CN101951838A - 用于确定杂音频带的方法和装置 - Google Patents

Abstract

本发明涉及一种用于确定心脏病的频带特性的方法，所述方法包括以下步骤：记录来自第一组参考健康患者的第一组心音图和来自患有所述心脏病的第二组患者的第二组心音图；计算所有可能频带的频谱能量；比较所述所有可能频带的频谱能量，以根据第一和第二组心音图来确定导致所述心音图的频谱能量之间的最大差别的最优化频带。

Description

用于确定杂音频带的方法和装置

技术领域

本发明涉及用于确定用于心脏杂音频带以便对心脏杂音进行分类的方法和装置。

背景技术

所有儿童中的大约1％显示出先天性心脏病的一些症状。在12岁之前筛查这些儿童的情况有时至关重要。虽然通过资深医师的心音听诊是用于筛查这样的情况的主要和通常的手段，但是，缺少资深医师，特别是在发展中国家，使得自动筛查手段成为优选。已经通过数字心音分析方法对成人心脏诊断进行了一些研究。然而，对于筛查患有先天性心脏病的儿童，这仅较低程度可靠。成人心脏问题的计算机化验证与筛查儿童中的先天性心脏病有较大区别。

作为用于筛查先天心脏病的非侵害性声学系统的计算机化心音图对于医师而言是有益的工具。也可以开辟通过远程医疗来验证儿童心脏状态的方式。值得注意的是，虽然数字心音图单独可能不提供例如确定心脏外科手术操作是否可行所需要的全部信息，但是其可以大大减少超声波心动图(echocardiography)的不必要使用，超声波心动图是迄今为止较为昂贵和耗时的工具。而且，如果实施适当的医疗，则儿童的心脏缺陷早期诊断可以完全消除以后的外科手术的必要。

畸形	先天性心脏病％
		心室间隔疾病(VSD)	33
动脉导管未闭(PDA)	10
		肺动脉瓣狭窄(PS)	10
法洛四联症(TOF)	9
		主动脉瓣狭窄(AS)	8
心房间隔缺损(ASD)	5
		主动脉缩窄	5

大动脉转位	5
		房室间隔缺损	4
动脉干	1
		三尖瓣闭锁	1
完全性肺静脉异位连接	1
		其他	8

表1.在1000个儿童中的心畸形发生频率

表1示出在“The heart：Congenital heart disease，in Basic Pathology”的第11章(W.B.Saunders Company，Philadelphia USA，1997)中报告的主要心畸形在儿童中的发生频率。

心音图(PCG)信号是对由心脏的机械运动引起的声波的记录，并且是半周期性的。心电图(ECG)信号是对由心脏细胞的电活动引起的电势的记录。通常的心音在每一个循环中包含被称为S1和S2的两个基本声音区段。心脏的机械活动总是由心脏的电活动引起。S1总是跟随ECG信号的Q峰值，而S2跟随ECG信号的T峰值。

EP 1558145公开了用于从心音信号提取信息的过程。该文献描述了用于从心音描记图(phonocardiographic)数据提取杂音信息的过程，其中，使用时间/频率特性来检测心音特征。更具体地，以时间片和频率片来分解该信号，并且需要识别心脏收缩和心脏舒张以便使用这种方法。

US 2005/0222515公开了一种用于根据心音能量的时间频率分布来限定心音调号(heart sound signature)的方法。该文献提出了的所述调号的表示，以便由训练有素的医师对特征进行快速识别。

US 5638823公开了使用时间频率分析来检测患有动脉狭窄的患者的风险因素。

文献J.P.de Vos等人的“Automated Pediatric Auscultation”，IEEE TRANSAC TIONS ON BIOMEDICAL ENGINEERING，第54卷，第2期，2007年2月和C.Degroff等人的“Artificial Neural Network-Based Method for Screening Heart Murmurs in Children”，Circulation，第2712-2716页，2001年6月公开了先天性心脏病的自动筛查，所述自动筛查依赖于作为用于特征提取的数学基础的小波分析，而忽略了引起心音中的异常的有缺陷心脏部分。

