CN101930734B - 一种心音信号分类识别方法及装置 - Google Patents

Abstract

本发明提供了一种心音信号分类识别方法及运用该方法的心音信号分类识别装置。本发明方法以GMM模板特征与待测的心音信号的Mel频率倒谱系数的似然度为匹配标准进行分类识别，提取的参数少，特征提取和计算过程都得以简化，并且抗干扰能力强、分类识别的准确率和效率较高；本发明以该方法为总思路设计的心音信号分类识别装置采用DSP处理器为处理核心，装置结构简单、小巧轻便，可随身携带进行测量，是一种低成本、无创的心音检测装置，有助于心脏疾病的及时发现和送诊。

Description

一种心音信号分类识别方法及装置

技术领域

本发明属于智能控制应用技术领域，尤其涉及一种心音信号分类识别方法及其装置，为相关心脏疾病的自动分类提供有效工具。

背景技术

心音中包含有关于心脏的大量生理和病理信息。当心血管疾病尚未发展到足以产生临床及病理改变前，心音中出现的杂音和畸变对心脏瓣膜病及某些先天性心脏病的诊断有重要意义。心音听诊是检查心脏功能完整性的一种重要方式，受过专业训练的内科医生借由听诊器即能大概诊断出该病患是否患有心脏疾病，但心脏听诊易受医生经验、听诊水平的影响和限制，而且要得到具体的病征类型还需要进一步分类确定。

病理性心脏杂音一般通过先进的成像技术来评估，其中超声心动图是最为突出和有效的检测技术，但是价格昂贵。因此，需要开发一种低成本，同时可以精确检测心脏杂音的医疗设备，这一需求也推动了心脏杂音在生理性和病理性分类识别方面的研究。

国内外研究学者主要通过数字信号处理技术提取心脏杂音的特征参数，利用模式识别方法训练分类器，以实现自动识别不同病理性心音的目的。例如，2001年科罗拉多大学健康科学中心儿童医院的CG.DeGroff等首先在69例有心脏杂音的儿童中验证了人工神经网络在生理性和病理性杂音分类识别中的有效性。紧接着一大批的学者加入了后续的研究工作。2005年SR.Bhatikara等用FFT分析从241例儿童心脏杂音(88例生理性杂音，153例病理性杂音)中提取能量谱，通过人工神经网络进行生理性和病理性杂音分类识别。2006年C.Ahlstrom等利用香农能量、小波、分形维数及递归分析等方法提取多种心音特征，结合Pudil′s的连续前移选择(SFFS)方法获得多维数据子集，最后利用人工神经网络进行生理性和病理性心杂音分类识别。这些研究成果开阔了心音分类的研究思路，但是这些方法需要提取多种心音参数作为心音分类标准，提取过多心音参数又使得提取、运算、识别过程繁琐，不得不依靠结构复杂、计算功能强大的计算机系统来执行心音信号的分类处理，不仅分类识别速度较慢，而且系统不便于随身携带。

发明内容

针对现有技术中存在的上述不足，本发明的一个目的在于提供一种提取参数更少、分类识别效率更高的心音信号分类识别方法；该发明目的是这样实现的：

一种心音信号分类识别方法，包括如下步骤：

a)采集心音信号，经放大、滤波后，输入到处理器进行处理；

b)处理器提取心音信号的Mel频率倒谱系数；

c)利用步骤a)和b)，提取模板信号的Mel频率倒谱系数C；所述模板信号即作为模板的心音信号；

d)基于Mel频率倒谱系数C，采用最大似然估计的方法获取模板信号的模板特征

即：

$\widehat{\mathrm{\λ}}=\arg \underset{\mathrm{\λ}}{\max }P\left(C\right|\mathrm{\λ});$

其中，λ为估计的高斯混合模型特征，P(C|λ)为λ的似然度；然后存储各个模板信号的模板特征及其对应的分类；

e)利用步骤a)和b)，提取待测的心音信号的Mel频率倒谱系数C′；

f)计算待测的心音信号的Mel频率倒谱系数分别与各个模板信号的模板特征之间的似然度，将最大似然度对应的模板信号的分类作为分类识别结果输出。

上述方案中，所述步骤d)中获取模板信号的模板特征的具体步骤如下：

(d1)估计模板信号的初始高斯混合模型参数λ，按如下公式计算其似然度P(C|λ)：

$P\left(C\right|\mathrm{\λ})=\underset{n=1}{\overset{N}{\mathrm{\Π}}}P\left(c_n\right|\mathrm{\λ});$

