于在采集心音信号的过程中难免要引入噪声,这些噪声对记录的心音波形 产生不利因素,并会影响分析的结果。由于心音信号的非平稳性,普通的滤波方
法在滤去噪声的同时,也会丢失部分心音成份。自适应滤波去噪是可以选择的方

案,但对于已经采集好的心音信号,参考信号的获取有一定的难度。本课题采用
数学形态学来提取合成参考信号,然后用自适应方法抑制噪声,同时达到心音增 强的目的。 要提取幅值参数,首先必须准确定位心音成份(主要是Sl和S2)。早期的研

究主要是基于心音信号的时域特征并结合参考信号进行识别,虽然有部分方法不
使用参考信号,但准确率不高。本课题的主要目的就是改进心音信号的识别算法,

提高心音信号识别的准确率和运算速度。 心力储备也就是心肌收缩能力的储备,是评价心功能的一个非常重要的指标。 第一心音的幅值是心肌收缩能力的标准量度。为了揭示心肌收缩能力变异的规律 性和评估其临床应用价值,把第一心音幅值的变化作为心肌收缩能力变异性指标。 本课题的目的之一是提取第一心音的幅值参数,为进一步的心力储备分析奠定基
础。

课题研究的流程如图1.2所示。

原址壹咂堕习——圆巫吁—叫圃
图1.2课题总流程图
Figl,2 The

projeet

flowsheet

重庆大学硕士学位论文

113。2课题的引入及意义
大多数心力衰竭病人的主要问题是心肌收缩能力的降低,第一心音的幅值是

心肌收缩能力的标准量度。所以要评估被测试者的心肌收缩能力,就要获得第一
心音的幅值参数。而幅值参数的有效提取需要以心音成份的识别为基础。因此本

课题研究的三个主要方面都是与实际需要紧密相关的,具有很突出的现实意义。
本课题采集信号的背景比较复杂,噪声的影响严重,在进一步处理之前,有

必要进行去噪处理。由于心音信号是一种典型的非平稳信号,频率及统计特性是
时变的,所以采用了自适应滤波的方法对心音进行了增强处理。在参考噪声的合

成过程中引入了数学形态学,利用它可以提取信号包络的特点,消除了脉冲噪声,
最后提取合成噪声信号。相信这两种方法的应用能对其他非平稳信号,特别是生 物医电信号的处理能提供一定的参考。而作为一门新兴学科的数学形态学在这里 的应用,也是这一理论在~维信号处理应用方面的一个拓展。



重庆大学硕士学位论文

2心音信号的顶处理

2心音信号的预处理
在识别心音成份之前,需要对心音信号进行去噪的预处理。心音信号在采集
的过程中,噪声的引入是不可避免的。大多数情况下,需要首先滤除噪声,得到 清晰的心音图,才能对心音成份进行有效的识别。然而由于心音信号的非平稳性,

频率也较低,信号频谱和噪声频谱往往是混叠在一起的,传统的滤波方法不能有 效地在滤除噪声的同时,又保持心音的特性不变。在研究过程中,发现可以用自 适应方法进行去噪,但参考噪声的提取又成为一个问题。原本用于二维图像边缘
提取的数学形态学可以提取一维信号的包络,利用这一特点,用数学形态学得到

心音信号的包络,进而提取合成了参考噪声。通过这种方法得到的参考噪声,由
于白噪声不具备任何相关性,使得在心音成份部分合成的参考噪声不能保证和原 信号中的噪声相关,但在心音间隙期,参考噪声和原信号中的噪声是强相关的。

利用这种相关性,来消除间隙期的噪声,同时使心音成份也得到增强。本章首先
简要介绍心音信号的噪声特性,讨论几种传统的滤波方法,然后重点介绍数学形 态学理论及用它提取噪声的过程,最后给出自适应滤波的结果。由于在这里去噪 的目的是为了使心音成份与心音间隙分界更加明显,为有效地识别打下基础,并

不能去除心音成份部分的噪声,所以称这一预处理的过程为心音的预去噪。

2.1心音信号的噪声特性
如第l章所述,心动周期中,心肌收缩、瓣膜开启、血液加速度和减速度对 心血管壁的加压和减压作用以及形成的涡流等因素引起的机械振动,通过周围组
织传递到胸壁,就形成了心音。心音信号有自己独特的频率特性。对于同一个受

试者,在同一个部位测试,第一心音的音调较低,丽第二心音的音调较高,较清
脆,即第一心音的最大频率小于第二心音的最大频率。通常情况下,第一心音频

率在90FLz到180 Hz之闻,第二心音频率可能达到200Hz。当混有杂音时,心音
信号的频率会高一些。在听诊中常常按杂音的频率组成性质将杂音描述为雷鸣样、

隆隆样、叹气样、吹风样、乐音样等。隆隆样杂音的频率多数较低,在40到100Hz 之间,而吹风样、乐音样等杂音频率则较高,在100到400Hz之间,甚至有600 至800Hz的高频成份,个别病例可高达1000Hz。因此,从最宽泛的考虑,认为
心音的频率范围为30到1000Hzl3…。 由于心音信号比较微弱,所以极易受到环境的影响。在心音数据的记录过程 中,受试者自由活动、工作和休息,可能处于各种各样的状态,譬如出入一些干

扰很强的地方,或是大幅度的运动,因此,此时心音信号的质量要比常规心音图
10

重庆大学硕士学位论文

2心音信号的预处理

又要差得多,这对信号分析结果的正确性有很大的影响。因此,如何抑制噪声的 影响是动态心音图检测的一个重要问题。 在进行心音信号测量时,测量过程中的噪声主要有随机噪音和50Hz工频干
扰噪音以及仪器噪音几个部分。

①随机噪音 这部分噪音主要来源于测量环境的干扰及微音器与测量对象的直接接触,因 为心音测量中采用的微音器的灵敏度一般较高,当测量环境有噪音时,高灵敏度 的微音器检测心音信号的同时也接收到噪音信号,并将其同时送入放大器而进入 测量系统,使其测量信号中混杂进干扰信号:另一方面,由于心音信号强度本身 就很弱,测量时微音器与测量对象直接接触必将产生摩擦噪音,这种噪音也随测 量信号一起进入测量系统。这种噪音特性接近于自噪声,前后相关性很若或几乎 不具备任何相关性。测量环境噪音和摩擦噪音都是随机噪音,对于模拟系统将成 为共模信号,影响测量信号的准确性,更严重的是噪音信号可能掩盖可被测信号
的有用成份,因此应设法滤除或减弱。

②工频干扰 此类干扰是由于测量环境周围存在电磁辐射产生的,电磁辐射干扰以50Hz 工频为主要成份。仪器本身也可能受到工频干扰的影响,在处理测量信号时工频 干扰信号一并放大,测量信号还将受到工频信号的调制,使信号带有毛刺。
③仪器本底噪音

由于仪器本身的缺陷,将产生诸如电子器件的离散噪音、电阻的热噪音等。
这些噪音和测量信号混杂在一起,使得仪器对测量信号的分辨能力下降。

2.2几种滤波算法的比较和讨论
对于经信号采集系统采集的模拟信号,通过采取合理屏蔽和接地措施,采用 性能优良的器件和浮地工作等方式,可将信号噪声减少到一个相当的程度,但仅 仅依靠硬件上的措施并不能完全解决干扰问题,需经过~定的数字滤波技术的处 理才能得到符合要求的波形。所以,滤波过程的好坏,直接影响系统的准确性与 实用性。目前有很多数字滤波方法,在文献I删中,作者列举了多种滤波方法,现
简要介绍如下: ①中值滤波:

设包含脉冲噪声的离散时间序列X z,X。,Xr一,X。,n≥1,《廿)=s(廿)+丑(廿),s(n)
为信号真值,口(n)为脉冲噪声。用窗口宽度为N的矩形窗对_x(丑)进行滤波,如取 N=7。为了确定卫,计算窗口内7个点的差分值:
df=x,“一xj

0≤J≤N一1

(2.1)

重庆大学硕士学位论文

2心音信号的预处理

将d。~d。从大到小排序,去掉最大与最小值,计算剩余差值的均值,记为

%。令只=M一。+E。,,即为滤波后所得序列值。
②平滑滤波
平滑滤波是数字滤波方法中较早被采用的方法,其差分方程为:
y(n)=[x(n一棚)+戏n—m+1)+x(n一脚+2)+???+x(n—1)+《口)】/(硼+1) (2.2)

其中缸n)为原始数据,y(n)为滤波后的数据,m依需要而定。该算法简单,处理 速度快,滤波效果较好。但是也存在明显不足,通频带很窄,不到20Hz,对频率 较高的信号有较大的削峰,信号衰减较大,无法满足临床诊断要求。

③小波分析法 小波被认为是信号分析学中工具与方法都取得重大突破的研究。当对信号进
行采样后,就得到了一个大的有限频带中的一个信号。例如如果是频率在[o-w] 中的一个信号,[0~w】就是这个信号的频带。对这个信号进行小波分解,就是把 采集到的信号分解成两个信号,高频部分和低频部分,信号的频带分别是[o~w/21

与【W/2~w】;再对低频信号进行小波分解,这样就把一个(混频)信号分解成若
干个频带互不重叠的信号,因而可以完成滤波和检波的工作。由于小波或小波包 分解可以把一个信号分解成不同频段中的信号,因此就可以进行信噪分离。 在心音去噪的过程中,要求滤去噪声的同时又不丢失心音成份。中值滤波会 引起信号幅值的变化,平滑滤波的通频带位于心音频率范围之内,会丢失心音成

份,小波方法虽然失真小,但其算法复杂,处理速度慢,因此实现有一定的困难。 通过这些比较发现,有必要针对心音信号的具体特点,找出合适的去噪算法。这
也是引入数学形态学的原因。

2.3数学形态学理论
如前所述,自适应滤波可以针对心音信号的非平稳性进行去噪处理。在噪声 的提取过程中,用到了数学形态学。由于数学形态学可以实现信号的边缘提取, 保留原信号的一些必要的形状特征,使用它可以实现心音信号的包络提取。如果 直接用心音包络信号来实现心音成份的识别,对噪声背景比较简单的心音信号识
别准确率较高,但不适合噪声复杂的心音识别。所以,在对心音识别之前,要首 先得到相对纯净的心音图,然后用其他方法实现有效地识别。在这里使用形态学

的原因是要用它合成自适应滤波所需要的参考噪声。下面对形态学的基本原理作
~个简单的介绍。 数学形态学最初用于处理数字图像,也称图像代数,是以形态为基础的对图 像进行分析的数学工具。它的基本思想是用具有一定形态的结构元素去度量和提 取图像中的对应形状以达到对图像分析和识别的目的。数学形态学的应用可以简

重庆大学硕士学位论文

2心音信号的预处理

化图像数据,保持它们基本的形态特征,并除去不相干的结构【4”。 数学形态学的主要内容是设计一整套变换(运算)、概念和算法,用于描述图 像的基本特征。这些数学工具不同于常用的频域或空域方法,而是建立在积分几 何以及随机集论的基础之上的。这是由于积分几何能够得到各种几何参数的间接 测量,以及反映图形的体视性质,而随机集论则适合描述图像的随机性质。简言 之,数学形态学中各种变换、运算、概念和算法的目的,在于描述一图像的基本 特征和基本结构,亦即图像的各个元素或者各个部分之间的关系。 数学形态学的算法具有天然的并行实现的结构。数学形态学的基本运算有四

个:膨胀(或称扩张)、腐蚀(或称侵蚀)、开启和闭合。它们在二值图像和灰度 (多值)图像中各有特点。基于这些基本运算还可以推导和组合成各种数学形态
学的实用算法。

2.3.1二值图像的数学形态学
所N----值图像是指那些灰度值只取两个可能值的图像,这两个灰度值通常取
为0和1。习惯上认为取值为1的点对应与景物中的物体,而取值为0的点构成