值得注意的是，每一种先天性心脏病在特定频带中引起异常心音，这可能不符合小波分析的频率尺度。结果，基于小波的方法需要以多个尺度来处理心音，以允许充分区分正常和异常情况。然而，这提高了特征向量的维度，其继而在假定固定大小的训练数据的情况下，对分类器的测试阶段的质量施加负面影响。

另外，特征向量的维度的增加可能将频带混合到无关的分类过程中。为了使得这一点更清楚，我们注意到，具有正常心脏的一些儿童可能具有无害的杂音，该无害杂音在多个频率上的能量含量与指示各种心脏病的能量含量接近。

发明内容

本发明的目的

本发明旨在提供一种用于根据心音图来检测心脏病状的方法和相关联的装置，所述方法和装置没有现有技术的缺点。

本发明还旨在提供一种用于确定能够用于限定用于心脏杂音的检测的特征向量的频带和相关的心脏病状的方法和相关联的装置。

发明内容

本发明的第一方面涉及一种用于确定心脏病的频带特性的方法(不施加于哺乳动物(包括人)身体)，包括以下步骤：

-(从数据库)收集和/或记录来自第一组参考健康患者的第一组心音图和来自患有这种心脏病的第二组患者的第二组心音图；

-限定频率采样率和最大截止频率，产生有限的一组采样频率；

-计算在所有采样频率的频谱能量；

-计算所有可能频带的频谱能量；

-比较所有可能频带的这些频谱能量；

-根据第一和第二组心音图确定导致这些心音图的频谱能量之间的最大差别的频带。在该方法中，(最大)截止频率大约是500Hz(优选地是处于约400Hz至约600Hz之间的值)。

在本文中，频带表示由特定的采样频率界定的特定频率间隔。

在第二方面，本发明涉及一种用于检测影响患者的心脏病的方法，所述方法除了确定心脏病的频带特性之外，还包括以下步骤：将特定患者的心音图的该最优化频带能量与第一和第二组心音图的对应频带能量作比较，以限定这个(特定)患者是否患有该(特定)心脏病。

根据本发明的优选实施例，这种方法进一步特征在于下面的特征之一或适当组合：

-所述心脏病优选地选自以下组，所述组由以下部分组成：心室间隔缺损、动脉导管未闭、肺动脉瓣狭窄、法洛四联症、主动脉瓣狭窄、心房间隔缺损、主动脉缩窄、大动脉转位、房室间隔缺损、动脉干、三尖瓣闭锁、肺静脉异位连接或其混合；

-频带确定范围处于约1Hz至约500Hz之间；

-所确定的频带处于约88Hz至约96Hz之间，并且所述心脏病是心室间隔缺损；

-所确定的频带处于约50Hz至约60Hz之间，并且所述心脏病是法洛四联症；

-所确定的频带处于约15Hz至约121Hz之间，并且所述心脏病是心室动脉导管未闭；

-所确定的频带处于约17Hz至约129Hz之间，并且所述心脏病是主动脉瓣狭窄；

-所确定的频带处于约16Hz至约32Hz之间，并且所述心脏病是肺动脉瓣狭窄；

-仅在心音图的心脏收缩区段上计算频谱能量；并且/或者

-通过神经网络来执行心音图之间的比较。

本发明的另一个方面涉及一种装置，所述装置包括心音图记录介质、心音图存储介质、输出介质、处理器和用于执行根据本发明的方法的一组指令。

本发明还涉及可在可编程装置上执行的一组指令，所述指令当被执行时执行所述方法。

附图说明

图1表示完整的心音循环(顶部)以及ECG信号(底部)。

图2表示患有VSD的三岁女孩的PCG和ECG。

图3表示患有PDA的6个月女孩的PCG和ECG。

图4表示患有PS的3个月男孩的PCG和ECG。

图5表示患有TOF的2岁男孩的PCG和ECG。

图6表示患有AS的12岁男孩的PCG和ECG。

图7表示患有ASD的6岁男孩的PCG和ECG。

图8表示针对与相对比的由每一种儿童先天性心脏病VSD、TOF、PDA、ASD、AS和PS组成的4种情况(◇)，对于两个任意频带(30Hz-50Hz，250Hz-300Hz)以及Arash频带计算的频谱能量。容易看出，对于Arash频带能量而言，正常情况与有缺陷情况区分地更好。