其中，模板信号的Mel频率倒谱系数C＝{c_n|n＝1，2，...，N}，N表示Mel频率倒谱系数的维数；

(d2)以期望最大化估计模板信号的另一高斯混合模型参数λ′，即使其满足如下条件：

P(C|λ′)≥P(C|λ)；

并计算似然度差值e＝P(C|λ′)-P(C|λ)；

(d3)若似然度差值e大于阈值η，则以前次估计的高斯混合模型参数λ′作为新的初始高斯混合模型参数λ，并再次以期望最大化估计模板信号的又一高斯混合模型参数λ′，重复步骤(d2)；若似然度差值e小于或等于阈值η，则判定为收敛，以前次估计的高斯混合模型参数λ′作为模板信号的模板特征

其中，阈值η的取值在10^-4～10^-3之间。

所述步骤f)可采用的一种方案具体为：

(f1)按如下公式计算待测的心音信号的Mel频率倒谱系数分别与各个模板信号的模板特征之间的最大似然度

其中，待测的心音信号的Mel频率倒谱系数C′＝{c′_n|n＝1，2，...，N}，N表示Mel频率倒谱系数的维数；

表示第i个模板信号的模板特征，i＝1，2，...，I，I表示模板信号的总数量；

(f2)将最大似然度

所取模型特征

对应的模板信号的分类，作为待测的心音信号分类识别结果，并输出。

所述步骤f)可采用的另一种方案具体为：

(f1)按如下公式计算待测的心音信号的Mel频率倒谱系数分别与各个模板信号的模板特征之间的最大似然度

其中，待测的心音信号的Mel频率倒谱系数C′＝{c′_n|n＝1，2，...，N}，N表示Mel频率倒谱系数的维数；

表示第i个模板信号的模板特征，i＝1，2，...，I，I表示模板信号的总数量；

(f2)将最大似然度

所取模型特征

对应的模板信号的分类，作为待测的心音信号分类识别结果，并输出。

本发明的另一目的在于提供运用本发明方法的心音信号分类识别装置，该装置通过DSP处理器进行心音信号的分类识别处理，结构简单、操作方便，便于随身携带，可以有效地实现对正常心音和病理性心音信号的分类识别，有助于心脏疾病的及时发现和送诊；该发明目的是这样实现的：

一种心音信号分类识别装置，包括心音传感器、放大滤波电路、增益调节电路、电平调整电路、按键输入电路、数据存储电路、液晶显示电路和DSP处理器；所述心音传感器与放大滤波电路连接，用于放置在胸壁心前区采集心音信号，并发送至放大滤波电路；所述放大滤波电路分别与增益调节电路和电平调整电路连接，用于对心音信号进行放大和滤波处理，然后经由电平调整电路发送至DSP处理器；放大滤波电路的放大增益由增益调节电路控制；所述电平调整电路用于抬升地电平电压至1.5V，并将调整电平过后的心音信号送至DSP处理器的A/D采样端口；所述按键输入电路用于执行输入操作；所述数据存储电路用于读取和存储作为模板的心音信号的分类和模板特征，以及待测的心音信号的分类识别结果；所述液晶显示电路用于显示输入信息、信号处理过程信息和分类识别结果信息；所述DSP处理器分别与增益调节电路、电平调整电路、按键输入电路、数据存储电路和液晶显示电路连接，完成心音信号的A/D转换，处理按键输入电路的输入信息，控制增益调节电路的增益大小、电平调整电路的调整幅度、数据存储电路的文件读取和存储以及液晶显示电路的实时显示，并按照上述方法的步骤b)～f)完成对待测的心音信号的分类识别处理。

