CN104382614A - 一种基于快速独立分量分析的心音肺音信号分离方法及装置 - Google Patents

Abstract

本发明涉及一种基于快速独立分量分析(Fast Independent Component Analysis,FastICA)的心音肺音信号分离方法及装置，属于心肺音信号分析与识别控制技术领域。该方法和装置实现对心音肺音信号分离是在利用小波阈值去噪对信号进行处理的基础之上，通过运用快速独立分量分析算法从而达到分离出心肺音信号的目的。本方法和装置能够有效地对心肺音信号进行分离，具有广阔的应用前景。

Description

一种基于快速独立分量分析的心音肺音信号分离方法及装置

技术领域

本发明属于心肺音信号分析与识别控制技术领域，涉及一种基于快速独立分量分析的心音肺音信号分离方法及装置。

背景技术

ZigBee无线传感器网络在医疗监测领域的应用有许多优点，比如，终端体积小、传输采用无线方式、容易携带，以及功耗较低等。传感器信号的无线传输因为ZigBee技术的出现有了新的解决方案。与此同时，由于近年来经济的发展使生活的水平提高了，人们对医疗保健的意识也随之提高。我国的医疗体系也在发生潜移默化的变化，从以前的先生病后治疗的模式逐渐的转向了早发现早治疗的预防模式。无线传感器网络为人们带来了更方便、快捷的医疗服务和舒适的家居生活，并有助于残障人士、老年人更好的独立生活，有助于我们更加从容的应对即将到来的老龄化社会。

现代通信技术为健康监护带来了技术支持。对老年人、残疾人和慢性疾病患者等人群的护理范围从医院这个小范围扩展到了通信网络可以达到的任何地方，提供了一种远程的监测生理功能的方法，该方法能够实时的不间断的监测被护理者的血压、脉搏、体温、心音、肺音等信息，并远程传送给监护人或医生。它增加了医生对病人的监护距离，医生可以实时的全面的了解这些远地传来的生理信息，从而为患者提供及时的医疗服务。

心音信号主要是由于心脏和心血管系统的生理运动产生的一种声音。肺音主要是由于呼吸系统在于外界气体交流的过程中，气体与呼吸系统摩擦所产生的声音。心音信号可以用来检测心脏和心血管系统是否正常，当今心血管疾病越来越多，特别是老年人，近些年心血管病患者的年龄在减小，对于心血管病的早期预防是很有必要的。心电也是检测人体心脏，心血管系统是否健康的很重要的一项指标，但是在发病早期心电图可能并没有什么异常，而心音就可以监测出一些心脏和心血管系统疾病的早期病症。正常人体的心音信号包括第一心音和第二心音，第一心音来自二尖瓣和三尖瓣的开放和关闭，第二心音来自主动脉瓣和肺动脉瓣的开放和关闭。肺音可以用来检测呼吸系统疾病。随着环境污染的加重，特别是大气污染，空气中的微粒进入呼吸道，吸入人体，对呼吸系统造成很大的伤害。目前，呼吸系统疾病的患者也越来越多，雾霾天气带口罩这些措施是很有必要的，除此对呼吸系统疾病的早期发现与治疗也是很重要的。采集的肺音信号中包括心音、肌肉摩擦音、皮肤摩擦音和背景噪声等干扰信号。而且心音的频带为1～800Hz，肺音的频带为100～2000Hz，两个信号在很大范围内重叠，这两个信号会存在串扰。因此，需要对传感器采集到的心音和肺音信号进行处理，将其分离。

发明内容

有鉴于此，本发明的目的在于提供一种基于快速独立分量分析(Fast IndependentComponentAnalysis,FastICA)的心音肺音信号分离处理方法及装置。

为达到上述目的，本发明提供如下技术方案：

一种基于快速独立分量分析的心音肺音信号分离方法，在本方法中，首先采用小波阈值去噪的方法对信号进行处理，在此基础上采用快速独立分量分析对其进行分离处理。

进一步，所述小波阈值去噪具体包括以下步骤：首先，通过小波变换去除数据之间的相关性；其次，再经过小波分解，选取适当的阈值，过滤掉噪声，从而获得有用信号；最后，进行小波逆变换重建信号。

进一步，所述小波变换首先采用小波变换的多分辨率分析的特性对信号进行四层的正交分解，去除不相关频段的噪音信号；然后将信号进行重构，再采用独立分量分析算法对其进行处理，得到一个解混矩阵；最终，将其逆矩阵的列向量提取出来，作为信号的特征向量进行分析。

进一步，所述快速独立分量分析具体包括以下步骤：

1)信号的零均值化；假设信号源的各个分量是均值为零的随机变量，在分离之前预先取出信号的均值，设x为均值不为零的随机变量，只需要用代替x即可；

2)白化处理；通过线性变换T：使变换后的随机矢量的相关矩阵满足即的各个分量满足其中δ_ij为Kronecker delta函数；对混合信号的预白化其实是去除信号各个分量之间的相关性，使白化后的信号的分量之间二阶统计独立；T为白化矩阵；