算法的输出根据Jack-Knife验证。用(◇)表示异常情况(患者1-54)，并且用()表示正常情况(患者55-90)。

具体实施方式

本发明公开了一种通过心音分析技术自动地筛查儿童中的先天性心脏病的方法。

该方法依赖于基于引起杂音的心脏部分来分类病态杂音。通过查看在以下称为Arash频带的特定频带上的心音能量，可以识别这些病态杂音类别。

依赖于心脏缺陷的类型，杂音可能出现在心音的不同区段中。然而，大多数频繁观察到的疾病在心脏收缩区段中引起某种杂音。因此，优选的使用心音的心脏收缩区段来进行诊断。

为了确定每一个类别的Arash频带，在所有的可能频带上评估心音的能量。因此，将Arash频带定义为与正常的心音相比较提供最低的聚类错误的频带。Arash带的能量含量因此构成适合于使用神经网络来分类的特征向量。

本发明的确定每一种疾病的Arash频带的手段使得在疾病的Arash频带上的心音的能量含量提供了在正常和异常情况之间的最大差别。多层感知器(Multi Layer Perceptron，MLP)神经网络有利地将由Arash频带能量构造的特征向量划分为正常和异常情况。

多层感知器是一种将多组输入数据映射到一组适当的输出上的前馈型人工神经网络模型。标准线性感知器的一种变型在于它使用具有非线性激活函数的三层或更多层神经元(节点)，并且比感知器更强大，因为它可以有利地区分不可线性分离或由超平面分离的数据。

通过最小化特征向量维度精确地指定Arash频带使得分类器相对于对这些情况的可能的伪诊断(阳性或阴性)而言更健壮。

所提出的筛查方法依赖于基于引起病状杂音的心脏部分的先天性心脏病分类，而不是标准的医疗分类。

已经发现，患有先天性心脏病的儿童的心音在特定频带上显示与正常儿童不同的能量集中。这些频带被称为Arash频带。

Arash频带的频谱能量因此可以被用作在儿童中筛查先天性心脏病的特征向量。这些Arash频带依赖于引起杂音的心脏部分。

先天性心脏病中的一些产生与有缺陷的心脏部分不对应的杂音。也存在由相同的心脏部分产生杂音的先天性心脏病(例如，ASD和PS疾病)。ASD和PS疾病中的杂音由肺动脉瓣的溢流引起。如将要示出的，这两种疾病的Arash频带有利地重合，这确认了Arash频带与引起杂音的心脏部分之间的联系。通过以下神经网络来执行最终的疾病筛查，所述神经网络作用于由所有感兴趣的疾病的Arash频带的能量含量构造的特征向量。

特定的先天性心脏病的Arash频带是提供正常和异常心音的频谱能量之间的最大差别的频带。为了确定Arash频带，使用功率谱密度函数(PSD)。

对所有可以获得的心音图的频谱能量分布的分析指示心音信号对于大于500Hz(Fmax)的频率具有可忽略的能量。

因此，最好将声音分析限制到大约500Hz。

在第一步骤中，针对在训练数据数据库中的所有情况计算所有可能频带上的频谱能量。在向Fmax以下的所有可能子频带分配索引k＝1、...、N(N是子频带的总数)的情况下，两个任意频率f1和f2之间的子频带k的能量被计算为：

$E\left(k\right)=\underset{f=f_1}{\overset{f_2}{\mathrm{\Σ}}}\mathrm{PSD}\left(f\right)$