其中，所述心音传感器采用JXH-5型有源心音传感器；所述放大滤波电路的滤波通带设计为10Hz～900Hz，通过增益调节电路进行放大增益调节后，其放大倍数为250～300倍；所述液晶显示电路的显示芯片采用MCG12864A8-3；所述DSP处理器采用TMS320F2812。

相比于现有技术，本发明具有如下有益效果：

1)本发明方法以GMM模板特征与待测的心音信号的Mel频率倒谱系数的似然度为匹配标准进行分类识别，提取的参数少，特征提取和计算过程都得以简化，并且抗干扰能力强、分类识别的准确率和效率较高；

2)由于本发明方法中特征提取和计算过程得以简化，以此为设计思路，可以采用微处理器(如DSP处理器)为处理核心设计便携式心音分类识别装置；

3)本发明的心音分类识别装置结构简单、小巧轻便，可随身携带进行测量，是一种低成本、无创的心音检测装置。

附图说明

图1是本发明心音信号分类识别装置的结构框图；

图2是本发明实施例中放大滤波电路的原理图；

图3是本发明实施例中电平调整电路的原理图；

图4是本发明实施例中DSP处理器与液晶显示电路的连接电路原理图；

图5是本发明实施例中DSP处理器与数据存储电路的连接电路原理图；

图6是本发明心音信号分类识别方法中提取MFCC系数的流程图；

图7是本发明心音信号分类识别方法的流程图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步的说明。

参见图1，本发明的心音信号分类识别装置分为模拟电路部分和数字电路部分；模拟电路部分包括心音传感器、放大滤波电路、电平调整电路和增益调节电路；数字电路部分包括按键输入电路、数据存储电路、液晶显示电路和DSP处理器。心音传感器与放大滤波电路连接，用于放置在胸壁心前区采集心音信号，并发送至放大滤波电路；放大滤波电路分别与增益调节电路和电平调整电路连接，用于对心音信号进行放大和滤波处理，然后经由电平调整电路发送至DSP处理器，同时，放大滤波电路的放大增益由增益调节电路控制；电平调整电路用于抬升地电平电压至1.5V，并将调整电平过后的心音信号送至DSP处理器的A/D采样端口；按键输入电路用于执行输入操作；数据存储电路用于读取和存储作为模板的心音信号的分类和模板特征，以及待测的心音信号的分类识别结果；液晶显示电路用于显示输入信息、信号处理过程信息和分类识别结果信息；DSP处理器分别与增益调节电路、电平调整电路、按键输入电路、数据存储电路和液晶显示电路连接，完成心音信号的A/D转换、按键输入电路的输入信息处理，控制增益调节电路的增益大小、电平调整电路的调整幅度、数据存储电路的文件读取和存储以及液晶显示电路的实时显示，并完成对待测的心音信号的分类识别处理。

本发明装置选择LG+3.7V/830mAh锂电池供电，由于心音传感器需要+5V电源，DSP处理器要求外部I/O为+3.3V供电，内核供电+1.8V(135MHz)或+1.9V(150MHz)；而基于低功耗设计，放大滤波电路采用+3.3V单电源供电，数据存储电路和液晶显示电路均选择+3.3V供电，所以本装置共需设计+5V、+3.3V和+1.8V(或+1.9V)三路供电电压。

心音的幅度大小因人而异，也会因每次测量部位，传感器放置的位置以及传感器与皮肤接触压力大小的不同而不同，所以需要对心音传感器输出的心音电信号进行模拟放大、滤波和增益调节。对心音信号的前端采集和处理主要由心音传感器、放大滤波电路和增益调节电路完成。本实施方式中，心音传感器选用的是北京航天医学工程研究所的JXH-5型有源心音传感器，它具有频率响应范围宽、灵敏度高、抗过载/冲击能力强和操作简便等特点。心音的频率范围一般在20Hz～800Hz，因此放大滤波电路的滤波通带设计为10Hz～900Hz；同时，心电传感器的信号输出为10mV左右，为使得心音信号经放大后达到DSP处理器2.5～3V的输入限幅，放大倍数应设置为250～300倍。本实施方式中，心音信号通过放大滤波电路的三级放大电路共放大约261.6倍，第一级放大43.6倍，第二级放大2倍，第三级放大3倍。增益调节电路在DSP处理器的控制下调控第二级放大电路，根据采集的心音信号的强弱来调整其放大增益，防止信号幅值过大而超出DSP处理器中A/D转换模块幅度输入范围0～+3V。本实施方式采用的放大滤波电路的电路原理图如图2所示。其中，C22和R50构成的阻容耦合电路能有效抑制心音传感器输出信号中的直流漂移，提取有用的交流成分。考虑到心音的主频率在100Hz左右，设计中取R50＝200KΩ，C22＝1μF，可得时间常数τ≈R50×C22＝200ms。U1A、R48、R49构成第一级放大电路，放大倍数K1约为43.6。U1B、C23、C24、R51、R52构成二阶有源压控高通滤波器，U2A、C26、C27、R53、R54、R55、R56构成二阶有源压控低通放大滤波器，放大倍数K2＝2。整个滤波器带宽为10Hz～900Hz。