背景。这类图像的集合表示是直接的。考虑所有1值点的集合(即物体)X,则 X与图像是一一对应的,感兴趣的也恰恰是x集合的性质。 如何对x集合进行分析呢?数学形态学认为,所谓分析就是对集合进行变换 以突出所需要的信息[42l。其采用的是主观“探针”与客观物体相互作用的方法。 “探针”也是一个集合,它由分析的目的来决定。术语上,这个“探针”元素称 为结构元素。剩下的问题就是如何用结构元素对物体集合进行变换。为此,形态 学中定义了两个基本的变换,称为腐蚀和膨胀。 ①形态学腐蚀运算 假设A表示一个集合,用^。表示集合A的补集,用记号A[y]表示集合A以 向量Y的平移,A“表示A关于坐标原点的反射。即:
4纠={a+YI a∈A/
(2'3)
(2.4)

A=(一a{a∈A





\/ /

A/~



图2,1集合A及它的平移A[y】和反射A“
Fi92.1 Aggregate












A,A[y]and

A“

重庆大学硕士学位论文

2心音信号的预处理

图2.1给出了这两个操作的例子。对于一个给定的集合(即图像)X和另一 个集合(即结构元素)B,想象一下将B在图像上移动。在每一个当前位置X,

B[x]R有三种可能状态:①B[x]£X;②B[x]∈X‘;③B[x]nX与B[x]n叉。均
不为空。如图2.2所示。

丹D:]

图2.2

B[x】的三种可能状态
ofB[x】

Fi92.2 Three state

第一种情形说明B[x]与X相关最大,第二种情形说明Six]与X不相关,第

三种情形中B[xl与x只是部分相关。因而满足①的点x的全体元素就构成了结
构元素与图像的最大相关点集。称这个点集为B对X的腐蚀(简称腐蚀),记为

x@B。形式上,它的定义为:

xoB={xI耳司£弼
②形态学膨胀运算

(2.5)

腐蚀可以看作是将图像X中每一个与结构元素B全等的子集B[x](并行地)
收缩为点z。那么反过来,也可以将X中每一个点月扩大为Btxl。这就是膨胀运

算,记为XOB=U耳司

与之等价的定曼饱式为
xo日=MⅢ纠
xoB={x1 if[x]nX≠咖) (2.6)
(2.7)

这三种定义的几何意义示于图2.3。

14

重庆大学硕士学位论文

2心音信号的预处理

纠蚓
圈2.3膨胀运算三种定义方式图解图中yEX0 B
Fi92_3 Three definitions ofinflation opermion

③形态学开运算和闭运算 在上述两个基本运算的基础之上,可以构造出形态学运算族,它由上述两个 运算的复合和集合操作(并、交、补等)所组合成的所有运算构成。其中两个最 为重要的组合运算是形态学开运算和形态学闭运算。对图像x及结构元素B,用

叉。且表示x对B的开运算,用X?B表示X对B的闭运算,它们的定义分别为:
x。B=(X@四oB XoB=(Xo固oB
Xo

(2.8) (2.9)

因此叉。且可视为对腐蚀图像x圆B用膨胀来恢复,而叉?B可看作对膨胀图像

B用腐蚀来恢复。这一恢复往往不是信息无损的,即它们通常不等于原始图

像X。由开运算的定义式可以看出,叉。且由所有x的与结构元素B全等的子集
的并组成,或者说对x o目中的每~个点x,均可以找到某个包含在x中的结构 元B的平移B[yl使得x∈耳力,即x在X的近旁具有不小于B的几何结构。而对 于X中不能被叉。B恢复的点,其近旁的集合结构总比B要小。这一几何描述说 明爿。且是一个基于几何结构的滤波器。图2.4给出了两个开运算的例子。可以看

出当使用圆盘结构元素时,开运算对边界进行了平滑。在凸角点周围,图像的几
何构形无法容纳给定的圆盘,从而凸角点周围的点被开运算删除。而当使用线段

结构元素时,沿线段方向宽度较大的韶分方可被保留,较小的凸部分将被剔除。 因此X oB及X—X。B恰好形成了X的分割且分别包含了x的具有不同几何结构 的部分,前者给出与结构元素相匹配的部分,而后者给出不相匹配的部分。不同 的结构元素的选择导致了不同的分割,换句话说,提取了不同的特征。 由腐蚀和膨胀的对偶性,可知
(X6。B)‘=.x?B,(X。?B)。=X。B (2.10)

即开、闭变换亦为一对对偶变换。所以,集合闭运算的几何意义可由其补集的开 运算的几何意义导出。可见闭运算通过填充图像的凹角点来平滑图像,而XoB
—X给出的是图像的凹入特征。 采用上述形态算子对信号和图像进行处理便构成了数学形态滤波器。数学形

重庆大学硕士学位论文

2心音信号的预处理

图2.4开变换图例
Fi92.4 The cutline of open operation

态滤波器在图像处理和分析中有着广泛的应用,一般来说,开运算用来消除散点、 “毛刺”和小桥,即对图像进行平滑,闭运算则填平小洞或将两个邻近的区域连
接起来。下面介绍上述运算几个有用的性质: 如果结构元素包括原点(O,0),则腐蚀和膨胀满足以下性质:

性质l:
XoBc Xc_XoB

(2.11)

这一性质表明,在B包括原点的前提下,腐蚀后的结果只会使X的体积减少
或者不变,而膨胀则使x的体积增加或者不变。利用前一点,可以通过设计适当

的结构元素B,使得腐蚀后得以消除X中的微小颗粒,即噪声。利用后一点,又
可以对腐蚀结果再用B进行膨胀,以恢复有用信息(细节部分)。 性质2:
X。Bc—X£XoB

(2.12)

即开运算使原图形缩小面闭运算使原图形增大。
在数字图形处理领域中,数学形态学主要用于非线性变形,它可以局部地修

改信号的几何特征,并提供有关信号的几何特征信息。根据不同的信号的形态特 征,可以采用不同的数学形态学运算对信号进行处理,这些数学形态学运算都被 视为数学形态滤波器。在这种应用方法中,每一个信号都被视为适当维数的欧几 里德空间中的集合。数学形态滤波器被定义为集合的运算,它使信号的图形变形, 以提供关于其几何结构的数字化信息。对于被视为集合的二进制信号,腐蚀、膨
胀、开运算和闭运算是最简单的形态运算。

2.3.2一维信号的数学形态学
数学形态学通常是用在二维图形的处理,但近年来,国内外许多学者将其应 用于一维信号的处理中[431。作为一维信号处理的工具,数学形态学方法已经用于

重庆大学硕士学位论文

2心音信号的预处理

心电信号处理。HenryChu将数学形态学用于心电信号的噪声滤除Ⅲ1。Trahanias 将其用于QRS波群的检测[4”。为了用数学形态学处理心音信号,需要了解形态

学在一维信号处理中的应用方法。下面先介绍一下腐蚀、膨胀、开运算和闭运算
这几个基本运算在一维信号处理中的定义: 设H、K分别为h[n】和kin]的定义域,长度分别为N和M,一般N>M。H 和K均为整数集合。 h[n],n∈H,指包含一维信号的数字化序列,kin],n∈K,指结构元素序列。 h被k腐蚀:

(由固固fn]2趣知{j】[n+埘]~埘n】]j
嚣衾H 式中,n=0,…,N—M;m=0,…,M.1

(2.13)

计算n点处的腐蚀结果的步骤为:
(1)平移结构元素k至n点处:

(2)信号序列与结构元素相减;
(3)在差值中取最小值。 这种算法在后面减少了M个点。 h被k膨胀:

(矗。七)[1i12A和x如[口一n司+札J词}

㈣H

(2,14)

。式中,n=M,…,N;m=0,…,M—l 计算n点处的膨胀结果的步骤为: (1)将结构元素k左右翻转; (2)平移结构元素k至n点处: (3)信号序列与结构元素相加;

(4)取相加结果的最大值。
这种算法在前面减少了M个点。

由上面的运算可以看出,这种运算实际上仅包括加、减以及比较等简单运算。
由形态腐蚀、膨胀运算又可以组成形态开、闭运算。开运算(opeIling)是指信

号先进行一次腐蚀运算,再进行一次膨胀运算,即h被k开:
(h。均[廿】_j)(口)。H丑)=((^o脚0七)[皿】
被k闭:
(2.15)

闭运算(closing)是指对信号先进行一次膨胀运算,再进行一次腐蚀运算,即h

(h?的[n】_h(1i)og(1i)=(∞0的@妁[n】 (2.16) 以上介绍了数学形态学在~维信号处理中基本运算的表达式,在用这些基本 运算处理信号时,结构元素的选择是一个很关键的问题,包括结构元素类型的选

重庆大学硕士学位论文

2心音信号的预处理

择和宽度的选择。通常,结构元素分为三角型和直线型两种,为了便于计算,选 取直线型结构元素。结构元素的宽度B由运算的需要和被处理的数据长度而定,B 选得越窄,进行一次运算的时间越短,提取的信号特征就越细节。要处理的对象

是心音信号,鉴于以上考虑,B可按下式来估计:二粤≤B≤{≥。其中百是第一 1)儿J


下f

T,

心音的经验持续时间,f为信号的采样频率。正常心音样本的王一般不超过O.1

s,

于是选取直线型结构元素的宽度为80(采样频率为8000)。图2.5至图2.8分别 给出腐蚀、膨胀、开运算和闭运算等运算对心音信号处理的结果。

(gt细的线为原始心音信号,而较粗的线为处理后的信号)

图2.5腐蚀对心音信号处理的结果
Fi92.5 The result oferode

(较细的线为原始心音信号,而较粗的线为处理后的信号) 图2。6膨胀对心音信号处理的结果 Fi醇.6 The result
ofinflation

(较细的线为原始心音信号,而较粗的线为处理后的信号) 图2.7开运算对心音信号处理的结果 Fi醇.7 The result
ofopen operation

重庆大学硕士学位论文

2心音信号的预处理

(较细的线为原始心音信号,而较租的线为处理后的信号) 图2.8闭运算对心音信号处理的结果
Fi92.8 The result ofshut operation

图2.5至图2.8中,细实线为原始的心音信号,粗实线为处理后得到的信号。 从图2.5可以看出,腐蚀减小了(平滑)了峰值并且增大了序列的最小值;相反,

从图2.6可以看出,膨胀增大了(填满)了谷值且增大了序列的最大值。图2.7 显示了开运算通过削去了波峰从下面平滑了序列。这里要说明的是“从下面”的
意思是指滤波后的序列总是小于或等于原始序列。图2.8显示了闭运算通过填充 波谷而从上面平滑了序列。同样,“从上面”的意思是指滤波后的序列总是大于或

等于原始序列。在大多数的应用中,开运算通常用来削去信号中的波峰,闭运算则 常用来填充波谷。 在研究过程中发现,如果对心音信号进行全波整流后再用形态学的闭运算处
理,则可得到信号的包络。图2.9是示例的心音信号及其包络。

(a)心音信号

(b)心音包络信号

图2.9心音信号及其包络
Fi92.9 The signal ofheart sound and.its envelogram

可以看出,包络信号的波形有以下特点: ①原始信号的位置特征未变; ②幅值特征未变,而且更为直观; ③在包络信号上可以很直观地看出心音成份; 这里用于模拟心音包络提取效果的信号是很纯净的心音,包络图上几乎没有

19

重庆大学硕士学位论文

2心音信号的预处理

任何干扰,在实际环境中采集到的信号一般都是混有大量噪声的,如果直接用形 态学闭运算产生的包络来识别心音成份是很困难且效率很低的。但尽管如此,仍

然可以用形态学产生的包络来合成自适应滤波需要的参考信号。

2.4去噪方案的确定
数字滤波器可分为线性滤波器和非线性滤波器,自适应滤波器属于线性滤波
器,数学形态学滤波器属于非线性滤波器。自适应滤波可以用于处理非平稳信号,

但它需要一个参考作为相关信号来消除混入心音信号中的噪声。而对于已经采集 好的心音信号,再单独提取参考噪声是非常困难,也是不现实的。在上一节已经 知道通过形态学运算可以得到心音信号的包络,对于这个包络信号,设定一定的 闽值,找出所有大于阈值的时间段,将这些时间段的数值用与之前相邻的等长的
样本数据代替,最后得到的就是可用在自适应滤波中的参考信号。通过这种方式 得到的参考噪声在心音成份的位置不能保证与原信号中的噪声相关,但在心音的 间隙期(第一心音与第二心音之间或第二心音与第一心音之间的期间),合成的参 考噪声和原信号中的噪声是强相关的。因此至少可以把心音间隙期的噪声滤除掉, 得到分界更加明了的心音图,可以满足下一步识剐心音成份的需要。

针对这些特点,采取的心音去噪方案如图2.10所示:

—竺生压型卜区堑Lb唾乎
厂———————————————————1
图2.10心音预去噪方案
Fi92.10 Noise Elimination Scheme for Heart Sound


在数学形态学模块中用形态学的闭运算得到信号的包络,进而合成参考噪声 信号,然后与原始的心音样值一起送入自适应模块进行噪声消除。为了验证这种 滤波方案的有效性,找到一段纯净的心音信号样本,如图2.1l所示。

6.
r’










1.


