一種基于子帶能量包絡(luò)自相關(guān)特征的異常心音識別方法
【專利摘要】基于子帶能量包絡(luò)自相關(guān)特征的異常心音識別方法，涉及一種異常心音識別方法，解決心音識別中存在依賴心音分段、不能處理變長信號、無法適應現(xiàn)實噪聲環(huán)境的特征提取和分類識別的問題。將輸入的心音信號進行能量標準化處理后降采樣并進行帶通濾波；對近似子帶能量包絡(luò)信號和細節(jié)子帶能量包絡(luò)信號分別計算其自相關(guān)序列，并分別截取兩個序列的前M個值作為輸入心音信號的近似子帶能量包絡(luò)自相關(guān)特征和細節(jié)子帶能量包絡(luò)自相關(guān)特征；依據(jù)能量包絡(luò)自相關(guān)特征分別構(gòu)造作用其上的兩個由RM空間到Re空間的散射映射，降維后進行融合得到心音信號的能量包絡(luò)自相關(guān)特征；測試數(shù)據(jù)進行特征提取并輸入到分類模型中進行分類。避免了心音分段過程，而且提高了噪聲環(huán)境下的魯棒性。
【專利說明】一種基于子帶能量包絡(luò)自相關(guān)特征的異常心音識別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種異常心音識別方法，涉及生物信號識別技術(shù)及智能信息處理領(lǐng) 域。

【背景技術(shù)】
[0002] 據(jù)世界衛(wèi)生組織統(tǒng)計的結(jié)果，心血管疾病已經(jīng)成為當今威脅人類生命健康的頭號 殺手。2004年大約有1700萬人死于心血管疾病，占全部疾病的29%，其中720萬人死于心 臟病，而且由心臟導致的患病和死亡的人數(shù)和比例還在逐年增加。在我國，依據(jù)"中國心血 管病報告2012"公布的結(jié)果：我國心血管病患病率處于持續(xù)上升態(tài)勢，估計心血管病的患 者人數(shù)為2. 9億，S卩每10個成年人中就有2人患心血管病，每年約有350萬人死于心血管 病，占總死亡原因的41 %，居各種疾病之首。因此，及時發(fā)現(xiàn)心血管疾病的患病癥狀、掌握病 情狀態(tài)對保證人類的生命健康具有極其重要的意義。
[0003] 人體是一個異常復雜的有機整體，當人體患病時會產(chǎn)生各種生理信號，通過解讀 這些生理信號能夠及早地發(fā)現(xiàn)所患疾病，并能夠?qū)Σ∏閷嵭杏行У乇O(jiān)控。對心血管疾病而 言，心音（HeartSound)就是人體最為重要的生理信號之一。心音是心臟及心血管系統(tǒng)機械 運動狀況的反映，是在心動周期中由于心肌收縮舒張、瓣膜啟閉以及血流沖擊心室壁和大 動脈等引起的一種機械振動。在醫(yī)學研宄中，心音圖（Phonocardiogram，PCG)是評估心臟 功能狀態(tài)的一種基本的方法。與心電圖（Electrocardiogram，ECG)方法相比，心臟或心血 管疾病所表現(xiàn)出的病理現(xiàn)象會較早地體現(xiàn)在心音信號上，在患者尚未感覺到痛感和ECG異 常等癥狀之前，心音就可以為早期診斷提供可靠的信息?；谛囊粜盘柕膫鹘y(tǒng)醫(yī)療手段是 心音聽診和心音圖，然而它們在臨床應用中皆有不足之處。聽診需要醫(yī)生使用聽診器依靠 耳聽的方式進行診斷，然而心音的主要頻率成分是在40?150Hz之間，而人耳聽覺系統(tǒng)自 身頻率敏感的范圍是1000?3000Hz，這意味著這種通過人耳聽診方式會損失大量的信息， 從而影響對疾病的診斷。心音圖通過將心音信號進行圖像化彌補了聽診的不足，但需要更 為專業(yè)的設(shè)備，也增加了診療的費用。除設(shè)備和聽診方式自身的不足外，更為重要的是，以 上兩種方法均需要依賴醫(yī)生自身的專業(yè)知識和經(jīng)驗才能做出診斷，其診斷過程是主觀的， 缺少定量的分析方法，因而難以保證診斷結(jié)果的可靠性，往往還需要借助更為復雜、費用更 高的其他診療方法進行確診。此外，對普通人或需要經(jīng)常進行病情監(jiān)控的患者來說，由于其 既沒有專業(yè)方面的知識，也無法購置昂貴的醫(yī)療設(shè)備，上述兩種方法顯然都難以實現(xiàn)家庭 聽診。