本发明装置中的放大器均采用单电源供电，只能对正信号进行放大，若地电平保持为0V，则负信号会被截止。所以设计了电平调整电路，在DSP处理器的控制下将地电平抬升至1.5V，从而使的原来的负信号被抬升至0～1.5V的电平区间，电平调整电路的电路原理图如图3所示。3.3V的电源通过R66和滑动变阻器R67分压，C29、U3B电平调整，输出电压为1.5V，作为整个放大滤波电路的地电平。这样，经过放大滤波后的信号就会以1.5V为基线在0～3V的电平幅度范围内变化，不会造成负信号被截止而导致的信息损失。

液晶显示电路的显示芯片选用的是MCG12864A8-3，该模块是使用KS0108B及兼容控制驱动器作为列驱动器，同时使用KS0107B及其兼容驱动器作为行驱动器。由于KS0107B不与MPU发生联系，故只要提供电源就能产生行驱动信号和各种同步信号。电路中用DSP的通用I/O口对液晶进行控制，将DSP的GPIOB口高八位GPIO8～GPIO15作为数据总线。该液晶为3.3V单电源供电。液晶的第5脚用于液晶显示对比度的调节。背光控制接在DSP的GPIOB7引脚，该引脚是PWM信号输出引脚，利用PWM信号可以方便的调节背光的明暗程度。MCG12864A8-3与DSP处理器连接电路原理图如图4所示。

本发明为了提高读取速率并获得较大的存储容量，转移选用SD卡(Secure DigitalMemory Card，安全数码卡)作为数据存储介质。SD卡拥有高记忆容量、快速数据传输率、极大的灵活性以及很好的安全性等特点。SD卡接口支持两种操作模式：SD模式和SPI模式。在SPI模式下，通过四条线就可以交换数据，可以大大简化硬件电路，装置中选用SD卡的SPI模式。SD卡与DSP处理器连接电路原理图如图5所示。

DSP处理器采用TMS320F2812，TMS320F2812片内有基于锁相环PLL的时钟模块。该模块提供了器件所有必须的时钟信号以及功耗工作模式的控制。PLL有4位倍频设置位，可以为处理器提供各种速度的时钟信号。基于PLL的时钟模块提供了两种工作模式：晶体振荡器操作和外部时钟源操作。本发明使用晶体振荡器操作，该模式允许使用外部晶体振荡器/振荡电路作为器件的时钟，外部晶体振荡器采用30M无源晶振，连接到DSP的X1和X2引脚。装置中PLL被使能，上电复位时默认配置PLL被旁路，从X1/XCLKIN引脚输入的时钟在送到CPU之前经过PLL的2分频，采用慢速的运行频率可以帮助DSP稳定地从FLASH中加载程序。加载程序后，由软件给PLLCR寄存器写入一个非0值来设置PLL时钟比。经过电平调整的心音信号通过TMS320F2812的A/D采样端口进入A/D转换模块进行模/数转换，值得注意的是TMS320F2812非常脆弱，其A/D采样端口的最高有效采样输入电压是3V。虽然在前端放大滤波电路中已经设计了增益控制电路，但是以防万一，输入A/D采样端口的电压过高或者过低而导致DSP烧毁，本装置在信号进入DSP的A/D之前，加上箝位二极管对A/D的输入电压进行限制。TMS320F2812还根据心音信号的输入电平，反馈控制增益调节电路的增益大小以及电平调整电路的调整幅度，若心音信号的输入电平产生波动则及时的调整，确保输入的心音信号幅值不超出DSP处理器的A/D转换模块幅度输入范围0～+3V。同时，TMS320F2812还完成按键输入电路的输入信息处理，控制数据存储电路的文件读取和存储以及液晶显示电路的实时显示，并完成对待测的心音信号的分类识别处理。