其中，PSD(f)是信号的功率谱密度函数。

如果f1＝0并且频率f2以1Hz步长增大(f2＝1、...、Fmax)，则以f1＝0开始的所有可能的子频带能量按以下来计算：

$E\left(k\right)=\underset{f_2=1}{\overset{F_{\max }}{\mathrm{\Σ}}}\underset{f=0}{\overset{f_2}{\mathrm{\Σ}}}\mathrm{PSD}\left(f\right)$

k＝f₂

在该情况下，k＝1、...、Fmax，并且所有可能子频带的总数是Fmax。

如果假定f1＝1，则f2＝2、...、Fmax，并且子频带能量是：

$E\left(k\right)=\underset{f_2=2}{\overset{F_{\max }}{\mathrm{\Σ}}}\underset{f=1}{\overset{f_2}{\mathrm{\Σ}}}\mathrm{PSD}\left(f\right)$

k＝F_max+f₂-1

在该情况下，k＝(Fmax+1)、...、(2*Fmax-1)，其在前一种情况(k＝Fmax)之后立即开始，并且所有可能频带的总数是(Fmax-1)。

当f1增加1时，k的总数减少1。针对f1的每种情况，子频带索引k不应当与前一种情况重叠。如果f1＝0、...、(Fmax-1)，则计算每一个f1的所有子频带能量用来确定在频率Fmax以下的所有可能子频带能量。

更一般地说，下面的关系把子频带能量计算用公式表示：

$E\left(k\right)=\underset{f_1=0}{\overset{F_{\max }-1}{\mathrm{\Σ}}}\underset{f_2=f_1+1}{\overset{F_{\max }}{\mathrm{\Σ}}}\underset{f=f_1}{\overset{f_2}{\mathrm{\Σ}}}\mathrm{PSD}\left(f\right)$ 等式1

$k=F_{\max }*f_1-\underset{j=0}{\overset{f_1}{\mathrm{\Σ}}}j+f_2$ 等式2

其中，k覆盖在频率Fmax以下的所有可能子频带。子频带的总数是

$N=\frac{F_{\max }*(F_{\max }+1)}{2}.$

先天性心脏病的Arash频带是具有在有缺陷的心音和正常的心音之间的最大频谱能量差的频带。Arash频带的确定因此包括以下步骤：

-将E_l，i(k)定义为指定子频带k的类别i中的对象l的心音信号的子频带能量；

-相对于k分配每一个E_l，i(k)的两个类别之间的判别门限值；

-确定两个类别(i＝1，2)的E_l，i(k)的平均值和方差以便找到所述门限值：

${\mathrm{\μ}}_i\left(k\right)=\frac{1}{N_i}\underset{l=1}{\overset{N_i}{\mathrm{\Σ}}}{E}_{l,i}\left(k\right)$ 等式3

${\mathrm{\δ}}_i^2\left(k\right)=\frac{1}{N_i}\underset{l=1}{\overset{N_i}{\mathrm{\Σ}}}{(E_{l,i}\left(k\right)-{\mathrm{\μ}}_i\left(k\right))}^2$ 等式4

k＝1，...，N且i＝1，2

其中，μ_i(k)表示对于正常(i＝1)和先天性心脏病(i＝2)来说，子频带能量k的平均值。表示对于正常(i＝1)和先天性心脏病(i＝2)来说，子频带能量k的方差值。N表示所有可能子频带的数量。Ni表示在数据库中的情况的数量。

可选地，可以将所述两类(正常/异常)视为一类，并且以后以选择的门限值聚类，以便提取具有两类之间的最大能量差的频带。

通过以下等式来计算子频带k的区别门限值的确定：

$T\left(k\right)=\frac{{\mathrm{\δ}}_i^2\left(k\right)\·{\mathrm{\μ}}_2\left(k\right)+{\mathrm{\δ}}_i^2\left(k\right)\·{\mathrm{\μ}}_1\left(k\right)}{{\mathrm{\δ}}_i^2\left(k\right)+{\mathrm{\δ}}_i^2\left(k\right)}$ 等式5

d(k)的值具有朝向具有较小方差的组的趋势。

每一个子频带k的簇之间的误差er(k)是：

等式6

$\mathrm{er}\left(k\right)=\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{\mathrm{er}}_i\left(k\right)$ 等式7

其中，sgn(t)是布尔函数，并且被定义为：

等式8

在具有相同的最小误差的选择频带中，通过使用如以下的用于每一个选择频带k的经典散射公式来选择最佳频带：

$S\left(k\right)=\frac{|{\mathrm{\μ}}_1\left(k\right)-{\mathrm{\μ}}_2\left(k\right)|}{{\mathrm{\δ}}_i^2\left(k\right)+{\mathrm{\δ}}_i^2\left(k\right)}$ 等式9

