心音信号自动分析与识别的研究现状

心音信号自动分析与识别的研究现状

吴玉春，郭兴明，肖守中

重庆大学生物工程学院，重庆（400030）

E-mail：wychun690@

摘要：分析了当前心音信号自动分析与识别的研究现状，通过分类比较了谱分析、小波分析、神经网络方法以及数学形态学方法等几种用于心音的研究方法各自的特点，讨论了对心音信号进行自动分析、识别的研究状况、研究重点和发展方向。

关键词：心音,谱分析；小波变换；神经网络

中图分类号：R318．04

1. 引言

心音信号是包含有重要生理、病理信息的医学信号之一，是临床评估心脏功能状态的一种基本方法，某些心血管疾病发展到出现明显的病理特征之前，会在心音相应组成成分上有所反映，如冠状动脉狭窄会在心音的舒张期产生异常杂音。但是，由于目前心音的研究中存在以下几个问题，心音信号的自动分析与识别还不能很好的应用于临床，第一，心音的产生机制尚无定论，目前的研究表明，心音是由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减速形成的湍流与涡流以及对心脏瓣膜、心房、室壁的作用所产生的振动，再加上心肌在周期性的心电活动作用下起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的体表心音[1]；第二，目前对于心音自动分析的研究大都处在理论研究阶段，临床上对于心音的诊断大多还是靠医生的经验和主观判断，用听诊器采集心音音频信号，这种诊断主要依赖于医生的经验水平，往往只能是有经验的心脏病专家，才能做出正确的诊断结论；第三，目前心音信号的自动分析技术还不成熟，不全面，一般只能对正常的心音信号做出比较准确的识别，而对于异常心音信号，还不能用先进的信号处理手段进行自动分析及识别。

2.常用方法

下面就目前用于心音信号自动识分析及识别的一些常用方法进行分类介绍：

2.1 谱分析

上世纪90年代以前，心音分析工作者主要采用FFT、AR（自回归模型）和ARMA（自回归滑动平均模型）等谱分析，而且其研究对象也局限在动物心音。有研究[1]表明：心胸声传导系统是一个时变模型。因此，采用FFT或参数模型（LPC、AR和ARMA）都是基于平稳性好的分析方法，难以反映出心音信号的动态变化过程，另外，功率谱只能反映幅频特性，而往往忽视了蕴含着大量信息的相频特性。后来Sava HP等[2]采用改进的前后预算的Prony 方法对用机械膜修复后的心脏心音的谱分布进行了研究，Prony方法可以直接求得信号的幅值、相位、阻尼因子和频率4个要素，能够处理衰减信号、估计阻尼系数。

何莹等[3]将高阶统计量方法应用于心音信号分析，建立了心音信号的AR双谱模型，获得了心音的双谱幅度图，并采用模型参数作为特征参量对心音信号进行了二类模式识别，其实验结果表明，心音信号本质上为非高斯信号，高阶统计量在心音信号分析和处理中有一定

的应用价值。李彬彬等[4]采用改进的HHT算法对心音信号进行分析，李等在EMD筛选过程中引入基于两个参数θ1和θ2的判断标准，来缓解判断条件设置不当引起的误差。

模态幅值：（1）

评估函数：（2）

筛选停止条件：1）评估函数不大于θ1，其目的是为了保证整个数据段中波动的平均值足够小；2）评估函数不大于θ2，其目的是为了限制EMD分解时局部数据大的漂移。这两个参数在保证数据整体性的同时，也考虑到局部数据的影响。利用这种改进的HHT对正常心音信号进行分析，从时频特征、时域特征、能量分布等多角度提取了心音的特征值，为进一步的心音分析提供了有用的方法和数据。朱冰莲等[5]采用短时傅立叶变化（STFT，又称窗口傅立叶变换）对心音信号进行分析。通过适当地调整STFT 的参数(窗口的类型和宽度) ,可以比较准确地得到心音信号的时频表示。当选用窄窗进行分析时,时间分辨率高,可得到心音信号的时域能量包络图,由此可以准确地量度心音成分的时域特征参数；而选用宽窗进行分析时,便得到每个心音成分( 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。朱等首先用窄时间窗进行分析，频谱图具有高时间分辨率，得到了心动周期等时域特征参数。进而逐渐加宽时间窗，最后得到高频率分辨率的频谱图，可以看出各心音成分的频谱特征。实验结果表明，不同时频尺度的STFT分析可以很好地描述正常心音信号的时域和频域特征。

2.2 小波分析

因为小波变换中的时-频窗具有自适应性，所以可以得到更能反映心音病例特征的信息。心音信号的小波变换谱在不同尺度上的分布相应于心脏不同部分的振动信息。尺度较小的部分相应于信号的高频成分，可以表示心脏瓣膜的振动信息、血流本身及其对其它部分相互作用的信息。而尺度较大的部分相应于信号的低频部分，这是心肌与大血管等心脏的质量较大的部分在瓣膜血流和肌肉的作用下产生的振动。近年来，国内生物医学工作者应用连续小波变换对心音的频率范围进行估计和对心音做三维分析。M.Nadir Kurnaz,Tamer Olmez[6]应用小波变换对一个窗口中两个时间段的心音信号进行自动分段并提取特征参数，在这个窗口中实现了两个分析目的，一个是S1和S2的分段，另一个是特征提取。分段以后，用小波变换分解心音信号，并由第六层分解的细节（高频）系数得到特征向量，从而使用动态设计分析得到最优的特征参数。D.Kumar等[7]采用小波变换的高频特征量来检测第一心音和第二心音，由于当前的心音自动分析的算法存在受噪音影响大和不适于在无节律状况下进行心音分段的问题，他们提出了一种基于高频标示器的方法来解决这些问题，用快速小波分解来提取高频特征参数来估计瞬时心率，这个标示器是由横穿心脏瓣膜的主要压力差来推动工作的。通过对人工心脏瓣膜和正常健康瓣膜两种情况下心音的分析，证实了算法的有效性。李勇[8]等将连续小波变换应用于心音信号的分析中，在基于Mellin变化的连续小波快速算法的基础上提出了同步展宽法，解决了在分析尺度范围大，小波函数和信号中心频率较高条件下引起的计算量大的问题。但是由于连续小波变换存在“频带”的重叠现象，胡晓、全海燕、王威廉等[9][10]利用离散二进制小波变换及其相应重构原始信号的公式对心音信号进行处理，他们