采用上述方案制作得到心音信号分类识别装置样板，长、宽尺寸为13.8cm×10cm，重量不足300g，小巧轻便，且操作简单，可随身携带进行测量；通电后，将心音传感器放置于胸壁心前区就可以采集到心音信号，是一种低成本、无创的心音检测装置，方便用户及时监测自己的心脏健康状态，也便于在医院和社区医疗中加以普及。

本发明的心音信号分类识别装置的工作处理流程如下：

采集的心音信号进行放大、滤波等前期处理，然后输入到DSP处理器经A/D转换后，由软件完成对心音信号的分类识别。

DSP处理器的软件处理流程中，首先需要对心音信号进行预处理。预处理包括预加重、心音去噪、分帧和加窗、端点检测四个步骤。

在实际信号分析中常采用预加重技术，即在对信号取样之后，插入一个一阶的高通数字滤波器，以滤除低频干扰，突出更为有用的高频部分的频谱；所选用的高通数字滤波器的Z传递函数数为H(z)＝1-az^-1，其中预加重因子a的取值在0.94～0.97之间。通过前面硬件电路采集的心音信号包含有来自环境、工频干扰、仪器本身带来的噪声影响，因此选择小波分解与重构的方法对其进行消噪处理；利用小波变换可以把信号的能量集中到某些频带的少数系数上，这样，通过将其他频带上的小波系数置零或是给予小的权重，即可达到有效抑制噪声的目的。心音信号是一种短时非平稳信号，要对其进行短时分析，需要对信号进行分帧处理，装置中采用交叠分帧的方法，在这段时间内可以认为心音信号是平稳的，非时变的；分帧使用滑动的窗口进行加权来实现，提取心音信号特征参数之前要进行端点检测，端点检测的精确性直接关系到后面提取的特征参数的有效性，最终将影响到整个分类识别装置的鲁棒性，而且精确的端点检测可以减少识别时的数据处理量，节约装置的处理运行时间，提高识别效率。

心音信号中含有丰富的生理和病理信息，特征提取就是对心音信号进行分析处理，获取心音分类的重要信息。本发明所采用的心音信号分类识别方法，是通过提取心音信号的Mel频率倒谱系数(Mel Frequency Cepstral Coefficients，缩写为MFCC)，利用高斯混合模型(Gaussian Mixture Model，缩写为GMM)进行建模和识别。MFCC是目前广泛应用于语音相关识别中的特征参数，它利用了人耳听觉频率非线性特性，在噪声环境中具有其它特征参数无可比拟的优势，并且技术成熟。本发明利用语音信号处理中常用的MFCC提取方法，来提取心音信号的Mel频率倒谱系数，其提取过程如图6所示，具体步骤如下：

(1)采用上述方法对心音信号进行预加重、心音去噪、分帧和加窗、端点检测预处理；

(2)对于已经进行预处理的心音信号进行DFT(Discrete Fourier Transform，离散傅里叶变换)或FFT(Fast Fourier Transform，快速里叶变换)处理，将其由时域信号x(n)变换为频域信号X(k)；其中，n表示时域信号所处的采样时刻；k＝0，1，2，...，N-1，N表示傅立叶变换的点数；

(3)将得到的频域信号X(k)通过一组Mel尺度的三角形滤波器组进行滤波，三角形滤波器的个数为M，传递函数为H_m(k)，m＝1，2，...M；再将三角滤波器的输出作对数能量运算，得到一组对数能量频谱S_m，计算公式如下：

$S_m=\mathrm{lm}(\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}{\left|X\left(k\right)\right|}^2\·H_m\left(k\right));$