最佳频带因此是产生最大S(k)的频带。

K_opt＝arg_kmaxS(k)             等式10

与使用S(k)参数不同，可以利用具有最小误差的频带能量的统计分布。

所确定的Arash频带也提供了用于实现智能听诊器的手段，所述智能听诊器可以用于可能经由使用因特网或远程医疗的手段来对患者比如儿童进行先天性心脏病的自动筛查。

本发明的优选实施例的说明

如在表1中所示，名为VSD、ASD、PDA、TOF、PS和AS的6种疾病构成所有先天性心脏病中的超过75％。这些先天性心脏病因此被选择为案例研究，以展示本领域内的技术人员能够如何使用本发明的方法。

用于确定频带的所述方法被应用在40个对象(人类患者)上，所述40个对象(人类患者)在训练阶段呈现出正常和异常信号。然后，对50个对象(人类患者)使用所述心脏病检测方法，所述50个对象(人类患者)呈现训练信号中的正常和异常情况。超过94％正确分类的结果表明，本发明的方法在筛查患者，特别是患有先天性心脏病的儿童方面是有效的。为了使用更大数量的数据来更好地预测本发明方法的性能，Jack-Knife验证方法被应用到90个可用对象(心音图)上，并且实现了100％的精度。

收集来自90个儿童的PCG和ECG信号。这些信号中的40个被用作训练数据库，剩余的50个信号被用作测试数据库。在所述40个训练信号中，24个来自患有VSD、ASD、PDA、TOF、PS和AS疾病的儿童(每种疾病4个信号)。剩余的16个训练信号来自具有正常的PCG或具有无害杂音的儿童。在50个测试信号中，30个来自患有心脏病的儿童(每种疾病5个信号)，剩余的20个信号是正常的PCG。

在儿科心脏病医师的监督下，并利用德黑兰儿童心脏中心的超声波心动图和补充测试，来收集这个数据库中的信号。在十秒的时间间隔内记录所有的PCG和ECG信号。使用WelchAllyn Meditron听诊器。对于数据获取，使用具有16位立体声声卡和采样率44.1KHz的1.8GHz ACER笔记本。

通过对相对于正常组的每一个先天性心脏病组应用所述过程，获得6个最优化的频带。对于每一种先天性心脏病的一组可用数据，由上述方法确定的Arash频带(以Hz为单位)是：

WVSD＝88-96

WTOF＝50-60

WPDA＝15-121

WAS＝17-129

WASD＝17-33

WPS＝16-32

可以观察到，两个频带(WASD，WPS)几乎重叠。如在第2部分中所述，ASD和PS的杂音由相同的心脏部分引起。

神经网络分类器已经用于区分具有心脏缺陷的儿童和正常儿童。因为两个频带WASD和WPS彼此具有很大程度的重叠，所以组合两个频带为WASDPS＝16-33。5个Arash频带WVSD、WTOF、WPDA、WAS和WASDPS的频谱能量用作心音分类的特征向量。

三层MLP神经网络用于筛查来自患有先天性心脏病的儿童的心音图。神经网络利用正切S形传递函数(tangent sigmoid transfer function)分别在其输入层、中间层和输出层具有5、10和1个神经元。已经使用反向传播误差方法训练了神经网络。

在第3部分中详细说明的训练数据库用于训练包括Arash频带计算和神经网络学习的算法。

为了评估本发明的方法的性能，使用在第3部分中详细说明的测试数据库。然后将筛查结果与由儿科心脏病医师执行的结果作比较，儿科心脏病医师使用超声波心动图与其他补充测试相结合以作为他们的诊断的黄金标准。

