CN100418480C - 基于心音分析的心脏病自动分类系统及其心音分段方法 - Google Patents

Abstract

一种基于心音分析的心脏病自动分类系统，包括：心音传感器，它用于将被测者的心音振动信号转换成电信号的形式输出；具有多媒体功能的计算机，它通过数据采集卡与所述心音传感器连接，将心音传感器输出的被测者的心音信号录制并存储于存储单元中；以及，安装于所述计算机内的心音分段程序、心音特征提取程序和分类器。本系统通过心音传感器将心音振动信号转变为电信号，通过声卡或其他带AD转换的数据采集卡转变为数字信号记录并存储在计算机中，运行在计算机上的分段、特征提取及模式识别程序，完成对心音信号的自动分类。该系统体积小，成本低，分段准确，抗干扰能力强，方便在低等级医院及社区医疗中普及。

Description

基于心音分析的心脏病自动分类系统及其心音分段方法

技术领域

本发明涉及心脏病的自动分类领域，尤其是只基于心音分析的心脏病自动分类系统，有助于心音听诊在低等级医院及社区医疗中普及。

背景技术

临床上，超声心动图、彩超、CT、MRI等新技术的使用，使得医生能得到比心脏听诊更为直接和精确的诊断依据。然而，由于这些设备造价昂贵、体积巨大且操作复杂，不利于在低等级医院以及社区医疗中普及。

另一方面，心音能有效地反应心脏尤其是瓣膜活动、血液流动状况，比如，房室瓣的关闭是产生第一心音的主要因素，半月瓣关闭时产生第二心音的主要成份。许多心血管疾病，尤其是瓣膜类疾病，心音都是重要的参考诊断信息，因此在临床上应用非常广泛。但心脏听诊很容易受到医生经验、听诊水平的影响。

心音分段是建立决策系统的基础和前提，其目的是定位心音的主要成份(第一心音S1、收缩期、第二心音S2及舒张期)，为特征提取与模式识别提供定位基准。可以说，分段的准确与否，直接影响到整个决策系统的成败。在已有文献中，一般采用下面几种分段算法：

1)人工分段，由经验丰富的医生来完成。其优点是分段准确，但严重依赖医生的经验。

2)参考心电图(ECG)的分段算法。心电的R波、T波与心音的S1、S2在时间上存在匹配关系；但引入心电信号增加了仪器的复杂性，而且面临准确识别R、T波的问题。

3)基于信号能量的分段算法。该算法只根据心音自身特点进行分段，无需其他辅助；缺点是分段错误率较大，且分段边界不准确。

发明内容

本发明的目是提供一种基于心音分析的心脏病自动分类系统，该分类系统体积小、成本低，分类准确，方便在低等级医院及社区医疗中普及。

本发明基于心音分析的心脏病自动分类系统包括：

心音传感器，它用于将被测者的心音振动信号转换成电信号的形式输出；

具有多媒体功能的计算机，它通过数据采集卡与所述心音传感器连接，将心音传感器输出的被测者的心音信号录制并存储于存储单元中；以及，安装于所述计算机内的，

心音分段程序，计算机的CPU运行该心音分段程序，访问存储单元中的心音信号，将一个心动周期的心音信号分为第一心音、收缩期、第二心音和舒张期四段；

心音特征提取程序，计算机的CPU运行该心音特征提取程序提取所述一个心动周期的心音信号的心音特征；

分类器，计算机的CPU运行该分类器将提取到的心音特征与计算机存储单元中的心脏病分类标准比较，将分类结果输出到打印机或显示屏。

其中，上述心音自动分段程序包括：

心音信号包络计算模块，该模块利用香农能量E＝-x²·log x²获取所述心音信号的包络；

确定心音段模块，该模块在所述心音信号的包络中寻找能量在一定幅度以上的所有连续心音段，并确定其粗糙边界，然后根据正常心音中第一心音和第二心音时间间隔的统计结果，去除多余的心音段，合并分裂的心音段；

判断模块，该模块以心音段的数目、所有第一心音或所有第二心音的最大能量是否接近为判据，检查确定心音段模块所确定的心音段是否为真正的第一心音或第二心音，若是则分段成功，否则，调整统计参数，重新运行确定心音段模块；以及，