(4)对S_m作离散余弦变换(Discrete Cosine Transform，缩写为DCT)，得到心音信号的Mel频率倒谱系数C＝{c_n|n＝1，2，...，N}，其中：

$c_n=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{S}_m\cos \left[\frac{\mathrm{\πn}(m-0.5)}{M}\right];$

其中N为Mel频率倒谱系数的维数，其取值范围为12～24，本实施方式取N＝12；π为圆周率。

本发明的心音信号分类识别方法的基本原理，如图7所示，即选取多个作为模板的心音信号，分别建立其基于Mel频率倒谱系数的GMM概率模板特征，然后以模板特征与待测的心音信号的Mel频率倒谱系数的似然度为匹配标准进行分类识别。该方法不仅提取的参数少，并且相比于现有技术其特征提取和计算过程都得以简化，计算的鲁棒性得以较大幅度的提高，使得该方案在便携式心音分类识别装置中的设计应用成为可能；并且，该方法抗干扰能力强、分类识别的准确率和效率较高，为进一步的心脏病医疗诊断提供了有利的依据。

本实施方式中选择了正常心音信号以及8类常见的病理性心音信号建立模板，8类常见的病理性心音信号包括：二尖瓣关闭不全心杂音、二尖瓣狭窄心杂音、主动脉瓣关闭不全心杂音、主动脉狭窄心杂音、室间隔缺损心杂音、早搏、肺动脉瓣狭窄心杂音、心音分裂。采用上述的方法，分别求出作为模板信号的正常心音信号以及8类常见的病理性心音信号的Mel频率倒谱系数，依然计模板信号的Mel频率倒谱系数为C＝{c_n|n＝1，2，...，N}，然后获取模板信号的模板特征

高斯混合模型(GMM)是近年来生物识别采用的最主流的技术，它是在隐马尔可夫模型(Hidden Markov Model，缩写为HMM)的基础上发展起来的，是单一高斯概率密度函数的延伸，由于GMM能够平滑地近似任意形状的密度分布，将其用于心音信号相关的识别任务中可以取得了良好的效果。本发明中GMM模板特征的训练采用最大似然估计(Maximum Likelihood)的方法，训练的目的就是找到一组高斯混合模型参数λ，使P(C|λ)最大，即：

$\widehat{\mathrm{\λ}}=\arg \underset{\mathrm{\λ}}{\max }P\left(C\right|\mathrm{\λ});$

由于似然度P(C|λ)是参数λ的非线性函数，无法直接求其最大值。这种最大参数估计可利用EM算法(Expectation Maximization，最大期望算法)通过迭代计算得到。具体方法是：

(d1)估计模板信号的初始高斯混合模型参数λ，按如下公式计算其似然度P(C |λ)：

$P\left(C\right|\mathrm{\λ})=\underset{n=1}{\overset{N}{\mathrm{\Π}}}P\left(c_n\right|\mathrm{\λ});$

(d2)以期望最大化估计模板信号的另一高斯混合模型参数λ′，即使其满足如下条件：

P(C|λ′)≥P(C|λ)；

并计算似然度差值e＝P(C|λ′)-P(C|λ)；

(d3)若似然度差值e大于阈值η，则以前次估计的高斯混合模型参数λ′作为新的初始高斯混合模型参数λ，并再次以期望最大化估计模板信号的又一高斯混合模型参数λ′，重复步骤(d2)；若似然度差值e小于或等于阈值η，则判定为收敛，以前次估计的高斯混合模型参数λ′作为模板信号的模板特征

其中，阈值η的取值在10^-4～10^-3之间，本实施方式取η＝10^-3。

这样的迭代过程可能持续多次，直至迭代的然度差值e小于收敛的阈值η，即停止训练，此时估计的高斯混合模型参数λ′已经满足使P(C|λ)逼近极大值，也即训练所得的模型特征

设作为模板信号的正常心音信号以及8类常见的病理性心音信号各自的样本数量不尽相同，9类模板信号的样本数量共有I个，则分别将获取的I个模板信号的模板特征、以及各个模板信号对应的分类存储于数据存储电路中以备调用。

