便携式电子听诊器心音信号

分类：微电子论文发表 时间：2021-02-08 10:13 关注：(1)

　　为了分析不同心音信号的时频域特征，首先使用离散小波变换对心音信号进行降噪预处理，然后分别基于短时傅里叶变换和Choi⁃Williams分布对心音进行时频联合分析，比较正常和异常心音信号在时频域的不同特征。在此基础上，利用研制的电子听诊器采集人体心音，采用开发的心音信号分析方法对信号进行时频分析，并提取出相关特征参数。实验结果表明，基于便携式电子听诊器的心音时频分析可以有效区分正常心音与异常心音，为心音诊断提供辅助依据。

　　关键词：心音信号分析；电子听诊器；降噪处理；时频分析；特性提取；实验分析

　　心音是心脏搏动过程中产生的一种振动信号，能够反映心脏活动、血液流动和心脏的健康情况[1]。传统的心音听诊工具是机械式听诊器，依靠听诊头膜片的振动采集心音信号。随着技术的发展，出现了基于数字信息技术的新式电子听诊器。这类听诊器改善了传统听诊器的部分缺陷，如噪声干扰、微弱心音辨识度低等问题，同时，结合数字处理技术可以对心音进行定量分析[2]。近年来，在心音分析方面，许多学者利用现代信号处理技术对心音信号进行研究。成谢锋等采用线性预测编码方法提取心音的共振峰频率，并以此为特征进行心音信号的分类识别[3]。曾铮等采用S变换和小波变换提取心动周期信号的不同特征参数，以此区分正常心音与异常心音[4]。陈刚等采用归一化香农能量的方法提取心音包络和时域特征，进行信号分析[5]。由于心音是非平稳信号，如果要得到信号不同频率范围的能量大小随着时间变化的信息，时频域分析法具有很大优势[6]。本团队在前期工作中，设计制作了一款基于STM32嵌入式微处理器的便携式多功能电子听诊器，可以实现对心音信号的采集、存储、回放等功能。本文进一步对采集的心音信号，分别采用短时傅里叶变换和Choi⁃Williams分布对心音信号进行时频域分析，对比不同心音信号间的差异，从而为心音信号特征的自动分析与特征的智能提取奠定基础。

　　1心音采集硬件系统

　　本课题组前期设计制作的便携式多功能电子听诊器，主要由拾音头、滤波模块、主控模块和功率放大模块等部分组成。其直径为6.5cm，重量为122g，易于携带；带宽为600Hz，信噪比为51dB，可将心音信号放大10倍以上；同时可将心音发送至上位机进行波形显示、存储回放等。本文的主要工作是对于采集到的心音信号进行处理与分析，系统的工作流程如图1所示。首先进行小波降噪预处理，对处理后的信号进行时频联合分析，进而对心脏健康状况做出判断。实验所用心音数据有两个来源，分别是“《执业医师实践技能考试专用心脏听诊》心音录音数据库”（以下简称“心音数据库”）和使用自研的电子听诊器采集的心音信号。首先对数据库中的心音进行时频分析，完成算法和软件开发，然后转移到自研电子听诊器，验证时频分析方法在实践中的可行性，为电子听诊器设备进一步的智能化改进奠定基础。