表2示出该比较的结果。

表2：测试数据库的算法输出相对于心脏病医师的诊断

下面三个准则被用作本发明的方法的基准：

-假阴性误差(F.N.)：在异常情况的总数中异常情况的正常诊断；

-假阳性误差(F.P.)：在正常情况的总数中正常情况的异常诊断；

-效率：在情况的总数中总的误诊断。

表3示出根据上述准则的本发明方法的结果：

表3：对50种情况的测试数据库筛查儿童先天性心脏病的结果

正常	异常	F.P.(％)	F.N.(％)	效率(％)
					20	30	5	6.67	94

从表3可以看出，所述方法对于给定一组数据的效率大于94％，这是很大的。

先天性心脏病的Arash频带是其能量含量提供正常和异常情况之间的最大差别的频带。为了说明这一点，本发明人针对训练数据库中的6种疾病中的每一种的四个实例，计算了Arash频带的能量以及两个其他任意频带的能量，并对照正常情况的能量含量来绘制它们(图8)。从图8容易看出，与其他两个频带相比较，Arash频带为正常和异常情况的区分提供了更好的基础。

为了对输出进行较好验证，使用Jack-Knife方法。在这种方法中，从数据库取出一个数据，并且使用剩余部分来训练神经网络。被排除的数据然后用于评估(并验证)输出。重复这一过程，直到数据库中的所有数据被验证。图9示出使用Jack-Knife方法的、所提出的方法针对所述数据库的输出。

图9示出根据该验证，假阴性和假阳性误差都是零。

所以，四种疾病的Arash频带能量构成用于通过MLP神经网络筛查儿童中的先天性心脏病的适当特征向量。

所确定的Arash频带也有益于将病态杂音与无害杂音相区分。

Claims (14)

1.一种用于确定心脏病的频带特性的方法，包括以下步骤：

-收集和/或记录来自第一组参考健康患者的第一组心音图和来自患有所述心脏病的第二组患者的第二组心音图；

-限定频率采样率和最大截止频率，产生有限的一组采样频率；

-计算在所有采样频率的频谱能量；

-计算所有可能频带的频谱能量；

-比较所述所有可能频带的频谱能量；

-根据第一和第二组心音图确定导致所述心音图的频谱能量之间的最大差别的频带。

2.一种用于检测心脏病的方法，包括以下步骤：

-收集和/或记录来自第一组参考健康患者的第一组心音图和来自患有心脏病的第二组患者的第二组心音图；

-根据第一和第二组心音图确定导致所述心音图的频谱能量之间的最大差别的频带；

-将患者的心音图中的所述确定频带的能量与所述第一和第二组心音图的对应频带能量进行比较，以限定所述患者是否患有所述心脏病。

3.根据权利要求1或2所述的方法，其中，所述心脏病选自以下组，所述组由以下部分组成：心室间隔缺损、动脉导管未闭、肺动脉瓣狭窄、法洛四联症、主动脉瓣狭窄、心房间隔缺损、主动脉缩窄、大动脉转位、房室间隔缺损、动脉干、三尖瓣闭锁、肺静脉异位连接或其混合。

4.根据权利要求1所述的方法，其中，所述截止频率大约是500Hz。

5.根据权利要求2所述的方法，其中，所确定的频带处于88Hz到96Hz之间，并且所述心脏病是心室间隔缺损。

6.根据权利要求2所述的方法，其中，所确定的频带处于50Hz到60Hz之间，并且所述心脏病是法洛四联症。

7.根据权利要求2所述的方法，其中，所确定的频带处于15Hz到121Hz之间，并且所述心脏病是心室动脉导管未闭。

8.根据权利要求2所述的方法，其中，所确定的频带处于17Hz到129Hz之间，并且所述心脏病是主动脉瓣狭窄。

9.根据权利要求2所述的方法，其中，所确定的频带处于16Hz到32Hz之间，并且所述心脏病是肺动脉瓣狭窄。

10.根据前述权利要求中任意一项所述的方法，其中，仅在所述心音图的收缩区段上计算频谱能量。

11.根据前述权利要求中任意一项所述的方法，其中，通过神经网络来执行心音图之间的所述比较。

12.根据权利要求11所述的方法，其中，所述神经网络是多层感知器型的。

13.一种装置，包括心音图记录介质、心音图存储介质、输出介质、处理器和用于执行根据前述权利要求中任意一项所述的方法的一组指令。

14.在计算机可读介质上的一组指令，在可编程装置上可执行，所述指令在所述可编程装置上被执行时，执行根据前述权利要求1至12中任意一项所述的方法。

Images