接下来，对于待测的心音信号，首先提取其Mel频率倒谱系数，提取方法如上所述，计待测的心音信号的Mel频率倒谱系数为C′＝{c′_n|n＝1，2，...，N}，N表示Mel频率倒谱系数的维数。对待测的心音信号进行分类识别时，目的就是对Mel频率倒谱系数C′，找到使C′有最大后验概率的模型参数表示第i个模板信号的模板特征，i＝1，2，...，I)，模型参数

所对应的模板信号的分类就是待测的心音信号的分类识别结果。本发明的心音信号识别过程可以用下式表示：

表示待测的心音信号的Mel频率倒谱系数分别与各个模板信号的模板特征之间的最大似然度。在计算过程中，认为待测的心音信号与各个模板信号的模板特征相匹配的概率相同，即取

又因P(C′)的概率是相同的，即P(C′)＝1/I；故上式可以简化为：

如果为了进一步减少计算量，提高计算的铝棒性，可使用对数运算其最大似然度：

计算出最大似然度则

所取模型特征

对应的模板信号的分类，即作为待测的心音信号分类识别结果，通过液晶显示屏显示出来，并存储于数据存储电路中以备后续处理。

下面结合一个实例对本发明做进一步的说明。

实施例：

本实施例中选择了正常心音信号和8种常见的病理性心音信号作为模板信号，所采集的样本共计65例，其中包括：5例正常心音、5例二尖瓣关闭不全心音、17例二尖瓣狭窄心音、5例主动脉瓣关闭不全心音、5例主动脉瓣狭窄心音、5例肺动脉瓣狭窄心音、6例室间隔缺损心音、8例早搏心音、9例心音分裂。

采集过程中，DSP处理器首先采用coif3小波对心音信号进行7层分解并重构，得到不同频段的子带信号方便观察。通过小波去噪后，去除了心音信号中的很多无用成分和干扰，保留了信号的有用成分，对去噪后的心音进行特征参数提取，提取得到的MFCC系数就可以作为特征矢量进行GMM模型特征的训练和识别。训练过程中对GMM的估计采用EM算法进行迭代运算，设置的最大迭代次数为40次，训练时间约为3～4min。在识别阶段，计算待测的心音的MFCC系数与训练所获得的GMM模板特征之间的似然度，求出的最大似然函度是所取模板特征对应模型信号的分类为分类识别结果。经验证，采用本发明方法的分类识别时间一般在0.3～0.5s，心音信号进行小波去噪后，大大减少了训练和识别的时间；同时，本发明以GMM模板特征与待测的心音信号的Mel频率倒谱系数的似然度为匹配标准进行分类识别，分类准确率高、抗干扰能力强，本实施例采用该方法对1853例心音信号进行分类识别，并通过专家验证分类识别结果，分类准确率达到96％以上。

最后说明的是，以上实施方式及实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施方式及实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种心音信号分类识别方法，其特征在于包括如下步骤：

a)采集心音信号，经放大、滤波后，输入到处理器进行处理；

b)处理器提取心音信号的Mel频率倒谱系数；

c)利用步骤a)和b)，提取模板信号的Mel频率倒谱系数C；

d)基于模板信号的Mel频率倒谱系数C，采用最大似然估计的方法获取模板信号的模板特征即：

$\widehat{\mathrm{\λ}}=\arg \underset{\mathrm{\λ}}{\max }P\left(C\right|\mathrm{\λ});$

其中，λ为估计的高斯混合模型特征，P(C|λ)为λ的似然度；然后存储各个模板信号的模板特征及其对应的分类；所述步骤d)中获取模板信号的模板特征的具体步骤如下：

(d1)估计模板信号的初始高斯混合模型参数λ，按如下公式计算其似然度P(C|λ)：

$P\left(C\right|\mathrm{\λ})=\underset{n=1}{\overset{N}{\mathrm{\Π}}}P\left(c_n\right|\mathrm{\λ});$