3)选择一个初始权矢量W_n；

4)更新W_n， $W_m=E\left\{\mathrm{Zg}\left(W_n^{T}Z\right)\right\}-E\left\{g^{\′}\left(W_n^{T}Z\right)\right\}{W}_n;$

5)正交化 $W_m=W_m-\underset{n=1}{\overset{m-1}{\mathrm{\Σ}}}\left(W_m^T{W}_n\right)W_n;$

6)标准化W_m＝W_m/||W_m||；

7)判断是否收敛，若不收敛，返回第4)步。

进一步，所述快速独立分量分析算法可以采用改进的快速独立分量分析算法，该算法基于非高斯性最大化原理，以负熵的近似作为目标函数，是用固定点迭代法去找的非高斯性最大值。

本发明还提供了一种基于快速独立分量分析的心音肺音信号分离装置，包括Arduino声音传感器、PC机、无线通信模块、协调器模块；Arduino声音传感器用来采集人体的心肺音信号；并通过无线通信网络将采集到的数据传送到PC机上，PC机作为整个装置的上位机，用于心肺音信号的预处理、小波去噪以及心音肺音信号分离的处理；无线通信模块用于将心音肺音信号传至协调器，协调器负责将信息由传感网的报文转换为以太网的报文上传给上位机。

本发明的有益效果在于：本发明提供的一种基于快速独立分量分析的心音肺音信号分离方法及装置，根据心肺音的特点选取小波阈值去噪和独立分量分离算法对心肺音进行处理，能够有效地对心肺音信号进行分离。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为小波阈值去噪过程示意图；

图2为独立分量分析(ICA)算法流程图；

图3为ICA模型；

图4为快速独立分量分析(FastICA)算法进行心肺音分离的流程图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

本发明实现对心音肺音信号分离的方法是，在利用小波阈值去噪对信号进行处理的基础之上，通过运用快速独立分量分析算法从而达到分离出心肺音信号的目的。

本发明提供的装置是一个基于Zigbee模块的心肺音采集平台。该平台包括：Arduino声音传感器、PC机、无线通信模块、协调器模块组成。Arduino声音传感器用来采集人体的心肺音信号；无线网络采集到的数据传送到PC机上，PC机作为整个控制系统的上位机，用于心肺音信号的预处理、小波去噪以及心音肺音信号分离的处理；无线通信模块用于将心音肺音信号传至协调器，协调器负责将信息由传感网的报文转换为以太网的报文上传给上位机。

经过小波变换可以去除数据之间的相关性，再经过小波分解，有用信号的幅值一般较大，噪声信号的幅值较小，选取欠当的阈值，就可以过滤掉噪声，从而获得有用信号。利用FastICA算法将心肺音信号进行零均值化，然后去除信号各个分量之间的相关性，即进行白化处理，通过对矢量的迭代以及正交等运算，得到分离后的心音和肺音波形。

下面对本发明所述方法进行具体说明：

小波阈值去噪：

小波阈值去噪的作用是，经过小波变换可以去除数据之间的相关性，再经过小波分解，有用信号的幅值一般较大，噪声信号的幅值较小，选取适当的阈值，就可以过滤掉噪声，从而获得有用信号。

若有用信号为s(n)，噪声为e(n)，噪声强度为δ，信号受到外的噪声的干扰得到f(n)，有

f(n)＝s(n)+δe(n)   (1)

当δ＝1时，视这种噪声为高斯白噪声，这种情况比较简单，但是一般都比这个复杂。

采用离散小波变换来对有噪声的信号f(n)进行处理：

$\mathrm{Tf}(j,k)=2^{-j/2}\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}f\left(n\right)\mathrm{\ψ}(2^{-j}n-k)---\left(2\right)$

其中，Tf(j,k)为小波系数。但是采用离散小波变换来处理的话计算量太大，这种方式不可取，因此，人们考虑选用小波分解和快速重构方法，公式分别如下：

Sf(j+1,k)＝Sf(j,k)p(j,k)   (3)

Tf(j+1,k)＝Sf(j,k)g(j,k)   (5)

其中p和g分别为对应于与ψ的低通和高通滤波器，则小波重构公式为：

$\mathrm{Sf}(j-1,k)=\mathrm{Sf}(j,k)*\tilde{p}(j,k)+\mathrm{Tf}(j,k)*\tilde{g}(j,k)---\left(6\right)$

其中为低通滤波器，为高通滤波器。由小波变换的性质易知对f(n)＝s(n)+δe(n)作离散小波变换后得到的小波系数我们记为t_j,k，它由原始信号的小波系数u_j,k以及噪声的小波系数v_j,k两部分组成^[40]。