[0004] 心音是聲音信號的一種，其蘊含著有關(guān)人體健康狀況的重要信息，通過提取這種 信息并進行有效的識別能夠?qū)崿F(xiàn)客觀的數(shù)字化心音聽診，從而能為患者提供可靠的診斷結(jié) 果。就心音識別而言，心音分段與心音分類是其主要研宄內(nèi)容。心音分段主要是對心音信 號中出現(xiàn)的第一心音信號Sl和第二心音信號S2的檢測，并進而確定心動周期等重要生理 參數(shù)，同時也是接下來心音分類任務的預處理。心音分類需進一步從異常心音信號中識別 出是何種心臟雜音（如心縮期雜音、心舒期雜音）以及其他干擾聲音等，并進而分辨出相 應的疾病類型。在現(xiàn)實的應用環(huán)境下，采集到的心音信號通常會伴有多種干擾噪聲，如聽 診器與衣服或皮膚的摩擦聲、背景音樂聲、人的說話聲等，因此這需要心音識別方法具有較 強的魯棒性。為此，歐盟支持的PASCAL(PatternAnalysis,StatisticalModellingand ComputationalLearning)計劃將噪聲環(huán)境下的心音分段和分類作為2012年度的挑戰(zhàn)任 務。然而，噪聲環(huán)境下、結(jié)構(gòu)復雜、非平穩(wěn)的心音信號識別是一個新興的、較難解決的問題， 目前尚處于研宄的起步階段，缺少系統(tǒng)性的研宄方法。
[0005] 1)現(xiàn)有的心音識別/分類方法大多需要先對輸入心音信號進行分段處理，依據(jù) 分段的結(jié)果進行特征提取和分類識別，因而其識別性能在很大程度上依賴于心音分段的精 度。然而，嚴重心臟病患者的心音中通常伴有顯著的心雜音（murmur)，而且在現(xiàn)實中的心音 采集（聽診）過程中通常伴有噪聲（如聽診器與皮膚或衣服的摩擦音、語音、音樂及其他環(huán) 境噪聲等），這些情況都會大大降低心音分段的精度，從而明顯降低心音識別系統(tǒng)的性能。
[0006] 2)現(xiàn)有的心音識別/分類方法通常以固定時長來處理心音信號，以便進行特征提 取和分類識別。然而在現(xiàn)實應用中所采集的心音信號通常具有較大的變動范圍，這限定了 固定長度識別方法的使用。


【發(fā)明內(nèi)容】

[0007] 要解決的技術(shù)問題：
[0008] 為解決上述心音識別中存在依賴心音分段、不能夠處理變長輸入信號、無法適應 于現(xiàn)實噪聲環(huán)境的特征提取和分類識別的問題，進而提供一種基于子帶能量包絡(luò)自相關(guān)特 征的異常心音識別方法。
[0009] 本發(fā)明為解決上述技術(shù)問題采取的技術(shù)方案是：
[0010] 一種基于子帶能量包絡(luò)自相關(guān)特征的異常心音識別方法，由以下步驟實現(xiàn)：
[0011] 步驟一、將輸入的心音信號進行能量標準化處理，然后降采樣為2kHz，并對其采用 6階巴特沃斯濾帶通（20?900Hz)波器對降采樣后的心音信號進行帶通濾波以濾除截止頻 率以外的聲音和噪聲，得到預處理后的信號；
[0012] 步驟二、依據(jù)心音和心雜音信號的頻率分布特點，采用4階Daubechies小波對步 驟一中預處理后的信號進行4層分解，對分解所得到的小波近似子帶系數(shù)a4和細節(jié)子帶系 數(shù)(12分別進行分幀處理并提取均值香農(nóng)能量包絡(luò)，從而得到近似子帶能量包絡(luò)信號Ea和細 節(jié)子帶能量包絡(luò)信號Ed;
[0013] 步驟三、對步驟二中所得到的近似子帶能量包絡(luò)信號Ea和細節(jié)子帶能量包絡(luò)信號 Ed分別計算其自相關(guān)序列，并分別截取兩個序列的前M個值作為輸入心音信號的近似子帶 能量包絡(luò)自相關(guān)特征raeRm和細節(jié)子帶能量包絡(luò)自相關(guān)特征rdeRM，其中M的取值范圍 為：200彡M彡300 ;