I‘




【r

r…

r_

L 1…


(a)时域信号

重庆大学硕士学位论文

2心音信号的预处理

(b)功率谱密度函数 图2.1l纯净心音样本
Fi92.I 1 Clear Hear【Sound Samples

然后由Matlab产生一段与该心音数据等长的白噪声信号,调整它的幅度到合

适的比例后,与纯净的一tl,音数据相加,作为分析要使用的混有噪声的原始心音信
号,其波形及功率谱如图2.12、2.13所示:

_

I~…. L….。
-1I’’一

虬~
r…1’

6..

L….



1…. L~…

L~

n…~ _r…’一 r一

图2.12原始心音信号
Fi92.12 Original Heart Sound Signal

图2.13原始心音的功率谱
Fi92.13 Spectrogram ofOriginal Heart Sound

2.4.1数学形态学滤波模块
从数学形态学用于一维信号处理的表达式可以看出,形态学滤波是非线性的
滤波器,它可以保留原信号的一些必要的形状特征。要用形态学滤波提取心音信

霓庆大学硕士学位论文

2心音信号的预处理

号的包络,实际上就是要实现心音信号的边缘提取,其步骤如下: ①全波整流

设包含噪声的离散时间序列玉,鼍,鼍,…,%,(//≥1)为待处理的心音信号,全
波整流处理后的半波信号为Y.,则
卫=l玉i
j=1,2,…,/1

(2.17)

即按基线取绝对值。处理后得到如图2.t4(b)所示的半波波形图。 ②包络提取 进行心音信号的包络提取,即对所得半波波形图利用数学形态学的闭运算进
行处理:

设Ⅱ妇]为半波信号,H脚]指结构元素序列(直线型结构元素,宽度为80),4n】 为经闭运算处理后得到的心音包络信号,则 建n]=Ⅱ妇】?赶m】=((hepo七)【口]


(2.18)

由于数学形态学闭运算可以填平波谷,即把每个波峰之间的间隙填充。由此
得到了心音信号的包络图,如图2.14(c)所示。

提取包络以后,对于图2.14中的图c,以包络信号的均值为阈值,先找出所
有大于闽值的时间段,再把这些时间段内的样本值赋值为前面相邻的与之等长的

时间段里的原心音信号样值,其他区间保留为原心音信号样本值不变。如图2,15
中的a,为包络曲线和闽值线,先找出所有大于阈值线的时间段,然后对应于包 络提取前的心音图(图2.12),将这些时间段的值复制为心音图中前相邻的与之

(a)处理前的心音信号

‘..1..

.▲.

.▲.

▲ ..I



▲_。..

▲|

.I

(b)全波整流后的信号

几一LA上▲J一.也~L~.从
(c)包络提取后的信号

图2.14心音包络提取效果
Fi92.14 The Effect ofExtracting Heart Sound Envelograra

等长的时间段的值,其他部分保持原心音图中的值不变。将这样的时间段全部赋 值后,生成的新信号作为参考噪声信号。由于在这里对心音信号去噪的目的是为
了得到分界更清晰的心音图,即要求心音成份部分与心音间隙期的分界更加清晰 明了,为有效的识别打下基础。所以虽然通过这种方法合成的噪声在心音成份部

重庆大学硕士学位论文

2心音信号的预处理

分(在包络信号中都表现为大于包络阈值的部分)不能保证与原信号中的噪声相
关,但在间隙期是强相关的,因此可以有效地滤除间隙期的噪声,仍然符合识别 的要求。图2.15的b和C为合成的噪声信号以及它与心音间隙期信号的互相关函 数图(理论分析可以在心音成份识别之前截取间隙期的数据,实际操作时只有在 心音成份识别出来后才能得到间隙期的信号)。从互相关函数图可以看出,合成的 噪声信号与心音间隙期的信号相关性是很好的。

(a)心音包络及其阀值线

(b)合成的参考噪声

(c)在心音间隙期参考噪声与原心音信号样值的互相关函数 图2.15参考噪声及互相关函数图
Fi92.15
Noise sign矗and it’s Cross-correlation Plot

重庆大学硕士学位论文

2心音信号的预处理

2。4。2自适应滤波模块
白适应滤波是在维纳滤波的基础上提出来的一种方法。实用于平稳随机信号

的维纳滤波器是一种具有最佳过滤特性的滤波器,要获得这种滤波,必须事先知
道信号和噪声的统计特性。但在实际应用中,不易得到这种信号统计特性的先验 知识,特别是实际信号的统计特性有时会随着时间发生某些变化,这时用维纳滤

波难以实现最佳滤波,而用自适应滤波则可以实现很好的滤波性能。它们一样都
是以最小均方误差为准则的最佳过滤器,自适应滤波器实际上是一种能自动调节 本身的冲激响应h(n)以达到最优化的维纳滤波器。设计自适应滤波器时,不一定 要知道信号和噪声的自相关特性,而且对自适应滤波器而言,信号与噪声的自相 关函数即使随时间发生某些变化,它也能调节到满足最佳过滤的要求14“。

①算法的推导
自适应噪声抵消器是自适应滤波的一个重要应用,它用对消的方法抑制干扰, 而把被污染的信号提取出来。原理如图2.16所示14 7】.

信号源s(丑)7¥/


s+vo。/

弓:里


ej



sf

/Vo(n)参考输A.卜!.善兰J
图2.16自适应噪声抵消器原理图
Fi驴.16 Adaptive
Noise Cancellation Plot

它有两个输入:原始输入和参考输入。原始输入为被干扰的信号:
《廿)=s(j】)+vo(n)

(2.19)

参考输入M(丑)与干扰vo(丑)相关,而与信号s(n)不相关。图2.16中的AF为

自适应滤波器,它接受误差信号ei控制和调整权系数w,,使其输出y,趋于x,中
与之相关的%,于是作为x,与y,之差的e,将趋于信号s(廿),下面证明这个结论。 s与VO及M均不相关,而VO与H相关,从原理图可见
ef=xf—y』=s+K—y,

(2.20)

将上式两边平方,然后求均值,得

目e,2]-日s。】+目(K—y,)2】+2日s(vo—y『)]

(2_21)

自适应过程就是自动调节权系数w,使日e,2]=min的过程。上式中第一项为信 号功率Ⅱs2】,它与w无关;第三项等于零,因为s与vo、y,均不相关;要使E[e,2] 最小,就要求上式第二项最小,即 E【(%一y,)。】=日(%一y,)2】。
(2.22)

重庆大学硕士学位论文

2心音信号的预处理

从而有
(EIe』2】)。=耳s2]+(研(%一玎)2])~ 由于


(2.23)

J—S

vo

yi

(2.24)

因而
(2.25) 研(巳一s)2】_E[(Vo一乃)2] 当等式右边被最小化时,等式左侧也被最小化, 即eJ以最小均方误差趋于s。其

极端情况为
乃2


(2.26)

也即

2 s

(2.27)

因此自适应滤波可以用来从噪声中提取信号,它不需要事先知道s和碥的统

计特性,而且当信号和噪声的统计特性发生某些变化时,自适应滤波器能自适应 地调节它的冲激响应特性(即m)来适应新的情况。当然,它也有一个要求,就 是需要参考输入与原始输入中希望除去的噪声相关。 心音信号是非平稳信号,采集到的信号都混有噪声,不能直接从采集到的心 音数据中得到心音的自相关函数,而了解噪声的统计特性也有一定的难度。所以 采用自适应滤波方法,用合成的参考噪声滤去混在心音中的噪声。由于参考噪声 是用数学形态学从原心音信号中提取出来的,它在心音间隙期与混进心音中的噪
声是强相关的,就是利用这种相关性,来滤除间隙期的噪声,得到分界更清晰的 心音图。对应与自适应去噪原理图,把混有噪声的心音数据加到自适应模块的原

始输入端,把经过数学形态学提取的参考噪声加到参考输入端。自适应模块的输
出即为所需要的心音。 假设被噪声污染的心音信号表示为时间序列{x?}
xi=si七ni

Q.28)

上式中x;是输入自适应模块的心音数据,s;是所期望的心音信号样值,力.是
噪声样值,下标J表示抽样时刻。x,加到原理图的原始输入端。参考噪声Vi加到

参考输入端。选用的滤波器类型为LMS横向FIR滤波器,下面推导最小均方误
差与自适应滤波器权系数w之间的关系。


由原理图可以得到:乃=∑w._一,=w7V
其中妒2【w,%,…,%】,K7={vj,、+…,_一。】
因为e J;xi—yi=si+n 3一yi=si七ni—WTV}

(2.29)
f2.30)

(2.31)

重庆大学硕士学位论文

2一t5,音信号的预处理

所以E[ej2]=目s,2]+2E[s』(n,一乃)]+耳(nJ一乃)2】 式中E【s,2]为信号功率,与Ⅳ无关,s与n、-均不相关 所以E[ej2】mm=E[s,21+日(n,一乃)2]mⅢ

(2.32) 上式第二项为零。
(2。33)

令e;=ni—yi,

佗.34) (2.35)

则日巳’2】=E[(口,一Ⅵ/7V)2】=E[nj2]-29-疆n,K7】Ⅳ+W7E[VV71Ⅳ
令P=吼xiV】,R=研VVl】

P=耳xJV】.目(s,+n,)vj】=耳‘K]+E[n,V】_E[也V】

r2.36) (2.37)

代入得目ei’2]=E[nj2卜2P7Ⅳ+矿Rw
唯一的极小点。

它是权矢量w的二次型函数,研e,。卜w是一个凹形超抛物体曲面, 它具有
q巳2】-耳s,2]+E[巳’2】-目s,2]+目n,2]-2P7w+W7RW (2.38)
(2?39)

根据最小均方误差估计准则,有意目守】=-2P+2RⅣ=0
系数Ⅳ估计值递推过程为:’:l●+t=Wj—uVwJ},

由此可解得最佳权矢量∥,即∥=只。P。根据LMS算法,自适应滤波的
其中VwJI,表示代价函数的梯度在时刻J时的估计,u是控制自适应收敛速
度与稳定性的控制因子

Vw儿。意目。刘2

t(2.40)

为了保证收敛,对于横向滤波器必须满足:

0<u<=k 日一‘】
的估计,最终得到权系数的递推式为:

(2.41)



为了便于实时系统实现,取单个误差样本的平方ei2的梯度作为均方误差梯度

ⅣJ+1=Wj+2ueyj
②模型的建立

(2.42)