　　2心音信号预处理

　　心音是微弱的生物信号，信噪比低，而且会与体内存在的大量噪声融合在一起，因此在信号分析之前需要对心音进行降噪预处理，在多种去噪方法中，小波分析方法具有独特优势[7]。其可以进行多分辨率分析，很好地刻画空间域和频率域局部化特征，非常适于处理非平稳信号。本文选择使用离散小波变换作为心音信号去噪手段。本文首先从心音数据库中，随机选取一例正常心音，进行小波降噪处理。心音数据为WAV格式，采样率为22050Hz，截取一个完整周期的心音信号进行分析处理，时长为1s，样本数据点数为22050。使用Matlab离散小波变换对信号进行分解重构时，小波基函数的选择、分解层数、阈值设置等均会影响去噪效果。经多次实验对比，发现当小波基函数为coif3，分解层数为5层时，可以得到较好的去噪效果。原始信号经小波变换后各分层明细如图2所示，图中，S为原始信号，a5为低频系数，d1~d5为高频系数。典型的心音信号频率在10~1000Hz之间，信号成分[8]主要集中在10~200Hz。因此在预处理时要保留低频的信号部分，滤除高频的噪声部分，通过对小波系数进行阈值处理再重构，达到去噪目的。在选择阈值时，有软阈值和硬阈值两种方法，由于软阈值法连续性好，不会引起重构信号振荡，故本文实验选择软阈值法进行消噪。通过合理选择基函数，设置分解层数与阈值对信号进行小波分解重构，既消除了噪声成分，又有效保留了信号的原始特征，为后续的分析处理提供了必要条件。在本文后续实验中，所有心音信号在进行时频分析之前均用此方法进行降噪预处理。

　　3心音信号时频分析

　　3.1基于短时傅里叶变换的时频分析

　　传统傅里叶变换处理信号存在局限性，只能进行全局性变换，时域和频域完全分离。短时傅里叶变换通过采用滑窗处理来弥补传统傅里叶变换的不足之处。其能够对某一小段时间滑窗内的信号做傅里叶变换，反映该信号的频域随时间变换的大致规律[9]。对于处理心音这类时变和非平稳信号，短时傅里叶变换可以采用时间和频率的联合函数来表示信号，更好地描述信号的局部特征，与传统分析方法相比具有明显优势。因此本实验首先使用短时傅里叶变换对心音信号进行时频分析。实验平台为Windows10专业版操作系统，软件为AdobeAuditionCC2017和MatlabR2019a。从心音数据库中选取一段正常心音和一段房间间隔缺损病人的异常心音，音频格式为WAV，采样率为22050Hz，采用人工分段方法，分别截取1s长度（包含一个完整心音周期）的音频作为待分析样本，首先使用上述小波去噪方法对信号进行降噪预处理，对处理后的信号进行短时傅里叶变换，窗函数设置为汉明窗，当窗宽取128个采样点，交叠数为48，步长为10时，得到的时间⁃频率分辨率较为理想。对正常心音和房间隔缺损做短时傅里叶变换后分别作出其时频图和频率等高线，如图3所示。临床上，房间隔缺损一般是左右心房之间出现异常交通，体征表现为心脏浊音界变大，出现收缩期和舒张期杂音，第二心音亢进和固定分裂等。图3a）为正常心音时域波形，图3b）为房间隔缺损心音时域波形，由此可以看出，两种心音在时域波形上，存在较明显的差异。异常心音波形更加杂乱，杂音成分更多，第二心音S2持续时间更长而且出现分裂。时频图和等高线图描述了心音信号频率分布随时间的变化。在等高线图中，每条闭合曲线表示时频三维图某幅值截面的轮廓线，曲线越靠近内部表示幅值越大，越靠近外部幅值越小。从图3c）时频图和图3e）等高线都可以看出，正常心音第一心音S1持续时间约为0.1s，第二心音S2持续时间约为0.08s，频率成分主要集中在400Hz以下，频率成分随时间先升高后降低，在150HZ左右能量达到极大值，符合正常心音的频率分布特征[8]。从图3d）时频图和图3f）等高线图可以看出，与正常心音相比，房间隔缺损心音虽然频率也主要集中在400Hz以下，但是高频杂音成分明显增多而且贯穿始终，符合病变心音的特征，即S1或S2出现异常及在收缩期、舒张期产生附加音[10]，第一心音S1持续时间约为0.08s，S1紧随一个高频的肺动脉喷射杂音，第二心音S2持续时间约为0.2s，在200Hz左右能量达到极大值，而且出现了明显分裂，两个主要频率成分相距约为0.1s。在临床上常以收缩期和舒张期杂音以及第二心音的固定分裂作为房间隔缺损的诊断依据。由此可见，时频分析的结果与临床诊断的结果相符合，可以准确、有效地区分出正常心音与异常心音的差异，为心脏疾病诊断提供更多数据支撑。