[0014] 步驟四、依據(jù)步驟三中所得到的能量包絡(luò)自相關(guān)特征rdPrd分別構(gòu)造作用其上的 兩個由Rm空間到Re空間的散射映射（diffusionmaps)ita:RM-Re和itd:RM-Re，兩種能量 包絡(luò)自相關(guān)特征ra*rd經(jīng)各自的散射映射變換后的結(jié)果為：力a(ra)GRlPitd(rd)eRe， 其中e〈M，從而實現(xiàn)降維；然后，再將和Krd)以向量拼接的方式融合在一起，最終 得到心音信號的能量包絡(luò)自相關(guān)特征z;
[0015] 步驟五、依據(jù)步驟一至四所述的特征提取過程，對訓練集數(shù)據(jù)中L個心音信號進 行特征提取得到L個心音能量包絡(luò)自相關(guān)特征，并結(jié)合每個心音信號的類別標識信 息Yi得到訓練集;然后，以支撐向量機（SVM)為分類器訓練分類模型，從而完成模 型訓練過程；
[0016] 步驟六、依據(jù)步驟一至四所述的特征提取過程，對測試數(shù)據(jù)中J個心音信號進行 特征提取得到j(luò)個心音能量包絡(luò)自相關(guān)特征Prt1 輸入到由步驟五中訓練得到 分類模型中進行分類。
[0017] 步驟三中，依據(jù)下式計算近似子帶能量包絡(luò)自相關(guān)特征^和細節(jié)子帶能量包絡(luò)自 相關(guān)特征rd

【權(quán)利要求】
1. 一種基于子帶能量包絡(luò)自相關(guān)特征的異常心音識別方法，其特征在于它由以下步驟 實現(xiàn)： 步驟一、將輸入的心音信號進行能量標準化處理，然后降采樣為2kHz，并對其采用6階 巴特沃斯濾帶通波器對降采樣后的心音信號進行帶通濾波以濾除截止頻率以外的聲音和 噪聲，得到預處理后的信號； 步驟二、依據(jù)心音和心雜音信號的頻率分布特點，采用4階Daubechies小波對步驟一 中預處理后的信號進行4層分解，對分解所得到的小波近似子帶系數(shù)a4和細節(jié)子帶系數(shù)d2 分別進行分幀處理并提取均值香農(nóng)能量包絡(luò)，從而得到近似子帶能量包絡(luò)信號EJP細節(jié)子 帶能量包絡(luò)信號Ed; 步驟三、對步驟二中所得到的近似子帶能量包絡(luò)信號Ea和細節(jié)子帶能量包絡(luò)信號Ed 分別計算其自相關(guān)序列，并分別截取兩個序列的前M個值作為輸入心音信號的近似子帶能 量包絡(luò)自相關(guān)特征raeRM和細節(jié)子帶能量包絡(luò)自相關(guān)特征rdeRM，其中M的取值范圍 為：200彡M彡300 ; 步驟四、依據(jù)步驟三中所得到的能量包絡(luò)自相關(guān)特征匕和rd分別構(gòu)造作用其上的兩個 由RM空間到R6空間的散射映射$a:RM-R6和$d:RM-R6,兩種能量包絡(luò)自相關(guān)特征^和 rd經(jīng)各自的散射映射變換后的結(jié)果為：力a(ra)GRe和力d(rd)GRe，其中e〈M，從而實現(xiàn)降 維；然后，再將ih(ra)和ih(rd)以向量拼接的方式融合在一起，最終得到心音信號的能量 包絡(luò)自相關(guān)特征z; 步驟五、依據(jù)步驟一至四所述的特征提取過程，對訓練集數(shù)據(jù)中L個心音信號進行特 征提取得到l個心音能量包絡(luò)自相關(guān)特征，并結(jié)合每個心音信號的類別標識信息 yi得到訓練集;然后，以支撐向量機為分類器訓練分類模型，從而完成模型訓練過 程； 步驟六、依據(jù)步驟一至四所述的特征提取過程，對測試數(shù)據(jù)中j個心音信號進行特征 提取得到J個心音能量包絡(luò)自相關(guān)特征{zrt;將{d,輸入到由步驟五中訓練得到分類 模型中進行分類。