确定精确边界模块，该模块通过统计第一心音段和/或第二心音段边界处的信号的短时过零率，来区分心音信号和心杂音信号，从而确定第一心音段和第二心音段的精确边界。

上述心音特征提取程序包括：

时域特征提取模块，该模块提取所述第一心音的时长、第一心音包络中最大的两个峰值、第二心音的时长和第二心音包络中最大的两个峰值，同时提取所述心音信号的心率；

时频特征提取模块，该模块将所述心动周期中的心音信号分层，分别提取第一心音、收缩期、第二心音和舒张期在每一层中的能量；

功率谱特征提取模块，该模块分别提取所述第一心音、收缩期、第二心音和舒张期的AR谱系数；以及，

分形维数特征提取模块，该模块分别提取所述收缩期和舒张期的分形维数。

心音分段是建立决策系统的基础和前提，其目的是定位心音的主要成份(即第一心音S1、收缩期、第二心音S2及舒张期)，为特征提取与模式识别提供定位基准。本发明还提供一种心音分段方法，它包括以下步骤：

1)计算机通过心音信号包络计算模块，计算心音信号的包络；

2)计算机通过确定心音段模块，在所述心音信号的包络中确定心音段；

3)计算机通过判断模块，检查确定心音段模块所确定的心音段是否为真正的第一心音或第二心音，若是则分段成功，否则，调整参数，重新运行确定心音段模块；

4)计算机通过确定精确边界模块，确定所述心音信号中第一心音、收缩期、第二心音和舒张期的精确边界。

本基于心音分析的心脏病自动分类系统通过将心音传感器放置在被测者体表听诊处，将心音振动信号转变为电信号，通过声卡或其它带AD转换的数据采集卡转变为数字信号记录并存储在计算机中，运行在计算机上的分段、特征提取及模式识别程序，完成对心音信号的自动分类。该系统体积小、成本低，方便在低等级医院及社区医疗中普及。

其心音分段程序采用专用的基于信号能量及包络的分段方法，具有分段准确、抗干扰能力强的特点，并且引入短时过零率以更准确地定位分段边界。

其心音特征提取程序包括时域特征、时频特征、功率谱特征和分形维数特征的提取，能够更准确地表示心音特征，从而更准确地对心脏病分类。

附图说明

图1是本基于心音分析的心脏病自动分类系统的结构框图；

图2是其分类过程的流程图；

图3是其心音分段方法流程图；

图4是提取时频特征示意图；

图5是盒维数计算示意图。

具体实施方式

下面结合附图对本发明做进一步说明。

参照图1，本基于心音分析的心脏病自动分类系统包括：心音传感器1，它用于将被测者的心音振动信号转换成电信号的形式输出，心音传感器1可采用微音器或压电传感器等；具有多媒体功能的计算机2，它通过数据采集卡21与所述心音传感器1连接，将心音传感器1输出的被测者的心音信号录制并存储于存储单元中；以及，安装于所述计算机内的，

心音分段程序，计算机的CPU运行该心音分段程序，访问存储单元中的心音信号，将一个心动周期的心音信号分为第一心音、收缩期、第二心音和舒张期四段；

心音特征提取程序，计算机的CPU运行该心音特征提取程序提取所述一个心动周期的心音信号的心音特征；

分类器，计算机的CPU运行该分类器将提取到的心音特征与计算机存储单元中的心脏病分类标准比较，将分类结果输出到打印机或显示屏22。

该系统的特点在于：成本低，由于心音信号频率不高，使用计算机声卡就能够满足要求，可以节省专用数据采集卡；系统适应性强，能够根据实际应用状况调整算法的参数。

心音分段是建立决策系统的基础和前提，其目的是定位心音的主要成份(第一心音S1、收缩期、第二心音S2及舒张期)，为特征提取与模式识别提供定位基准。本系统中，心音自动分段程序包括：

心音信号包络计算模块，该模块利用香农能量E＝-x²·log x²获取所述心音信号的包络，能够突出中等强度的信号，削弱低强度的噪声。同时为了改善包络的平滑性，将信号分为长16毫秒的帧，帧移8毫秒，计算每一帧的平均香农能量；

确定心音段模块，该模块在所述心音信号的包络中寻找能量在一定幅度以上的所有连续心音段，并确定其粗糙边界，然后根据正常心音中第一心音和第二心音时间间隔的统计结果，去除多余的心音段，合并分裂的心音段；

判断模块，该模块以心音段的数目、所有第一心音或所有第二心音的最大能量是否接近为判据，检查确定心音段模块所确定的心音段是否为真正的第一心音或第二心音，若是则分段成功，否则，调整统计参数，重新运行确定心音段模块；以及，