　　3.2基于Choi⁃Williams分布的时频分析

　　短时傅里叶变换是一种线性时频分析方法，优点是应用简单，但是难以描述信号的功率谱密度[11]。二次型非线性时频处理方法则可克服上述不足，可以描述信号能量在时域和频域的分布[12]，其中，Wigner⁃Ville是一种典型的非线性时频分布，在实际应用中，需要选择合适的核函数来抑制其交叉项，以达到理想的分析效果。Choi⁃Williams分布是一种改进的Wigner⁃Ville分布，既可极大地消除交叉干扰项，又不增加额外计算量，故本文实验选取此分布作为心音非线性时频分析方法。实验平台及所用心音数据均与短时傅里叶变换分析时所用一致，核函数参数σ=3，时域和频域均采用Kaiser窗，时域窗宽度g=9，频域窗宽度h=27。对正常心音和房间隔缺损心音分别计算其Choi⁃Williams分布，作出时频三维图和相应等高线图，如图4所示。图4a）为正常心音时域三维图，图4c）为正常心音频率等高线图，从图a）和图c）可以看出，正常心音第一心音S1持续时间约为0.1s，第二心音S2持续时间约为0.08s，能量分布较为集中，主要分布在第一心音和第二心音两个峰值附近，且主要表现为400Hz以下的低频。图4b）和图4d）描述了异常心音的时频分布情况，与正常心音相比，房间隔缺损心音频率也主要集中在400Hz以下，但是能量分布比较分散，这是由于其含有心杂音。S2处出现了明显分裂，两个主要频率成分相距约为0.1s，这也是房间隔缺损的典型特征。可见，通过Choi⁃Williams分布对比不同心音的时频特性差异，可以得到与短时傅里叶变换相同的结论，且均与传统医学诊断结果一致。对于心音信号分析与识别来说，这两种时频分析方法均具有可行性。

　　3.3分析方法对比

　　短时傅里叶变换是一种线性时频分析方法，其优点是理论和应用简单，其缺点是窗函数时频分辨能力受到测不准原理的制约，无法同时获得较高的时间分辨率和频率分辨率。Choi⁃Williams分布是一种非线性时频分析方法，不会损失信号的幅值与相位信息，能够较准确地刻画信号能量随时间和频率的分布[13]。其缺点是无法完全避免交叉项，且计算较为复杂。在本文实验中，用计算机计算正常心音的Choi⁃Williams分布需耗时2.81s，而对同样的信号进行短时傅里叶变换仅需要18.2ms，运算时间缩短很多。从实时性和节约系统运算资源的角度考虑，短时傅里叶变换是更适合未来在便携式电子听诊器中的应用选项。