用MATLAB集成的建模与仿真软件Simufink建立了自适应心音去嗓的模型
【481。Simulink的DSP Block,set库为数字信号处理系统设计提供了丰富的模块,从

中选取LMS自适应滤波去噪模块作为核心建立了自适应心音增强系统的模型, 如图2.17所示。其中,sx为输入心音样本信号,它在MATLAB的工作空间建立。 sIl为输入的参考噪声,也在MATLAB的工作空间建立。“滤波器系统”模块用于 观察滤波器权值的变化情况,“信号显示”模块用于浏览运算过程中的原始心音 信号和滤波后的心音信号,一次显示一个心动周期(按正常心音的经验值估计,
一个心动周期大约0.8s)的波形。

重庆大学硕士学位论文

2一tL'音信号的预处理

Adapt抽NoiseCanceZIatIonforHea^Sound

图2.17自适应心音去噪模型图
Fi啦.17 The Model
ofAdaptive Noise Cancellation for Heart Sound

滤波器类型为横向FIR,阶数M=32,控制因子u=0.05。 ⑨模型运行结果及其分析 从功率谱的角度比较了信号滤波前后的变化。将原始的心音信号送入自适应
模块进行滤波。滤波后的波形及功率谱如图2.18所示。可以看出,自适应滤波后 的心音图分界更明显,尤其是从功率谱图的角度,比较图2.1l∞)与图2.18(b),几 乎是相同的,说明构造的去噪方案能够从混有噪声的心音信号中有效地恢复出心 音特性。 在运行自适应去噪模型的过程中,自适应滤波器的权值经过300次迭代后初

次达到收敛以后,在心音间隙期权值保持稳定,但在每~个心音成份部分(S I、
S2出现的地方)又会有一个权值波动趋于收敛的过程。这与理论上的预测是一致

的,因为通过数学形态学合成的参考噪声不能保证在心音成份部分和信号中的噪 声相关,但在心音间隙期是相关的,所以在每~个心音成份出现时,滤波器都会 有重新调整权值以至达到收敛的过程。图2.19直观地表达了这一现象,图中的数 据是通过自适应滤波后的心音信号与纯净的一tl,音信号相差得到的,为了便于观察, 只取了开始的一段,大约两个半心动周期的时间。

重庆大学硕士学位论文

2心音信号的预处理




L.
r’

k.


L~ F一


L….


1…

I.










L.一



L~

f-f

r,…

r-



(a)自适应滤波后的信号

(b)自适应滤波后的功率谱 图2.18自适应滤波后的心音信号及其功率谱图
Fi92.1 8 Heart Sound and it's Spectrogram Processed by Adaptive Filter







“^..一J.,一.….一。JL


JJ一...

.j。..~~

.J上.。。..



一“1.Jj..

『””””…一…’一…~…1”’…一1‘。f’”1……”…m州一




一~一。一一一~
图2.19误差信号图
Fi92.19 Error Signal Plot

2.5小结
通过实验信号和模型的验证,采用的预去噪方案是可行的,可以从混有噪声 的信号中有效地恢复出心音信号,得到分界更加明了的心音图,并能保持心音的 频率特性不变,这些都是在识别心音成份之前所需要的。

重庆大学硕士学位论文

3心音成份的识挣

3心音成份的识别
前~章对原始心音数据进行了预处理,使心音成份部分与心音间隙期的分界

更加明显。进行预去噪处理的目的是保证能有效地识别出心音成份。本章将介绍 如何从预去噪后的心音数据中识别出sl、s2,得到心音信号相关的特征参数,并
找出s1、S2的起止点,为幅值参数的提取做好准备。

3_1心音成份识别的基本思想
心音信号分析的关键是必须准确地识别出每一个S1、s2,如果sl、s2识别

错误.提取的幅值参数就不准确,其后进行的心力变异性分析亦将失去意义。本 文通过寻找一些特征点来达到识别心音成份的目的,所要找的特征点包括Sl、S2 的最大幅值点以及S1、S2的起止点。 特征点的识别是根据它们在心音图中所处位置及其相互关系进行识别的。在 识别特征点时,不仅要考虑点的各种特征,另外由于满足这种特征的点较多,还
需要优化选择结果。比如识别起点,对于满足其定义特征的点较多,尤其是起点

附近的点都可以看作是起点,因此存在从多个可选方案(点)中筛选确定其中一 个为起点,最后确定为特征点的情形。
在心音信号识别过程中,一般先找出可能的Sl、S2信号区间,然后根据心

音信号的时域特征,分辨出究竟哪个是s1,哪个是s2,判断出s1、s2之后,再
分别在s1、S2区间中找其幅度最大值,然后再判断S1、S2的起止点。

根据特征点识别的基本思想,要寻找心音信号的特征点,要么在时域中找,
要么在频域中找,要么同时在时频域中找。传统的识别方法都是借助参考信号在

时域中直接定位,准确率虽然较高,但装置复杂,难以满足临床快速诊断的需要: 由于心音成份主要集中在低频区域,不同成份的频率是混叠在一起的,因此单独 在频域识别几乎是不可能的;所以目前研究的方向主要是在时频领域的识别方法, 但很多文献往往过于注重分析理论的新颖度,而没有着重考虑算法的复杂度以及 实用性,通过实验研究发现,心音信号经过去噪的预处理后,不进行过于复杂的
时频变换就能达到识别信号成份的目的。本文选择了最常用的时频分析工具,短

时傅立叶变换来分析心音信号,可以同时观察到心音的时域和频域特性,最后得 到信号的时域能量包络数据,利用这些数据达到了识别心音成份的目的。加上预 去噪的过程,用短时傅立叶变换进行识别的运算速度和计算量都是很有优势的。 在研究的过程中,也考虑过使用小波变换,因为小波变换能够同时在时域和频域
获得理想的分辨率,但相对与傅立叶变换来讲,小波分析的运算量要大得多,而

重庆大学硕士学位论文

3心音成份的识别

且通过调整傅立叶变换窗的宽度,发现窗口宽度为32ms时的频谱图最适合眉来识
别心音成份,所以虽然在实验研究的过程中,需要不断地调整窗口的宽度来找到 最合适的时间窗,但在实际识别心音的过程中,就可以直接应用分析得出的结果, 用32ms的时间窗(如果采样频率是8000Hz,就是256点的时间窗)对信号作短

时傅立叶变换。所以在这种有更简便的方法就能达到目的的情况下,选择了短时
傅立叶变换作为时频分析的工具。

3.2心音信号的短时傅立叶变换分析
短时傅立叶变换(STFT,又称窗口傅立叶变换)是用于对非平稳信号进行时 频分析的有效工具。为了进一步描述心音成份Sl、s2的特征,采用STFT对预去

噪后的心音样本信号(即上一章经过自适应滤波后的信号)进行了分析。在分析
过程中,窗口宽度的选择是非常重要的。因为一方面,要使用尽可能窄的窗口来 保证信号的局部平稳性,另一方面,要选择较宽的窗口来提高频率分辨率。如何

处理这一对矛盾是STFT分析的关键。在分析过程中,通过调整滑动时间窗的宽 度,得到了比较满意的效果。实验结果表明,当选用窄窗进行分析时,时间分辨 率高,得到了心音信号的时域能量包络图,由此可以比较准确地量度心音成份的 时域特征参数。而选用宽窗进行分析时,得到了每个心音成份(s1和s2)的频
谱,由此可以以高的频率分辨率识别出它们的组成。

3.2.1短时傅立叶变换
短时傅立叶变换是建立在传统傅立叶变换基础之上的,其基本思想是引入一 个具有时频局域性的窗函数呱f),让它沿着信号s(0滑动,对每一段被窗口截取

的部分作傅立时变换。由于滑动窗的位置引入了时间的信息,这样就可以得到一 个时变的频域分析结果。可以用下面的表达式来说明STFT:

联‘o=∑s(f)叫f—t)e-J2“
其中t表示时间,f表示频率。

(3.1)

STFT克服了传统傅立叶变换不能反映信号时频局域性的缺陷,是最早和最
常用的一种用于非平稳信号的时频分析方法。它利用窗函数耐f)的滑动把非平稳

信号s(0分成一系列相互重叠的子段。并假设每个子段都是平稳的。每个子段的 信号都与窗函数相乘,以减少由于时间截断而产生的旁瓣泄漏效应,然后对每一 段进行FFT分析。这种分析方法得到的频率分辨率是时间窗宽度的倒数,由于这
种关系的存在,在保证每~子段局部平稳性的同时又要获得较好的频率分辨率就 成了一对需要解决的矛盾。只有在满足每个子段都没有信号突变的情况下,通过 STFT得到的频谱图才可以描述整段信号的时频特征。为了解决这个限制,可以

采用尽可能短的滑动时间窗来保证局部平稳性,但这样就降低了频率分辨率。所
30

重庆大学硕士学位论文

3心音成份的识别

以,在用STFT分析心音信号时,需要考虑时间频率的折中,用不同宽度的滑动 窗先后对心音信号进行分析,然后比较不同的结果,从中找出需要的信号特征。

3。2.7短时傅立叶变换结果分析及讨论
用于分析的信号采样频率为8KHz。由于s3和S4强度较弱且不单独含有可 用信息,只需要分析s1和S2。首先用窄时间窗进行分析。图3,1是用128点的 汉明窗得到的频谱图,图3.2是相对应的等高线圈。

图3.1频谱图(128点汉明窗)
Fi西.1 Spectrogram,Hamming Window(128 samples)

图3.2等高线图(128点汉明窗)
Fi93.2 Contours plot ofSpectrogram,Hamming Window(128 samples)

从图中可以看出,128点的时间窗时间分辨率过高,频谱集中在很小的时间

段以内,且有相当多的能量延展到相对高频部分。正常心音的sl时限为大约O.1 s, 128点的频谱图和等高线图均不能很好地反映心音的时域及频域特性。于是需要 增大时间窗口的宽度,用256点的窗口进行分析。效果见于图3.3和3.4。

图3.3频谱图(256点汉明窗)
Fi审.3
Spectrogram,Hamming

Window(256 samples)

重庆大学硕士学位论文

3心音成份的识别

图3.4等高线图(256点汉明窗)
Fi93.4 ContourS plot ofSpectrogram.Hamming

Window(256 samples)

如图3.3所示,心音成份S1和s2在时域和频域都有很清晰的定位。从等高 线图中可以更明显地看出,S1的能量主要集中在100Hz到150Hz之间。第二心 音s2的频率范围大概从50Hz到300Hz,比s1要宽,能量也集中在100Hz左右, 但比S1分布要均匀一些。

用256点的汉明窗取得了很好的时间分辨率,而频率分辨率很不理想。用512
点的时间窗继续进行了分析,效果见于图3.5和图3.6。

图3.6频谱图(512点汉明窗)
Fi93.5 Spectrogram,Hamming

Window(5 12 samples)










图3.6等高线图(512点汉明窗)
Fi93.6 Contours plot ofSpcctrogram,Hamming


Window(512


samples)

可以看出,512点的时间窗已经开始体现时频分辨率折中的特点,在没有严 重损害时间分辨率的情况下频率分辨率得到了提高,尤其是第二心音的组成有了 比较明显地体现。图3.7和图3.8是用1024点的时间窗分析的结果。

重庆大学硕士学位论文

3心音成份的识别

图3.7频谱图(1024点汉明窗)
Fi妇.7 Spectrogram,Hamming Window(1024 samples)

图3.8等高线图(1024点汉明窗)
Fi93.8 Contours plot ofSpectrogram,Hamming

Window(1024

samples)

注意到图3.7和图3.8中频率分辨率进一步得到了改善,同时各个心音成份 的界定也比较明显。从图3,8中可以更清晰看出,Sl的能量集中在100Hz积150Hz
之间,同时在200Hz左右它有一个比较大的裂片,这是在心脏的收缩期由于半月