确定精确边界模块，该模块通过统计第一心音段和/或第二心音段边界处的信号的短时过零率，来区分心音信号和心杂音信号，从而确定第一心音段的精确边界和/或第二心音段的精确边界。当信号相邻两个采样点符号相异时，称为“过零”；按帧统计每一帧内的过零次数，即为短时过零率，其计算公式为 $Z_n=\frac{1}{2N}\underset{m=n-N+1}{\overset{n}{\mathrm{\Σ}}}\left|\mathrm{sgn}\right[x\left(m\right)]-\mathrm{sgn}[x(m-1)\left]\right|,$ 其中sgn为符号函数，N为帧长。对大量样本的分析表明，心杂音的短时过零率要明显高于S1或S2，可以由此来区分心杂音。从频谱的角度来看，S1、S2的主要频率成份在100Hz以下，而心杂音的主要频率成份往往在200Hz以上甚至更高的频段。短时过零率作为信号频谱特性的粗略描述，能够明显地作出区分。

心音信号是典型的非平稳信号，其频率成份随时间的变化而变化。对于这种信号，单从时域分析或单从频域分析都难以全面地表示其特征。小波变换是近十几年来迅速发展并被广泛应用的信号处理新工具，有“数学显微镜”之称，具有根据信号的特点自动调整分辨率的功能，即对于低频信号，时域分辨率高而频域分辨率相应降低；对于高频信号，时域分辨率降低而频域分辨率相应升高。通过小波变换提取出的时频分布特征，能更全面地描述心音信号。平稳随机信号的功率谱定义为其自相关函数的傅里叶变换，能够描述平稳随机信号的频率结构。经典功率谱估计如周期图法、间接法得出的功率谱分辨率低，而且方差大。现代功率谱估计从建立信号模型(如AR模型、MA模型、ARMA模型)入手，通过对信号的预测与外推，能显著改善功率谱估计的分辨率及方差。分形属于非线性的范畴，用以描述图形的自相似性。心音信号尤其是心杂音信号的包络形状往往是心脏病的显著特征。分形维数这一特征能够描述心音包络的复杂程度。

为了能准确、全面地表示心音信号，本系统中，心音特征提取程序包括了时域特征提取模块、时频特征提取模块、功率谱特征提取模块和分形维数特征提取模块。其中，

时域特征提取模块提取的特征包括：心率、第一心音S1的时长、第一心音包络中最大的两个峰值(若只有一个峰则第二个为零)、第二心音S2的时长、第二心音包络中最大的两个峰值(若只有一个峰则第二个为零)。其中心率定义为连续两个S1或连续两个S2的最大峰值之间的时间差，并取算法平均。峰值定义为心音包络中的极大值点。

时频特征提取模块利用小波提升算法将所述心动周期中的心音信号分层，分别提取第一心音、收缩期、第二心音和舒张期在每一层中的能量；所分层数根据心音采样率及噪音水平决定，心音采样率愈高，噪音愈大，则分解后的层数愈多。利用小波变换提取时频特征的过程是：选用某种小波将一个周期的心音作n(n的取值取决于心音采样率及噪音水平等)层分解；将心音每一个部分(第一心音、收缩期、第二心音和舒张期)在每一层中的能量顺序排列作为特征向量。能量的计算包括但不限定于下列三种。令x_i为信号x(t)在某一子空间正交基上的投影，则其定义分别为：

1)Shannon(香农)熵： $E_1\left(x\right)=-\underset{i}{\mathrm{\Σ}}{x}_i^2\lg x_i^2$

2)P范数熵： $E_2\left(x\right)=\underset{i}{\mathrm{\&Sigma;}}{\left|x_i\right|}^p={\left|\right|x\left|\right|}_p^p,1\&le;p<2$

3)对数能量熵： $E_3\left(x\right)=\underset{i}{\mathrm{\&Sigma;}}\lg x_i^2$

功率谱特征提取模块提取所述第一心音、收缩期、第二心音和舒张期的AR谱系数。AR谱即自回归谱，它假定待研究信号x(n)(即心音信号)是由一个输入序列u(n)激励一个线性系统H(z)的输出，并且假定H(z)具有下列形式： $H\left(z\right)=\frac{1}{A\left(z\right)}=\frac{1}{1+\underset{k=1}{\overset{p}{\mathrm{\&Sigma;}}}{a}_k{z}^{-k}}.$ 当u(n)是方差为σ²的白噪声信号时，x(n)的功率谱 $P_x\left(e^{\mathrm{jw}}\right)=\frac{1}{{|1+\underset{k=1}{\overset{p}{\mathrm{\&Sigma;}}}{a}_k{e}^{-\mathrm{jwk}}|}^2}.$ 上述公式中的a₁，a₂，…，a_p即为AR谱系数，也即该算法提取的功率谱特征。