　　4人体心音样本实例采集与分析

　　为进一步探究便携式电子听诊器硬件设备及算法在实际应用中的可行性，本文对自研的电子听诊器进行了心音实例采集与分析。采集对象为25岁健康男性，听诊部位为二尖瓣区，采样率为48000Hz。受实验条件所限，本文未能采集到心音异常的病例样本。按上述方法，将心音信号进行小波去噪预处理，并做短时傅里叶变换，得到时频图与等高线如图5所示。对比图5a）、图5b）可知，经小波变换后，原始心音得到了较好的降噪效果，基线更加平滑。由图5c）、图5d）可知，第一心音S1持续时间约为0.1s，第二心音S2持续时间约为0.05s，频率成分主要集中在400Hz以下，频率成分随时间先升高后降低，在120Hz左右能量达到极大值。可见，对电子听诊器采集的心音时频分析结果与对数据库中正常心音进行时频分析得到的结论基本一致，并且均符合传统医学诊断结果，从而验证了硬件采集系统和软件信号分析算法的准确性与可靠性。基于上述分析，进一步定义下述参数：第一心音S1时长为T1，第二心音S2时长为T2，一个心音周期内S1与S2的间隔时间为T12，作为表征心音信号的特征参数，并由此判定心音是否异常。实验中，进一步分析了20例正常心音和20例房间隔缺损心音的T1，T2和T12的分布情况，结果如图6所示。由图6a）可知，与正常心音相比，房间隔缺损心音的T1缩短了48.2%，T2增加了73.5%，T12增加了48.2%，studentt⁃test检验表明，正常心音和3个参数分别都存在显著性差异（P≪0.01）。再对联合参数的区分性进行研究，采用神经网络模式识别工具（MatlabPrnetToolbox）以T1，T2，T12联合（图6b））和单独（图6c）~图6e））作为参数进行分类计算。分类结果表明，三参数联合以及三参数单独作为分类依据都可以进行100%的区分，表明三参数单独和联用都具有区分正常和房间隔缺损心音的潜力。最后，对参数的分布特性进行研究，通过两两配对散点图（图6f）~图6h））可以看出，任意两个参数配对的二维分布中，参数分布都存在明显的聚类特性。分别绘制对应辅助线（T1，0.10s；T2，0.18s；T3，0.22s）可以将正常心音与房间隔缺损心音区分在不同象限，表明正常和房间隔缺损心音的时间参数T1，T2，T12各自具有潜在清晰的医学参考值区间。通过对正常心音与房间隔缺损心音中第一心音S1时长T1，第二心音S2时长T2，一个心动周期内S1与S2的间隔时间T12的对比研究表明，两种情况下的心音特征存在显著性差异和明显的聚类分布特性，具有清晰的分布区间，具有较强的参考价值。同时，三种特征提取方便，适用于本文提出的便携式电子听诊器采集和处理，具有较强的实用价值，可以被进一步深入研究和推广应用。

　　5结语

　　本文对小波降噪后的心音数据分别利用短时傅里叶变换和Choi⁃Williams分布两种时频分析法进行时频分析，对比不同心音信号差异，并与传统医学诊断结果对照。在分析心音数据库中的样本的基础上，利用研制的电子听诊器采集心音进行实例验证。实验结果表明，基于便携式电子听诊器的心音时频分析法可以准确区分正常心音与异常心音的时频特征差异，具有广阔的应用价值。

　　参考文献

　　[1]马晶，蔡文杰，杨利.心音信号分析[J].中国医学物理杂志，2017，34（11）：1172⁃1175.

　　[2]张家康.Android手机电子听诊器系统的研究[D].沈阳：沈阳工业大学，2016.

　　[3]成谢锋，陈亚敏.S1和S2共振峰频率在心音分类识别中的应用[J].南京邮电大学学报（自然科学版），2017，37（5）：7⁃12.

　　[4]曾铮.基于S变换的先心病心音信号特征提取与分类识别研究[D].昆明：云南大学，2018.

　　[5]陈刚，叶继伦，张旭，等.心音信号的特征识别方法[J].中国医学物理学杂志，2019，36（6）：710⁃714.

　　[6]刘丽萍，袁刚.心音信号的特征分析及分类识别[J].信息通信，2016（10）：26⁃29.

　　[7]崔公哲，张朝霞，杨玲珍，等.一种改进的小波阈值去噪算法[J].现代电子技术，2019，42（19）：50⁃53.

　　[8]李爽.基于包络提取的心音信号识别与分类[D].开封：河南大学，2018.

　　[9]晁娇.基于短时傅里叶变换的雷达信号脉内特征自动识别研究[J].现代信息科技，2019，3（1）：50⁃53.

　　[10]RAZAA，MEHMOODA，ULLAHS，etal.Heartbeatsoundsignalclassificationusingdeeplearning[J].Sensors，2019，19（21）：4819.

　　[11]高清河，刚晶，王和禹，等.基于Choi⁃Williams分布的心音信号时频分析[J].中国医学物理学杂志，2015，32（4）：503⁃505.

　　[12]杨闯，王祝文，向旻，等.基于Choi⁃Williams时频分布的裂缝性地层时频特征[J].世界地质，2015，34（3）：825⁃829.

　　[13]李炜，黄倩.基于小波时频分析的心音异常信号检测[J].电子设计工程，2015，23（6）：41⁃43.

　　作者：王毅德 姚飞 耿兴光 赵阳 张浩 徐伟 黄成军