其中，模板信号的Mel频率倒谱系数C＝{c_n|n＝1，2，...，N}，N表示Mel频率倒谱系数的维数；

(d2)以期望最大化估计模板信号的另一高斯混合模型参数λ′，即使其满足如下条件：

P(C|λ′)≥P(C|λ)；

并计算似然度差值e＝P(C|λ′)-P(C|λ)；

(d3)若似然度差值e大于阈值η，则以前次估计的高斯混合模型参数λ′作为新的初始高斯混合模型参数λ，并再次以期望最大化估计模板信号的又一高斯混合模型参数λ′，重复步骤(d2)；若似然度差值e小于或等于阈值η，则判定为收敛，以前次估计的高斯混合模型参数λ′作为模板信号的模板特征其中，阈值η的取值在10^-4～10^-3之间；

e)利用步骤a)和b)，提取待测的心音信号的Mel频率倒谱系数C′；

f)计算待测的心音信号的Mel频率倒谱系数分别与各个模板信号的模板特征之间的似然度，将最大似然度对应的模板信号的分类作为分类识别结果输出。

2.根据权利要求1所述的一种心音信号分类识别方法，其特征在于，所述步骤f)具体为：

(f1)按如下公式计算待测的心音信号的Mel频率倒谱系数分别与各个模板信号的模板特征之间的最大似然度

其中，待测的心音信号的Mel频率倒谱系数C′＝{c′_n|n＝1，2，...，N}，N表示Mel频率倒谱系数的维数；

表示第i个模板信号的模板特征，i＝1，2，...，I，I表示模板信号的总数量；

(f2)将最大似然度

所取模型特征

对应的模板信号的分类，作为待测的心音信号分类识别结果，并输出。

3.根据权利要求1所述的一种心音信号分类识别方法，其特征在于，所述步骤f)具体为：

(f1)按如下公式计算待测的心音信号的Mel频率倒谱系数分别与各个模板信号的模板特征之间的最大似然度

其中，待测的心音信号的Mel频率倒谱系数C′＝{c′_n|n＝1，2，...，N}，N表示Mel频率倒谱系数的维数；

表示第i个模板信号的模板特征，i＝1，2，...，I，I表示模板信号的总数量；

(f2)将最大似然度所取模型特征

对应的模板信号的分类，作为待测的心音信号分类识别结果，并输出。

4.一种心音信号分类识别装置，其特征在于包括心音传感器、放大滤波电路、增益调节电路、电平调整电路、按键输入电路、数据存储电路、液晶显示电路和DSP处理器；

所述心音传感器与放大滤波电路连接，用于放置在胸壁心前区采集心音信号，并发送至放大滤波电路；

所述放大滤波电路分别与增益调节电路和电平调整电路连接，用于对心音信号进行放大和滤波处理，然后经由电平调整电路发送至DSP处理器；放大滤波电路的放大增益由增益调节电路控制；

所述电平调整电路用于抬升地电平电压至1.5V，并将调整电平过后的心音信号送至DSP处理器的A/D采样端口；

所述按键输入电路用于执行输入操作；

所述数据存储电路用于读取和存储作为模板的心音信号的分类和模板特征，以及待测的心音信号的分类识别结果；

所述液晶显示电路用于显示输入信息、信号处理过程信息和分类识别结果信息；

所述DSP处理器分别与增益调节电路、电平调整电路、按键输入电路、数据存储电路和液晶显示电路连接，完成心音信号的A/D转换，处理按键输入电路的输入信息，控制增益调节电路的增益大小、电平调整电路的调整幅度、数据存储电路的文件读取和存储以及液晶显示电路的实时显示，并按照权利要求1所述方法的步骤b)～f)完成对待测的心音信号的分类识别处理。

5.根据权利要求4所述的心音信号分类识别装置，其特征在于：所述心音传感器采用JXH-5型有源心音传感器。

6.根据权利要求4所述的心音信号分类识别装置，其特征在于：所述放大滤波电路的滤波通带设计为10Hz～900Hz；通过增益调节电路进行放大增益调节后，所述放大滤波电路的放大倍数为250～300倍。

7.根据权利要求4所述的心音信号分类识别装置，其特征在于：所述液晶显示电路的显示芯片采用MCG12864A8-3。

8.根据权利要求4所述的心音信号分类识别装置，其特征在于：所述DSP处理器采用TMS320F2812。

Images