瓣和房室瓣的关闭引起的。从图3.7可以看出,s2的频谱由几个瓣块组成,这与
主动脉瓣和肺动脉瓣的关闭有直接的关系。图3.8比较清楚地表明,S2大约发生 在第一心音0.3s以后,与S1的主要部分相比,它的能量要低得多。 512点和1024点的汉明窗在时域和频域同时取得了比较好的分辨率,但如果 要迸一步地提高频率分辨率就需要继续增加窗口的宽度。用2048点的汉明窗对同 一段心音信号进行了分析,效果见于图3.9和图3.10。

图3.9频谱图(2048点汉明窗)
Fi93.9 Spectrogram,Hamming

W'mdow(2048 samples)

重庆大学硕士学位论文

3心音成份的识别

图3.i0等高线图(2048点汉明窗)
Fi西.10Contours plotofSpectrogram,HammingWindow(2048 samples)

可以看出,频谱图有了更好的频率分辨率,但同时也严重地损害了时间分辨 率,这进一步说明了时间频率折中的重要性。 为了更好地了解心音频域方面的特征,选用了频率分辨率最好的窗口长度为
2048点时的频谱图。从原始心音图上可以比较近似地观察出心音成份在时域的分 界,利用这个分界,在每个心音的持续时间段沿时间轴取每个频率点的最大值, 得到了各心音成份的频谱。分别如图3.1l和图3.12所示(为了更好地观察心音的

频谱特征,绘图时取的频率上限对第一心音是500Hz,对第--,5,音是550Hz,相 对于心音的频率范围来说,这两个频率上限足够包含心音的频率信息了)。

图3.11 s1的频谱(2048点汉明窗)
FigS.1l SpectralRepresentation

ofSl,HammingWindow(2048

samples)

圈3,12 s2的频谱(2048点汉明窗)
Fi93.12 Spectral RepresentationofS2,HammingWindow(2048

samples、

重庆大学硕士学位论文

3心音成份的识别

可以看出,s1和S2的频谱都集中在低频区域,但差异也很大。Sl在100Hz 到150Hz之间有一个谱峰,在200Hz左右有一个主要的旁瓣,二者功率相差很大。

S2的功率谱图上很明显地包含四个主要部分,其中两个最强的部分是由于大动脉
和肺动脉的关闭产生的。

3.3心音成份的识别
识别心音成份,首先需要了解心音在时域方面的特征。通过上面对心音的短
时傅立叶分析,了解到窗口宽度为512点和1024点时,频谱图的时间和频率分辨 率都是较好的,但为了明显地看出心音的时域特征,需要选用时间分辨率高的频 谱图。而窗口宽度为128点时的时间分辨率虽然最高,但它使心音的能量过于集 中在很狭窄的时间段内,没有正确地反映心音的时域特性。基于这些原因,选择 窗口宽度为256点时的频谱图(图3.3),对其沿频率轴取每一个时间点的最大值, 得到了心音信号时域的能量包络图,如图3.13所示:

图3.13心音时域能量包络图
Fi93.13 Temporal Energe Shape ofPCG

从图中可以看出,时域能量包络很直观地反映了心音的时域特征,因此可以

使用心音时域能量包络的数据来识别心音成份,把这些数据称为时域能量包络。 相对于上一章用数学形态学得到的心音信号包络而言,能量包络在有心音成份出
现的地方与心音间隙期有更显著的区别,而且能量包络数据的变化是连续的,在

间隙期几乎没什么能量且变化平缓,这些特征使得用能量包络数据识别心音成份 比直接使用心音包络识别要简便得多。根据特征点识别的基本思想,确定的具体
识别过程如下:首先用差分法判别出可能的S1、S2区间,再利用医学常识确定

哪个是S1,哪个是S2,然后找出其幅值最大值,最后判断S1、S2的起止点。

3.3.1差分法原理
差分法是心电图自动分析算法中比较常用的方法。由于它运行速度快,效率 高,差分法常用于R波识别、起止点识别等心电图测量方法中。本文将其应用于

重庆大学硕士学位论文

3心音成份的识别

心音成份Sl、S2的识别中。 设置(产1,2,3,…N)为心音时域能量包络数据,则
k点一阶差分×=暑一xjf女(女≥l,支+lsj兰N) (3.2) (3-3)

k点二阶差分亏=坛女一只=kk+墨女一2五(七21,七+I≤jsN—k)
下面讨论通常情况下k的确定原则。

有关国际机构做出了确定波形的最低幅度和时限要求[491:各种波形至少应有
20uv的电压偏转和6ms宽的时限,以便与人的目测分辨率相等,因此可以按下式 初步确定k。
f七≥1

{七~



(3.4)

11_s而丽

上式中f为心音信号采样率,由于所使用的心音信号的采样率f=8000Hz,因 此得1≤k≤49。k越大,运算速度越快,但其分辨力越低;反之,k越小,运算 速度越慢,分辨力越高。在实验过程中,试验了不同的k值,发现k取16时效果 较好,因此在本文中取k=16。

一阶差分反映了该点斜率大小,二阶差分则反映了斜率的变化率。因此一阶 差分越大,说明该点斜率越大。由于在本文中将差分法用于心音时域能量的包络 信号,噪声并没有完全被消除,还有一些杂波信号能量混在其中,但是心音成份
部分的包络的上升沿和下降沿比其它杂波信号陡,因此可以给定一阶差分阈值,

大于给定差分阈值的点才可能是Sl与s2的上升沿与下降沿。在运用差分法进行
识别时,差分阈值的确定是比较重要的,本文中采用了自学习的方法进行差分阈

值的确定。首先对所分析信号计算各采样点数据的一阶差分,将一阶差分按从大 到小排列,求前面十个值的平均值,设为P,再乘以调节系数a(按经验,a在0.3 到O,5之间取值),即得到一阶差分的阖值y=p×a。
3.3.2

Sl、S2的识别

医生在看心音图时,首先是在一个个的波峰中按第一心音、第二心音的特征
找出波形中的第一心音、第二心音。同样,让计算机来识别心音图中的心音成份,

首先需要确定波形中可能为第一心音、第二心音的波峰的位置。从上一章心音包
络图中可以看出,Sl、S2的时域能量包络是一系列正向波,其幅度相对较大。由

于在心音圈中有意义的心音成份的宽度一般都在30ms以上,因此在心音能量包
络图中,宽度小于30ms的正向波一般来说可能是噪声引起的(不能保证噪声被

完全滤除掉了),并且若正向波之间的间隔宽度小予20ms则识别时认为是同一个
心音成份。 Sl,S2的识别算法如下:

重庆大学硕士学位论文

3一t5音成份的识挣

①设定幅度阂值,将小于闽值的波峰去除。
闽值的确定方法采用自适应方法,首先找出所分析心音能量包络信号的最大

值,再乘以调节系数a,通过仿真试验,这里a取0.2。阈值确定后,将所有小于 幅度阂值的点的值赋为0。这样就把最大幅值小于阈值的波峰去除了。同时S1、 S2的正向波的宽度被减小,原始能量信号包络图被改变。尽管原始能量信号包络
图发生了变化,但是Sl,s2最大幅值点的位置没有发生变化,仍然符合检测的
目的。

③计算所得信号的一阶差分值,并确定差分阈值。 在这里使用的是16点一阶差分,设五(仁1,2,3,…N)为能量包络数据,则16
点一阶差分M=葺一葺。。

使用差分阈值法的关键,是要确定合理的检测闽值。在实验中,能量包络的 形态和波幅会因实验对象的不同而有很大差异,很难找到一个适合众多实验对象
的固定检测闽值。本文采用自学习算法来建立检测阈值。 自学习算法就是在进行检测前,先让计算机对实验对象的能量包络信号进行

一系列计算,记忆其中的特征值作为确定阈值的依据。其实现方法是首先取出5
秒心音能量数据,算出10个最大差分值。为了排除尖峰干扰等偶然误差所造成的

峰值过大的误差,通过排序去掉其中的最大值和最小值。对剩下的8个差分值采
用平方逼近法取其零次多项式(即算术平均值)为标准值,以消除随机误差,然后

再以该值的O.2作为标准的检测阈值x。 这样得到的检测闽值比较合理,既可排除在处理过程中可能出现的尖峰干扰,
将高幅杂波引起的过大差分值除去,避免闽值过大而造成可能的漏检;又可将一

些太小的差分值略去,以免阈值过小而误检。以下提到的正差分、负差分是相对
于差分阈值而言的,即它们的绝对值都大于差分闽值。

③寻找正负差分对。
正差分代表波形的上升沿,负差分代表波形的的下降沿。寻找正负差分对的

过程就是寻找S1、S2时域能量正向波的过程。
由于在同一个正向波的上升沿上有多个正向差分,下降沿上有多个负向差分。

因此寻找的过程为首先找到第一个正差分,再依次向后寻找,其间出现的正差分
都舍掉,直到找到第一个负差分,再往后找,其间出现的负差分也都舍掉,直到 出现又一个正差分时,取其前面的一个负差分。这样就找到第一个正负差分对。 按照上述过程依次向后寻找,直到找出所有的正负差分对。 ④标记所有S1与S2信号。

由于心音分裂、心杂音以及噪声的影响,有时可能在s1、S2的附近出现多
个超出差分阈值的正负差分对。因此,对于上面找到的正负差分对,还需要判断

重庆大学硕士学位论文

3心音成份的识别

哪些是Sl与s2。首先,计算每一个正负差分对的持续时间。由于s1时限在
70~150ms之间,s2时限在60~120ms之间,根据SI与S2时限设定差分对上下

阈值,上限定为160ms,下限定为50ms,将持续时间不符合阈值的正负差分对舍
弃,所留下来的正负差分对就是Sl,s2正向波的上升沿与下降沿。在上述上升

沿与下降沿的时间间隔内找出每一个最大幅值点,并将其标记出来。 ⑤判别sl,s2。
当所有的最大幅值点被标记出来后,就找到了所有的s1与S2信号,但究竟 哪些是s1,哪些是s2昵,这里要用到下面相关的医学知识来选择。 1)在PCG记录中,心脏舒张期的持续时间(从s2结束到s1开始)大于心 脏收缩期的持续时间(从S1结束到S2开始)。 2)心脏收缩期的持续时间(从s1结束到S2开始)与心脏舒张期相比,相对 恒定。

3)心尖部听到的第一心音强于第二心音,心底部听到的第二心音强于第一心
音。

4)当心率过快时,舒张期缩短,以致收缩期和舒张期的时间几乎相等,s1幅 值增大。 有了这些医学常识,首先计算标记出来的峰值点的间距,利用S1S2间距小 于¥2Sl间距来判断,如果相邻两个间距相差0.1秒以上,则间距小的为S1S2间

距,间距大的为¥2S1间距,这样就依次将S1与s2标记出来;如果相邻两个问 距相差O.06秒以下,则证明此时心率过快时,舒张期缩短,以致收缩期和舒张期 的时间几乎相等,由于的心音记录位置为心尖部,此时S1幅值大于S2幅值,而 心率过快时又会使sl幅值增大,又用了幅度闽值,因此,此时剩下的都是Sl, 故将这两个点都标记为Sl。 ⑥找出Sl与S2的起止点。
由于在第一步中使用了幅度阈值,将小于闽值的波峰去除了,同时S1、S2 的正向波的宽度也被减小。因而,必须回到原始能量包络图中找出Sl与s2真正 的起止点。 由于Sl时限在70—150ms之间,S2时限在60~120ms之间,只要在找到的

s1与s2峰值的前后100ms的时间范围内寻找其起始点与终止点。又因为起止点 附近的点的特征与起止点相似,使得这些点都可看作是起止点。必须对这些点进 行筛选。在本文中所用的方法是在峰值点前100ms的点中从后向前寻找第一个最 小值点,此即为起始点;然后在峰值点后100ms的点中从前向后寻找第一个最小
值点,此即为终止点。