2. 根據(jù)權(quán)利要求1所述的一種基于子帶能量包絡(luò)自相關(guān)特征的異常心音識別方法，其 特征在于步驟三中，依據(jù)下式計算近似子帶能量包絡(luò)自相關(guān)特征1^和細節(jié)子帶能量包絡(luò)自 相關(guān)特征rd
式中： 當x取"a"時，Ex(n)表示近似子帶能量包絡(luò)信號，當x取"d"時，Ex(n)表示細節(jié)子帶 能量包絡(luò)信號，n為能量包絡(luò)信號的時間索引，m為時間索引的偏移量。
3. 根據(jù)權(quán)利要求1或2所述的一種基于子帶能量包絡(luò)自相關(guān)特征的異常心音識別方 法，其特征在于步驟四中散射影射Re和步d:RM-Re的構(gòu)造過程為：在構(gòu)造散射影 射！^和步^寸，除所采用的特征集合不同外，其構(gòu)造過程完全相同，因此統(tǒng)一表示為散射影 射步，并以表示由L個心音信號中提取出的能量包絡(luò)自相關(guān)特征，ri為近似子帶能 量包絡(luò)自相關(guān)特征ra或細節(jié)子帶能量包絡(luò)自相關(guān)特征rd;散射影射！D的構(gòu)造過程包含以 下四個步驟： 步驟四（一）、構(gòu)造特征集Q= 上的轉(zhuǎn)移矩陣P; 步驟四（二）、對轉(zhuǎn)移矩陣P進行特征值分解以得到散射影射步； 步驟四（三）、對散射影射步進行擴散以使其可以應用于新數(shù)據(jù)。
4. 根據(jù)權(quán)利要求3所述的一種基于子帶能量包絡(luò)自相關(guān)特征的異常心音識別方法，其 特征在于步驟四（一）中使用如下方法構(gòu)造特征集上的轉(zhuǎn)移矩陣P:采用高斯核函 數(shù)度量特征集中任意兩個特征1^和rj間的相似關(guān)系w(ri,rj:
其中：S為核寬；則特征集上的轉(zhuǎn)移矩陣P定義為P=D_1ff 其中：矩陣W中的元素定義為Wu=w(ri，rp，對角陣D的對角元素定義為
5. 根據(jù)權(quán)利要求4所述的一種基于子帶能量包絡(luò)自相關(guān)特征的異常心音識別方法，其 特征在于步驟四（二）中使用如下方法對轉(zhuǎn)移矩陣P進行分解并得到散射影射步： 對轉(zhuǎn)移矩陣P進行特征值分解：
其中：U= [Ui,. . .，uK]和V= [Vi,. . .，vK]分別為轉(zhuǎn)移矩陣P的右特征向量和左特征 向量，S是由P的特征值所構(gòu)成的對角陣列，即S=diag(A. . .，AK);則對特征集中的任 意特征rGD，其散射映射定義為：步（r)=[入此(r)，…，人KuK(r)]。
6. 根據(jù)權(quán)利要求5所述的一種基于子帶能量包絡(luò)自相關(guān)特征的異常心音識別方法，其 特征在于步驟四（三）中使用如下方法對散射影射步進行擴散以使其可以應用于新數(shù)據(jù)： 對任意特征12，其散射映射由下式得到
7. 根據(jù)權(quán)利要求1、2、4、5、或6所述的一種基于子帶能量包絡(luò)自相關(guān)特征的異常心 音識別方法，其特征在于步驟四不同能量包絡(luò)自相關(guān)特征rdPrd的散射映射！Da(ra)和 !td(rd)按下式進行融合得到能量包絡(luò)自相關(guān)特征Z:
8. 根據(jù)權(quán)利要求3所述的一種基于子帶能量包絡(luò)自相關(guān)特征的異常心音識別方法，其 特征在于步驟四不同能量包絡(luò)自相關(guān)特征ra*rd的散射映射！Da(ra)和！Dd(rd)按下式進 行融合得到能量包絡(luò)自相關(guān)特征Z:
【文檔編號】A61B7/04GK104473660SQ201410835394
【公開日】2015年4月1日 申請日期:2014年12月29日 優(yōu)先權(quán)日:2014年12月29日
【發(fā)明者】鄧世文, 韓紀慶, 唐黎明, 鄭鐵然, 鄭貴濱, 張文杰 申請人:哈爾濱師范大學