分形维数特征提取模块分别提取心音包络收缩期、舒张期的分形维数。分形学是以局部和整体具有自相似的复杂事物为研究对象探索其复杂性的科学，而心音信号尤其是心杂音信号的包络形状往往是心脏病的显著特征，因此可以用分形来描述心音信号的不规则性和复杂性。分形维数是度量分形复杂性的重要指标，本发明提取的分形维数特征包括盒维数、信息维数、关联维数、相似维数、谱维数等。

所述分类器可采用任何一种可处理多类分类问题的分类器，单独或者组合上述提取的特征，将该心音样本分类，并输出结果。可使用的分类器包括但不限于线性分类器、支持向量机(SVM)、决策树等。

参照图2，采用本系统对心脏病进行分类的过程为：将采集的心音信号作一定的预处理，比如调整采样率fs＝2000Hz、截短成N＝4096点等，然后按上述心音分段方法将该段心音分段。如果由于噪音太强、心音太凌乱等原因造成分段失败，则报警之后结束分类进程。如果分段成功则运行心音特征提取程序提取心音信号的时域特征、时频域特征、功率谱特征以及分形维数特征。最后调用设计并训练好的分类器对该心音样本进行分类，并输出分类结果。在对正常心音、主动脉瓣狭窄、主动脉瓣回流、二尖瓣狭窄及二尖瓣回流的分类结果表明，总正确率在90％以上。

参照图3，采用本系统心音分段模块对心音信号进行分段的方法为：

1)计算机通过心音信号包络计算模块，计算心音信号的包络；

2)计算机通过确定心音段模块，在所述心音信号的包络中确定心音段；

3)计算机通过判断模块，检查确定心音段模块所确定的心音段是否为真正的第一心音或第二心音，若是则分段成功，否则，调整参数，重新运行确定心音段模块；

4)计算机通过确定精确边界模块，确定所述心音信号中第一心音、收缩期、第二心音和舒张期的精确边界。

其中，通过确定精确边界模块确定精确边界的方法为：

采样第一心音段边界处的信号，按帧统计第一心音段边界处的信号的短时过零率，计算每一帧信号的频率；如果计算到的频率与心音信号频率接近，则将该帧信号划为第一心音信号，否则将该帧信号划为心杂音信号，依此处理第一心音段边界处的各帧信号，从而确定第一心音的精确边界；

采样第二心音段边界处的信号，按帧统计第二心音段边界处的信号的短时过零率，计算每一帧信号的频率；如果计算到的频率与心音信号频率接近，则将该帧信号划为第二心音信号，否则将该帧信号划为心杂音信号，依此处理第二心音段边界处的各帧信号，从而确定第二心音的精确边界。

本发明采用的心音分段方法与以往算法相比，具有下列优点：

1)用双门限法确定心音段边界，抗干扰性、算法稳定性更好。

2)用能量作为分段正确的判定准则，比单纯用分段间隔准确性更高。

3)首次引入短时过零率来分析心音信号，在区分S1、S2和心杂音方面效果明显，能准确地确定S1、S2的边界。

通过6例正常心音与22例异常心音的试验结果表明，本发明采用的心音分段方法的分段总正确率达到93.3％。

图4是用本系统的时频特征提取模块提取时频特征示意图。图中使用双正交小波(bior2.2)将心音信号作4层分解，得到小波系数a4、d4、d3、d2及d1。将心音每一个部分(第一心音、收缩期、第二心音和舒张期)在每一层中的能量顺序排列作为特征向量。选择能量计算公式 $E_2\left(x\right)=\underset{i}{\mathrm{\&Sigma;}}{\left|x_i\right|}^2$ 得到的结果如下：

	第一心音	收缩期	第二心音	舒张期
					a4	7.6042	0.69296	4.0252	0.2409
d4	4.3068	0.69824	2.6792	0.083894
					d3	4.0218	3.22	2.19	0.062122
d2	2.9651	3.3052	1.3101	0.044961
					d1	1.313	1.4157	0.51723	0.025518

图5是盒维数计算示意图。盒维数是一种常用的计算分形图形分维的实用方法。取边长为r的小盒子，把分形覆盖起来。由于分形内部有各种层次的空洞和缝隙，所以，有些小盒子是空的，有些小盒子覆盖了分形的一部分。数数多少小盒子不是空的，所得的非空盒子数记为N(r)。然后缩小盒子的尺寸r，所得N(r)自然要增大。当r→0时，得到用数盒子法计算的盒维数 $D_0=-\underset{r\&RightArrow;0}{\lim }\frac{l\mathrm{gN}\left(r\right)}{\mathrm{lgr}}.$ 在实际应用中只能取有限的r，通常作法是求一系列的r和N(r)，然后在双对数坐标求1gN-1gr的直线斜率D₀。

Claims (6)