通过上述步骤,就将sl与S2识别出来了,并找出了所有S1与s2的起止点。

重庆犬学硕士学位论文

3心音成份的识别

3.33特征参数的提取
上一节通过心音的时域能量包络图识别出了心音成份,找到了S1、s2的起 止点,在这个基础上,就可以提取。ti'音信号的特征参数了。

在心音图上,能直观地看出一tL'音的时域特性。而在心音自动分析中,必须将
这些时域特性量化,使其成为定量分析心音所必需的特征参数,这些特征参数及 其确定方法如下:

①s1时限:指第一心音的持续时间。由于已经找到了sl的起止点,因此Sl
时限用s1的止点时间减去起点时问就可得到。

②S2时限:指第二心音的持续时间。与s1时限一样,用s2的止点时间减去
起点时间就可得到。

③SiS2问期:指当前心动周期中第一心音的终止点到第二心音起始点之间的 时间间隔。用S2的起点时间减去前一个S1的止点时间就可得到。 ④¥2S1间期:指当前心动周期的第二心音的终止点到下一周期的第一心音起
始点之间的时间间隔。用S1的起点时间减去前一个s2的止点时间来得到。

⑤收缩期:指当前心动周期的第一心音的起始点到第二心音起始点之间的时 间间隔。用s2的起点时间减去前一个Sl的起点时间来得到。 ⑥舒张期:指当前心动周期的第二心音的起始点到下一周期的第一心音起始 点之间的时间间隔。用Sl的起点时间减去前一个S2的起点时间来得到。
除了上述这些特征参数外,还有一些特性不能直接从心音图中看出,需要通

过上述特征参数进行计算才能得到的特征参数,这些特征参数包括: ①心动周期:指心脏跳动一次所需要的时间。由于心脏跳动一次包含收缩期
与舒张期,因此心动周期就等于收缩期与舒张期的和。

②平均心率:指平均每分钟心脏跳动的次数。测量心率比较精确的方法是计 算若干个(5个以上)的心动周期,求其平均数。再用这个平均数来除60,所得
即为心率。

根据以上方法,对待分析的信号进行了识别,有效地提取了心音成份的数据,
并经过验证是正确的。从中选择了两个心动周期进行比较。结果如表3.1和表3.2
所示。
表3.1心音成份持续时间
1hb3.1 Heart Sounds Durations

心动周期序号


Sl持续时间(n茑)
110.75 111.22

s2持续时间(/1"/5)
64-38 81 07



重庆大学硕士学位论文

3心音成份的识别

表3.2心动周期
Tab3.2 Cardiac Cycle Duration



以SI为基准
0.75946


以s2为基准
0.75946




通过识别结果可以看出,这种分析方法得到了预期的效果。第一心音Sl和第 二心音S2的平均持续时间分别为110.985ms和72.725ms,S1要比S2长很多。无

论以Sl为基准还是以S2为基准,心动周期均为0.75946s,也即大约79bpm(每
分钟跳动的次数),这与正常人的心脏特性是相符合的。

3.4小结
本章通过对信号进行短时傅立叶变换得到了心音的时域能量包络图,利用能 量包络的数据,结合传统的差分法与相关的医学常识,对心音成份进行了识别,

实验结果表明,采用的方法是简便且有效的。

40

重庆大学硕士学位论文

4幅值参数的提取

4幅值参数的提取
心音成份识别出来以后,下一步的任务就是提取心力变异性分析所需要的第
一心音的幅值。

在绪言中,已经谈到,第一心音的幅值是心肌收缩力的标准量度,因此要评 价一个人的心力储备,必须准确地得到反映第一心音幅值的参数。如果在一定条
件下,比如被测试者在运动前和运动过程中,一直在固定部位记录心音信号,经

过初步去噪处理后,识别出心音成份,然后再有效地提取每一个第一心音的幅值, 这样就可以观察出第一心音幅值的变化趋势,结合相关医学方法就可以评价被测
试者的心肌收缩力了。

上一章识别出了心音成份,得到了心音信号的相关特征参数,但第一心音的
幅值尚不能有效提取。通过前面的自适应滤波,虽然得到了分界更明晰的心音图,

但心音成份部分的噪声并没有保证滤除掉了,因为白噪声前后不具备任何相关特
性。但要得到第一心音幅值,就需要滤除这一部分的噪音。注意到噪声虽然不相

关,但同一记录样本中所有的第一心音都来自同一个信号源,绝对是相关的。利 用这种相关性,仍然用自适应的方法,用每一个第一心音的样本值去估计下一个 第一心音,把每一个估计值存储起来,然后找每段估计心音的最大值,作为需要
的第一心音幅值。在有噪声的情况下,第一心音的最大幅值会发生失真,包括数 值失真和位置失真。如果按自适应估计的方法去除混在第一心音上的噪声后,得

到的最大幅值相对于未去噪时的最大幅值而言,更接近纯净第一心音的最大幅值 或变化趋势更相似,就说明可以用自适应滤波的方法来实现幅值参数的提取。

4.1自适应滤波原理
仍然是按自适应去噪的原理,但与第二章不同的是,这里需要的是滤波器输 出的估计值,而不是误差值。所以原理图如图4.1所示:

图4.1自适应滤波原理图
Fi94.1 Adaptive Denoising Plot

4l

重庆大学硕士学位论文

4幅值参数的提取

将作为参考的第一心音表示为s,,待估计的第一心音表示为s:,它们分别混 在含有噪声的心音数据玉、恐中。
为=sl+珏t,鼍=s2+丑2

(4.1)

其中,s1、s,表示信号中的第一心音,二者是相关的,它们与玛、7/,均不 相关,且n。、/'1:也不相关。自适应滤波的任务是通过墨的数据来估计出鼍中的s:。
从图4.1可以看出,五与恐中的s2相关,
ej=dj一只=52+订2一乃 (4.2) (4.3)

目e,2】=目n22]十日(s2一乃)2】+E【马(邑一乃)】 使日e,2】最小,就要求上式第二项最小,即 E(e,2]。=q廿2。】+研(52一乃)2]皿咀 按式4,1有

上式中第一项为噪声功率,第三项为零,因为马与马、 y,均不相关,所以要

(4.4)

ei—B2

s2

yi

(4.5)

因而

q(s2一乃)2】=点【(eJ—n:)2】

(4.6)

当等式右边被最小化时,等式左边也最小化
输出乃为是的最佳估计。极端情况为
eJ。1"12

即Cj以最小均方误差收敛时,

【4-/J

也即弘=S2

(4.8)

下面推导最小均方误差与自适应滤波器权系数之阊的关系。

设LMS自适应滤波器权值向量w=[w,啦,…,瞩】7,N为滤波器阶数,则滤
波器的输出片=K.7w=V旷K,,其中Ⅸ,=【气,,恐∥…,再,】7,误差信号
。,2

2(s2,一7S,)+(啦,一1IrT』xYrl,JxW
所以

dj一≥j而,-yj。鼍,一w1墨,2‘52,+nz,’一w1‘。s1J+%,’ Wr

(4.9)

研勺2]-目((是,一Ⅳ7 sI,)+(Dz,一旷Mp2]

(4.10)

=E【(s:,一w7S,)2]+2日(是,一旷5l,)(丑z,一矿NJ)]+耳(且:,一W7H,)2】
函为S,、s2与B1、n:均不相关,所以上式中第二项为零,则

可eJ2】.点【s:,2]一2WrE[s:,S,】+wE【S,2】Ⅳ7

(4.11)

+E【n2,2】一2WTE[n2,M,】+V吼N,3]WT

重庆大学硕士学位论文

4幅值参数的提取

由于n。、口2也不相关

目守】-耳s2,2]+陋[s,2]Ⅳ7+目n21 2]+WEIN,,2】w7—2W7E[s2jSi,】
=q岛,2】+WE[Sl,2N,.,2】w7+/日/12j 2卜2W7Else,Sl,]

=E【是,2】+嘲五,2】矿+点[n2.2】一2WTE[S2,Si,】 =E[szj z]+嘲五,2]Wr+EEn2,z卜2W7研鼍,墨,]
令R表示参考输入端五的自相关矩阵,尸表示墨与恐的互相关矢量,则
日e,2]=E[¥2i 2】+WRW7+目n2.2卜2W7P

(4.12)

(4.13) (4.14)
f4.15)

所以翥耳勺2】-2RW一2P
令上式为零,得∥=R-1P
当权系数w收敛Ⅵ广时,输出咒为s2的最佳估计。 根据LMS算法,自适应滤波的系数w估计值递推过程为:

肌+1=wJ—uVw,l,

(4.16)

其中Vw‘,l,表示代价函数的梯度在时刻J时的估计, u是控制自适应收敛速度与 稳定性的控制因子

专w¨=嘉耳勺2地
为了保证收敛,对于横向滤波器必须满足:


f4.17)

0<u<;专I 耳Ⅸj。】

(4.18)
、 ’

为了便于实时系统实现,取单个误差样本的平方勺2的梯度作为均方误差梯度的估 计,最终得到权系数的递推式为: Ws“2 Wj+2uejXl.
(4.19)

4.2建立模型及运行结果
仿照第二章的模型,以Simulink的LMS自适应去噪模块为基础,建立第一 心音去噪模型如图4.2所示。滤波器类型为FIR横向滤波器,阶次为32,收敛控
制因子u为0.1。这里取为0.1是为了保证滤波器在第一心音持续的时间范围内很

快地收敛,在第二章LMS自适应滤波器的收敛因子取为O.05,是因为心音间隙
期持续时间相对较长,u值取小一点能让滤波器平缓地收敛。

重庆大学硕士学位论文

4幅值参数的提取

图4.2第--,g,音去噪模型
Fi94.2 Noise—elimination Model for S1

模型的运行结果显示,自适应滤波器在经过150次迭代后达到收敛,相当于 20ms的收敛时间,由于第一心音的持续时间大约为lOOms,所以这个收敛时间是

合适的。滤波前后的Sl波形(这里的Sl是将通过上一章的方法识别出来的S1成 份连接在一起得到的)如图4.3和图4.4所示。






_

酬㈣ 酬 ㈧


州州畔 m

图4.3 sl(滤波前)
Fi94.3

S1(Before Denoising)

图4.4 s1(滤波后)
Fi94.4

S1(After benoising)

在用于仿真实验的纯净心音图(图2.1la)上,找出每一个第一心音的最大

重庆大学硕士学位论文

4幅值参数的提取

幅值,并标记出其位置,然后在去噪前和去噪后的心音图上找出对应位置的数据 值,分别作为加有噪声和去除噪声以后的第一一tL,音最大幅值,效果如图4.5所示。

图4.5第一心音最大幅值的比较
Fi94.5 Comparison ofthe Biggest S 1 Amplitude

图中星号表示噪声未滤除时第一心音的最大幅值点,圆圈表示纯净心音的S1最

大幅值点,加号表示去噪以后第一心音的最大幅值点。从图中可以看出,当有噪 声存在时,S1的最大幅值与真实值相差较大,经过自适应去噪后,虽然不能保证
精确,但大大缩小了与真实值之间的差异。经过计算,未去噪时s1的最大值相 对于真实值的均方误差值为0.0011,去噪以后s1的最大幅值相对于真实值的均 方误差值为0.00014,减小了将近10倍。定性的分析和定量的计算都说明,去噪

后的最大幅值接近于真值,实际操作中可以用它来代替或近似真实的s1最大幅
值。

4.3结论
幅值参数的提取是进行心力变异性分析的先决条件,由于心音的幅值有很大
的偶然性,又有噪声混在其中,因此一直以来都没有一个合适的方法来提取第一

心音的最大幅值。本章利用同一个采集样本中第一心音之间的相关性,从混有噪 声的信号中恢复出第一心音,然后再取最大幅值,通过理论的推导和模型的仿真, 证明该方案是可行的。在实际环境中,无法得到真实的第一心音最大幅值,就可 以用去噪后的第一心音的最大幅值来代替或者近似真实的最大幅值。

45

重庆大学硕士学位论文

5总结与前瞻

5总结与前瞻
5.1小结
本文的主要任务是改进心音信号的识别算法,提高心音识别的准确率和识别 速度,为更全面的心音分析奠定基础。 在研究传统心音分析方法的基础上,本文认识到心音信号在采集过程中的背
景比较复杂,有必要在识别之前进行消噪的预处理。由于心音是非平稳信号,采 用了自适应算法进行去噪处理。但使用自适应算法需要一个参考输入,回到原始 信号采集环境中再单独提取噪声作为参考是不现实也不经济的,这里又利用了数

学形态学可以提取信号包络的特点,合成了自适应滤波需要的参考噪声信号。这
种方法合成的噪声信号在心音成份部分虽然不能保证与混入心音中的噪声相关, 但在心音间隙期是相关的。因此,通过自适应滤波,可以消除间隙期的噪声。实 验模拟和仿真结果与理论上的分析是一致的:用这种方法生成的噪声信号通过自

适应处理后可以很好从混有噪声的信号中恢复出心音成份,得到分界清晰的心音
图,并保持心音的频率特性不变。 接下来,本文用短时傅立叶变换(STFT)对预处理去噪过的心音进行了时频 分析,不同长度的时间窗得到了不同时频分辨率的频谱图。从中选择了时间分辨 率最合适的窄窗频谱图,将频率轴压缩得到了信号的时域能量包络图。从这个图

上可以更加明显直观地看出心音成份的时域分界,记录了心音的时域能量包络数 据,利用这些数据,采取了传统的差分法与心音的医学常识相结合的方法进行了
心音成份的识别。识别的结果与实际情况相符合,并从中得到了一些心音信号的 特征参数。

最后,本文引入了一种确定第一心音最大幅值的新方法,即利用同一采集样
本心音信号第一心音之间的相关性,用前一个第一心音的数据以自适应滤波的方 法去估计紧接其后的第一心音,这样做的目的是为了去除第一心音上混入的噪声。

通过仿真实验表明,可以用去噪后的第一心音的最大幅值代替或近似真实的最大
幅值。

5.2展望
本文主要从理论上对心音分析和识别算法作了改进,并通过实验和仿真验证
了理论上的分析,结果是相符的。心音的检测和分析是一个动态的过程,研究心 音信号的实时处理方案,提高心音成份识别准确率的同时提高运算速度,应该是 今后研究的重要方面。另外,由于各种异常心音情况比较复杂,医学知识的表现

重庆大学硕士学位论文

5总结与前瞻

形式也不尽相同,笔者认为如果采用神经网络的方式将这些医学知识组合起来, 来判别当前是什么情况,应该使用什么样的医学知识进行识别,将有助于提高包 含各种心杂音的心音信号识别的准确率。对于第一心音最大幅值的提取,本文提
出的方法虽然新颖,但难免粗糙,还有待进一步的研究。

47

重庆大学硕士学位论文

致谢





在论文完成之际,我首先要诚挚地感谢导师朱冰莲老师多年来在科研素质、

学风培养方面的严格要求和谆谆教诲;专业理论、实践方面的精心指导和热情启
迪;以及生活上的热心关怀和照顾。朱老师渊博的知识、严谨的治学风范使我深

受感染并从中受益。在课题研究的过程中,每一次跟朱老师的交流都让我得到很 多启示和鼓励,对论文的完成起了关键性的作用,在此对朱老师的关心和教导表
示最衷心的感谢!

我还要感谢703实验室的刘学刚硕士、梁立宏硕士、孔杰硕士、程联营硕士、
张文明硕士、王文涛硕士和所有的兄弟姐妹们对我的支持和帮助,感谢我的家人 和所有关心我的朋友。





二00四年五月于重庆

重庆大学硕士学位论文

参考文献

参考文献
[1]徐成斌,心音图学.北京:科技出版社,1982:6-7 [2]吴延军,徐泾平,赵艳等.心音的产生与传导机制.生物医学工程学杂志,1996,13(3)
280—288

[3]L.G.Durand,etc.Evaluation of FFT-based mordern parametric methods for
analysisofboiprosthetic valve

the spectral

sounds.IEEETrunsBiomedEng.1986,33(6):572?59l
the effect of vasodilator grugd
on

[4]M Akay,Y.m.Akay,W.Welkowitz,etc.Investigating

the

turbulent sound caused by demoral artery stenosis using short time fourier and wavelet

method.mEE

Tran Biomed

Eng.1994.41(10):921—923
contonary occlusions

[5]M.Akay,etc.Detection of
hearst

using autoregressive modeling of diastolic

sound.IEETransBiomedEng.1990,37(4):625—628
representation of

[6]G.Jamous,etc.Optimal time window duration for computing time/frequency
normal

phonocardiograms in dogs.Med Biol Eng Comput.1992(7):502
extraction for heart sound recognition based First

[7]1.Y.Kim,s.M.Lee,H.S,Yeo,W.T.Han,etc.Feature
on

time—frequency

analysis.Proceeding

of the

joint EMBS/BMES

Conference,

Atlanta.GA.USA,1999:960

[8]张玉华,邵庆余,朱兴雷等.心音三维分析研究.山东医科大学学报,1999.37(3):195-198 [9]李桥,赵玲,邵庆余等.应用小波变换进行心音三维时频分析的研究.中国医学物理学杂
志,2001.48(2):1lO一112

n0]L.G.Durand,Y.E.Langlois.Spectral

analysis and acoustic transmission of mitral and annie

valve closure sounds in dogs,Partl:Modeling the heart/thorax acoustic

system.Med.&Boil.&

Comput.1990,28:269—286

[11]H.Kanai,N.chubachi,K.kido,etc.A
Signals and I毽Application

New Approach

to

Time Dependent AR

Modefing
on

of

to Analysis

of Heart Sounds.IEEE Transactions

signal

Processing.1992,40(5):1198-1205

[12]Wood John

C,Barry.Daniel t Time—Frequency Analysis of the First Heart Sound.IEEE
on

Transactions

signal

Pmcessing.1995,38(8):144—15l

[13]Jung

Jun Lee,Sang Min Lee,In Young Kirm Seung Hong Hong,Comparision between short

time Fourier
on

and Wavelet

Transforill for feature extraction ofheart

sound.IEEE

Transactions

Signal Processing.1999,45(9):1547-t550

[14]Jarmo Ritola.Sakari Lukkarinen.Comparison of Time-Frequency Distributions in the Heart

Sounds Analysis.Medical&Biological

Engineering&Compudng.1996.34:89?90

49

重庆大学硕士学位论文

参考文献

[15]Lehner IU。Rangayyan RIMo A three-channel microcomputer system for segmentation and
characterization ofthe phonocardiogram.IEEE 485-489

Trans

on

Biomedical Engineering

1987,34(6):

[16]Groch M w,Domnanovich JR,Erwin WD.A new heart sounds gating devices for medical
imaging.IEEE Trans On Biomedical Engineering.1992,39:307—3 10

[17]王文辉,陈端荣,常蕴等.便携式心音分析仪的研制.中国医疗器械杂志,1994,18(1):9-13
[18]Gerbarg DS.Analysis ofphonocardiogram
1962,1 1:569—576
by


digital computer.Circulation Research.

[19]Tatagay Oskiper,Ray Watrous.ResulN
heart sound in normal

on

the Time—Frequency characterization of the first of
the

mall.Proceeding

Second

joint

EMBS/BMES

Conference,TX,USA.2002:126-127

[20]G.Livanos,N Ranganathao,J

Jiang.Heart Sound Analysis Using the S Transform.Computers

in Cardiology.2000,27:587-590

[21]Ozgur Say,Zumray Dokur,Tamer Olmez.Classification ofHeart Sounds by Using Wavelet
Transform.Proceeding of the Second 2002:128-129

joint EMBS/BMES

Conference.Houston,TX,USA.

[22]M.Nadir Kurnaz,Tamer Olmeo Determination of Features for Heart Sounds by using

Wavelet Transforms.Proceedings of the Medical Systems.2002:156—159

15

th IEEE Symposium

on

Computer-Based

[23]P.M.Bentley,RM.Grant.J.E.McDonnell.Time—Frequency
the Classification of Native

and Time-Scale Techniques for

and Bioprosthefic

Heart Valve Sounds.IEEE

Transactions

on

Biomedical Engineering,1998,45:125-128

[24]王衍文,王海滨,程敬之.一种基于Choi-Will Jams分布的心音信号检测方法.声学技 术,1998,17(2):63-68
[25]Liang H,Lukkarinen
S,Hartimo I.Heart

sound

segmentation algorithm based

on

heart sound

envelogram.Computers in Cardiology.1997,24:105-108
[26]T
Oskiper,R

Watrous.Detection

of the First Heart Sound using



Time-delay Neural

Network.Computers in

Cardiology.2002,29:537-540

[27]Zaiton

Sharif,Shaparas Daliman.Ahmad Zud Sha’ameri etc.An expert system approach for

classification of heart sounds

and

murmurs.International Symposium

on

Signal Processing

anditsApplication(1SSPA),KualaLampur'Malaysia,13—16August 2003:739-742
[28]L¨GDurand,Y.E.Langlois,T.Lanthier.Spectral
analysis

and acoustic transmission of mitral

and aortic valve closure sounds in dogs,Part 1:Modelling the heart/thorax acoustic system.

Med.&Bi01.&Eng.&Comput.1990.28:269-286

重庆大学硕士学位论文

参考文献

[29]M.L.Rice,D.J.Doyle.Comparison of Phonocardiographic Monitoring Location.IEEE
EBMC’95 CD-ROM Proceedings.3.I.4.12

[30]Shouzhong
Contractility

Xiao,Shaoxi

Cai,Guochuan Liu,Studying the Significance of Cardiac in

Variability.IEEE Engineering

Medicine and Biology Magazine.

2000,19(2):8I-84

[31]Xiao Shouzhong,Can Zehan,Zhou Shiyong,etal.An
Exercise

Application

of Phonocardiogram Satellite

Test

in

Evaluation

of Cardiac

Reverse.Beijing:IEEE EMBS。98

Conference Proceedings.1998:82?83

[32]Xiao

Yihua,Xiao

Shouzhong,Cao

Zehan,Zhou

Shiyong,Pei

Jianhua.A

study

on

phonocardiogram exercise test.IEEE Engineering in

Medicine and Biology Magazine.