1. 一种基于心音分析的心脏病自动分类系统，其特征在于包括：

心音传感器，它用于将被测者的心音振动信号转换成电信号的形式输出；

具有多媒体功能的计算机，它通过数据采集卡与所述心音传感器连接，将心音传感器输出的被测者的心音信号录制并存储于存储单元中；以及，安装于所述计算机内的：

心音分段程序，计算机的CPU运行该心音分段程序，访问存储单元中的心音信号，将一个心动周期的心音信号分为第一心音、收缩期、第二心音和舒张期四段；该心音分段程序包括：

心音信号包络计算模块，该模块利用香农能量获取所述心音信号的包络；

确定心音段模块，该模块在所述心音信号的包络中寻找能量在一定幅度以上的所有连续心音段，并确定其粗糙边界，然后根据正常心音中第一心音和第二心音时间间隔的统计结果，去除多余的心音段，合并分裂的心音段；

判断模块，该模块以心音段的数目、所有第一心音或所有第二心音的最大能量是否接近为判据，检查确定心音段模块所确定的心音段是否为真正的第一心音或第二心音，若是则分段成功，否则，调整统计参数，重新运行确定心音段模块；

以及，

确定精确边界模块，该模块通过统计第一心音段和/或第二心音段边界处的信号的短时过零率，来区分心音信号和心杂音信号，从而确定第一心音段的精确边界和/或第二心音段的精确边界；

心音特征提取程序，计算机的CPU运行该心音特征提取程序提取所述一个心动周期的心音信号的心音特征；

分类器，计算机的CPU运行该分类器将提取到的心音特征与计算机存储单元中的心脏病分类标准比较，将分类结果输出到打印机或显示屏。

2. 根据权利要求1所述的基于心音分析的心脏病自动分类系统，其特征在于所述心音特征提取程序包括：

时域特征提取模块，该模块提取所述第一心音的时长、第一心音包络中最大的两个峰值、第二心音的时长和第二心音包络中最大的两个峰值，同时提取所述心音信号的心率；

时频特征提取模块，该模块将所述心动周期中的心音信号分层，分别提取第一心音、收缩期、第二心音和舒张期在每一层中的能量；

功率谱特征提取模块，该模块分别提取所述第一心音、收缩期、第二心音和舒张期的AR谱系数；以及，

分形维数特征提取模块，该模块分别提取所述收缩期和舒张期的分形维数。

3. 根据权利要求2所述的基于心音分析的心脏病自动分类系统，其特征在于：所述时频特征提取模块利用小波提升算法对心音信号分层，其中，所分层数根据心音采样率及噪音水平决定，心音采样率愈高，噪音愈大，则分解后的层数愈多。

4. 根据权利要求1所述的基于心音分析的心脏病自动分类系统，其特征在于：所述计算机存储单元中的心脏病分类标准是根据专业医生的听诊经验制定的。

5. 根据权利要求1所述的基于心音分析的心脏病自动分类系统，其特征在于：所述心音传感器为微音器或压电传感器；所述分类器为线性分类器、或支持向量机、或决策树。

6. 一种心音分段方法，其特征在于包括以下步骤：

1)计算机通过心音信号包络计算模块，利用香农能量获取心音信号的包络；

2)计算机通过确定心音段模块，首先在心音信号的包络中寻找能量在一定幅度以上的所有连续心音段，并确定其粗糙边界，然后根据正常心音中第一心音和第二心音时间间隔的统计结果，去除多余的心音段，合并分裂的心音段，从而在所述心音信号的包络中确定心音段；

3)计算机通过判断模块，以心音段的数目、所有第一心音或所有第二心音的最大能量是否接近为判据，检查确定心音段模块所确定的心音段是否为真正的第一心音或第二心音，若是则分段成功，否则，调整参数，重新运行确定心音段模块；

4)计算机通过确定精确边界模块，确定所述心音信号中第一心音、收缩期、第二心音和舒张期的精确边界，具体方法包括：

采样第一心音段边界处的信号，按帧统计第一心音段边界处的信号的短时过零率，计算每一帧中信号的频率；如果计算到的频率与心音信号频率接近，则将该帧信号划为第一心音信号，否则将该帧信号划为心杂音信号，依此处理第一心音段边界处的各帧信号，从而确定第一心音的精确边界；

采样第二心音段边界处的信号，按帧统计第二心音段边界处的信号的短时过零率，计算每一帧中信号的频率；如果计算到的频率与心音信号频率接近，则将该帧信号划为第二心音信号，否则将该帧信号划为心杂音信号，依此处理第二心音段边界处的各帧信号，从而确定第二心音的精确边界。

Images