1999,18(4):111-115

[33]刘国传,肖守中,靳平等.心音图运动试验的精密度和准确度的分析.生物医学工程学
杂志,2000:17(3):305—308

[343刘国传,田学窿,肖守中.心音运动图实验中的信噪比分析.中国医疗器械杂志,
2000.24(5):267—269

[35]王卫,魏静容,肖守中等,用同一设备检测心率变化趋势和心力变化趋势的方法及其应 用的研究.北京生物医学工程,2002,2l(2):122—125 [36]方向林,郭兴明,彭承琳等.运动和呼吸对心率及心音幅值影响的探讨.北京生物医学 工程,2002,21(2):126—129 [37]杨文琴,张文渝,温宾等.心功能正常者心音图运动试验分析.北京生物医学工程,
2000.19(2):87—90

[as]肖守中,方向林,詹直夫等.运动心力监测仪在运动员心脏功能评估中的应用.中国医
疗器械信息,2002,8(4):33-35

[39]元秀华,谢定,吴承德.心音信号测量中的噪音干扰分析与滤除方法.中国现代医学杂
志,1999,9(6):65-67

[40]麋飞宇。心功能测试分析技术研究与系统实现【学位论文】.郑州大学,2001:13 [41]陈岚岚,毕笃彦.数学形态学在图像处理中的应用.现代电子技术.2002,08:18.20

[42]龚炜,石青云,程民德.数字空间中的数学形态学——理论及应用.北京:科学出版
社,1997:25—26

[43]高艳,胡阳.基于数学形态学方法的心电图波形分离技术.生物医学工程学杂志.
200l,18(1):55—59

[44]Chu

CHH,Delp EJ.Impulsive noise

suppression and

back-ground normalization of
on

electroncardiogram signals using mor-phological operators.IEEE Trans

BME,1989,

36(2):648

重庆大学硕士学位论文

参考文献

[45]Trahanias PE,Anapproach
IEEE Trans
on

to

QRS complexes detection using mathematical morphology

BME,1993;40(2):201

[46]张贤达.现代信号处理(第二版),北京:清华大学出版社,2002:188.203
[47]陆光华,彭学愚,张林让,等.随机信号处理.西安:西安电子科技大学出版社,2002:
79—82

[48]姚俊,马松辉,Simulink建模与仿真.西安:西安电子科技大学出版社,2002 [49]体外循环灌注学.b!!E;』』!!型:£niQ堑也:!Q』』Bookcase/Book/cDbperfusionism/
cpbDerfusion.htm

重庆大学硕士学位论文

附录





作者在攻读硕士研究生期间发表的论文目录
[1]朱冰莲。杨磊.心音信号的短时傅立叶变换分析.重庆大学学报(自然科学版)
用)

(已录

[2]扬磊.基于Simulink的自适应心音增强.重庆大学学报(自然科学版).(己录用)

独创性声明
本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取 得的研究成果。据我所知,除了文中特别加以标注和致谢的地方外,论文

中不包含其他人已经发表或撰写过的研究成果,也不包含为获得重麽太堂
或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本 研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。

学位论文作者签名:聿b氛

签字日期:2口口铲年f月口目

学位论文版权使用授权书
本学位论文作者完全了解

重迭盔堂 重废盔堂

有关保留、使用学位论文的
可以将学位论文的全部或部

规定,有权保留并向国家有关部门或机构送交论文的复印件和磁盘,允许

论文被查阅和借阅。本人授权
保存、汇编学位论文。
保密(

分内容编入有关数据库进行检索,可以采用影印、缩印或扫描等复制手段

),在

年解密后适用本授权书。

本学位论文属于

不保密(∥)。
(请只在上述一个括号内打“√”)

学位论文作者签名:

枷菇

导师虢臻j越
导师签名:芥j才。巡L

签字日期:≥。o牛年厂月/上日

签字日期:彬年,月_日

心音信号分析与识别算法的研究
作者: 学位授予单位: 杨磊 重庆大学

参考文献(50条) 1.参考文献 2.徐成斌 心音图学 1982 3.吴延军.徐泾平.赵艳 心音的产生与传导机制 1996(03) 4.L G Durand Evaluation of FFT-based mordern parametric methods for the spectral analysis of boiprosthetic valve sounds 1986(06) 5.M Akay.Y m Akay.W Welkowitz Investigating the effect of vasodilator grugd on the turbulent sound caused by demoral artery stenosis using short time fourier and wavelet method 1994(10) 6.M Akay Detection of conronary occlusions using autoregressive modeling of diastolic hearst sound 1990(04) 7.G Jamous Optimal time window duration for computing time/frequency representation of normal phonocardiograms in dogs 1992(07) 8.I Y Kim.S M Lee.H S Yeo.W.T.Han, etc Feature extraction for heart sound recognition based on time-frequency analysis 1999 9.张玉华.邵庆余.朱兴雷 心音三维分析研究 1999(03) 10.李桥.赵玲.邵庆余.朱兴雷.张玉华.孟延.刘毅.李新.周洪军 应用小波变换进行心音三维时频分析的研究[期刊论文]-中国医学物理学杂志 2001(2) 11.L G Durand.Y E Langlois Spectral analysis and acoustic transmission of mitral and aortic valve closure sounds in dogs,Partl:Modeling the heart/thorax acoustic system 1990 12.H Kanai.N chubachi.K kido A New Approach to Time Dependent AR Modeling of Signals and Its Application to Analysis of Heart Sounds 1992(05) 13.Wood John C.Barry Daniel T Time-Frequency Analysis of the First Heart Sound 1995(08) 14.Jung Jun Lee.Sang Min Lee.Young Kim.Seung Hong Hong Comparision between short time Fourier and Wavelet Transform for feature extraction of heart sound 1999(09) 15.Jarmo Ritola.Sakari Lukkarinen Comparison of Time-Frequency Distributions in the Heart Sounds Analysis 1996 16.Lehner RJ.Rangayyan RM A three-channel microcomputer system for segmentation and characterization of the phonocardiogram 1987(06) 17.Groch MW.Domnanovich JR.Erwin WD A new heart sounds gating devices for medical imaging 1992 18.王文辉.陈端荣.常蕴 便携式心音分析仪的研制 1994(01) 19.Gerbarg DS Analysis of phonocardiogram by a digital computer 1962 20.Tatagay Oskiper.Ray Watrous Results on the Time-Frequency characterization of the first heart sound in normal man 2002 21.G Livanos.N Ranganathan.J Jiang Heart Sound Analysis Using the S Transform 2000 22.Ozgur Say.Zumray Dokur.Tamer Olmez Classification of Heart Sounds by Using Wavelet Transform 2002 23.M Nadir Kurnaz.Tamer Olmez Determination of Features for Heart Sounds by using Wavelet Transforms 2002 24.P M Bentley.P M Grant.J E McDonnell Time-Frequency and Time-Scale Techniques for the Classification of Native and Bioprosthetic Heart Valve Sounds 1998 25.王衍文.王海滨.程敬之 一种基于Choi-Williams分布的心音信号检测方法[期刊论文]-声学技术 1998(2) 26.Liang H.Lukkarinen S.Hartimo I Heart sound segmentation algorithm based on heart sound envelogram 1997 27.T Oskiper.R Watrous Detection of the First Heart Sound using a Time-delay Neural Network 2002 28.Zaiton Sharif.Shaparas Daliman.Ahmad Zuri Sha'ameri An expert system approach for classification of heart sounds and murmurs 2003 29.L G Durand.Y E Langlois.T Lanthier Spectral analysis and acoustic transmission of mitral and aortic valve closure sounds in dogs,Part 1:Modelling the heart/thorax acoustic system 1990 30.M L Rice.D J Doyle Comparison of Phonocardiographic Monitoring Location 31.Shouzhong Xiao.Shaoxi Cai.Guochuan Liu Studying the Significance of Cardiac Contractility Variability 2000(02) 32.Xiao Shouzhong.Cao Zehan.Zhou Shiyong An Application of Phonocardiogram Exercise Test in Evaluation of Cardiac Reverse 1998 33.Xiao Yihua.Xiao Shouzhong.Cao Zehan.Zhou Shiyong, Pei Jianhua A study on phonocardiogram exercise test 1999(04) 34.刘国传.肖守中.靳平.田学隆 心音图运动试验的精密度和准确度的分析[期刊论文]-生物医学工程学杂志 2000(3) 35.刘国传 心音图运动试验中的信噪比分析[期刊论文]-中国医疗器械杂志 2000(5) 36.王卫.魏静蓉.肖守中.詹直夫.肖子夫 用同一设备检测心率变化趋势和心力变化趋势的方法及其应用的研究[期刊论文]-北京生物医学工程 2002(2) 37.方向林.郭兴明.彭承琳.詹直夫.肖守中 运动和呼吸对心率及心音幅值影响的探讨[期刊论文]-北京生物医学工程 2002(2) 38.杨文琴.张文渝.温宾.肖守中 心功能正常者心音图运动试验分析[期刊论文]-北京生物医学工程 2000(2) 39.肖守中.方向林.詹直夫.孙小波.肖子夫 运动心力监测仪在运动员心脏功能评估中的应用[期刊论文]-中国医疗器械信息 2002(4) 40.元秀华.谢定.吴承德 心音信号测量中的噪音干扰分析与滤除方法[期刊论文]-中国现代医学杂志 1999(6) 41.廉飞宇 心功能测试分析技术研究与系统实现[学位论文]硕士 2001 42.陈岚岚.毕笃彦 数学形态学在图像处理中的应用[期刊论文]-现代电子技术 2002(8) 43.龚炜.石青云.程民德 数字空间中的数学形态学--理论及应用 1997 44.高艳.胡阳 基于数学形态学方法的心电图波形分离技术[期刊论文]-生物医学工程学杂志 2001(1) 45.Chu CHH.Delp EJ Impulsive noise suppression and back-ground normalization of electroncardiogram signals using mor-phological operators 1989(02) 46.Trahanias PE Anapproach to QRS complexes detection using mathematical morphology 1993(02) 47.张贤达.保铮 现代信号处理 2002 48.陆光华.彭学愚.张林让 随机信号处理 2002 49.姚俊.马松辉 Simulink建模与仿真 2002 50.体外循环灌注学

引证文献(1条) 1.刘倩 基于DSP的心音信号处理[学位论文]硕士 2006

本文链接:http://d.g.wanfangdata.com.cn/Thesis_Y703858.aspx 授权使用:杭州电子科技大学(hzdzkj),授权号:cf5e20b9-df8b-4477-92bc-9dbc010c942e 下载时间:2010年7月23日


相关文章:
毕业设计-心音信号时频分析方法研究
心音信号研究相关论文 2页 免费 心音信号自动分析与识别的... 6页 免费 心...变换与短时傅立叶变换的关系,并在此基础上推导出 S 变换的离散序 列算法。 ...
EMD算法分析心音信号
心音信号的 EMD 算法分析摘要:一个新的无心电图参考...低复杂度的检测 S1 和 S2 心音成 分的方法被...一些研究患者的心音记录 B.预处理 电子听诊器记录...
心音信号的处理与分析软件设计
生物医学工程软件技术心音信号的处理与分析软件设计...目前, 国际上关于心音和心肌收缩能力关系的研究更...虽 然这些算法具有非常高的精度和准确率,但由于在...
心音信号研究相关论文
心音采集与分析方法研究 65页 免费 心音信号自动分析与识别的... 6页 免费 ...分析 这里我们利用独立分量分析(ICA)方法对混合声音信号进行了 分离,采用的算法...
心音去噪的研究与实现
一种基于 matlab 的更系统的心音去噪的研究分析...响,心音信号检测是心血管疾病无创性检测的重要方法...设计 用于心音去噪的多层小波分解阈值去噪算法的...
心音采集与显示课程设计报告
可以通过对这些病理特征进 行分析而提前对疾病进行预防...现如今,对于心音信号的采集和处理的相关研究,很多都...心音检测带来较多困难, 实际的设计与检测技术 ...
心音信号的检测与处理 CUST
心音采集与分析方法研究 65页 免费 心音信号分析与识别算法的... 59页 1财富值 智能心音检测仪(2008) 14页 2财富值如要投诉违规内容,请到百度文库投诉中心;...
基于MATLAB的心音信号处理
这也是 MATLAB 能够深入到科学研究及工程计算各个领域...2.1.2 时域分析 本部分主要包括对心音信号提取其...是离散傅氏变换的快速算法,它是根据离散傅 氏变换...
动态心电心音信号同步检测系统
动态心电心音信号同步检测系统 设计了一种动态心电心音信号同步检测系统,对系统...为此,开展对动态心音心电同步定征检测技术分析研究,可为心血管疾病的 早期诊断...
信号分析与处理
分解和识别故 障频率、故障的原因和部位 ? 语音和回声分析及解卷积: 分离和提取源信号与传递系统影响, 有利于对问题本质的 研究 11.什么是 Hilbert 变换?其原理...
更多相关标签:
信号灯识别算法 | 信号识别算法 | 图像识别算法研究 | 车牌识别算法研究 | 笑脸识别算法研究 | 指纹识别算法研究 | 人脸识别算法 | 图像识别算法 |