常见的有阈值函数有硬阈值和软阈值两种：

硬阈值：

$v_{\mathrm{new}}=\left\{\begin{array}{c}v,\left|v\right|\&GreaterEqual;T\\ 0,\left|v\right|<T\end{array}\right.---\left(7\right)$

软阈值：

$v_{\mathrm{new}}=\left\{\begin{array}{c}\mathrm{sgn}\left(v\right)\left(\right|v|-T),\left|v\right|\&GreaterEqual;T\\ 0,\left|v\right|<T\end{array}\right.---\left(8\right)$

阈值选取的几种形式：

①最小极大方差阈值：找到一个最小均方误差的极值；

②固定阈值：从得到最小极大方差的阈值t乘以一个系数得到阈值；

③基于Stein无偏似然估计的软阈值估计：对给定的阈值t，得到它的似然估计，然后将似然函数最小化，得到所需的阈值；

④选择启发式阈值：自动在前两种阈值中选取一个。信噪比很小时，采用无偏似然估计选择的阈值，信噪比较大时采用固定阈值。

小波阈值去噪的过程如图1所示：

①分解：选定一种层数为N的小波对信号进行小波分解。

②阈值处理过程：分解后通过选取一合适的阈值，用阈值函数对各层系数进行量化。

③重构：用处理后的系数重构信号。

独立成分分析：

独立成分分析(Independent Component Analysis，ICA)用来从混合数据中提取出原始的独立信号。独立分量分析算法最初目的是将观察到的信息通过某种线性分解。它作为信号分离，获得统计独立分量的一种有效方法而受到广泛的关注。用流程图的形式表现算法的流程如图2：

独立分量分析有一些前提：首先，混合矩阵A是可逆的，并算出它的逆。其次，源信号S是统计独立的，且源信号为非高斯分布。可以通过减去样本的均值使观测信号和源信号的均值为零。

在基本模型中原信号分布是未知的。由A的逆得到分离矩阵W＝A^-1，这里y＝Wx，因此可以得到独立分量S的估计y，模型如图3所示。

满足ICA模型的W可能有多种取值，数据行列是顺序可以是不变换的，W也可以与某个常量相乘，由此求得的W依旧符合ICA模型。因此，式y＝Wx中的ICA模型存在两个不确定性因素：(1)独立分量的方差不能确定；(2)独立分量的顺序不能确定。

设第i个观测信号为X_i：

X_i＝a_i1S₁+a_i2S₂+…+a_inS_n,i＝1,2,…,m   (9)其中，每个观测信号X_i和未知源信号S_j都是随机变量。n个相互独立的未知信号S_j线性混合加上外界干扰噪声就得到X_i。观测信号[X₁,X₂,…,X_m]^T，用矢量X表示，源信号[S₁,S₂,…,S_n]^T(m≥n)，用矢量S表示，A(m×n)表示混合矩阵a_ij。式4.19可用矢量-矩阵形式表示：

X＝As   (10)

也可以写成：

$X_i=\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}{s}_j---\left(11\right)$

上式称为ICA模型，该模型体现了原信号和观测信号之间的关系。源信号S是不能直接观测到，相当于隐藏着的。混合矩阵A也是未知。随机变量X是观测到的数据。采用ICA算法的目的就是估计出混合矩阵A和S。

Fast ICA：

快速独立分量分析算法(FastICA)，又称固定点算法，是基于定点递推算法得到的，它对任何类型的数据都适用，属于一种快速寻优迭代算法。

本发明采用改进的FastICA算法基于最大负熵的。除此，快速独立分量分析算法有基于四阶累积量、基于似然最大等形式。该算法基于非高斯性最大化原理，以负熵的近似作为目标函数，是用固定点迭代法去找W^TX的非高斯性最大值。具体步骤为：

(1)信号的零均值化。假设信号源的各个分量是均值为零的随机变量，在分离之前预先取出信号的均值。取出信号均值的过程是一个平凡的过程。设x为均值不为零的随机变量，只需要用代替x即可。

(2)白化处理。通过线性变换T：使变换后的随机矢量的相关矩阵满足即的各个分量满足其中δ_ij为Kronecker delta函数。对混合信号的预白化其实是去除信号各个分量之间的相关性，使白化后的信号的分量之间二阶统计独立。T为白化矩阵。

(3)选择一个初始权矢量W_n。

(4)更新W_n， $W_m=E\left\{\mathrm{Zg}\left(W_n^{T}Z\right)\right\}-E\left\{g^{\&prime;}\left(W_n^{T}Z\right)\right\}{W}_n.$

(5)正交化 $W_m=W_m-\underset{n=1}{\overset{m-1}{\mathrm{\&Sigma;}}}\left(W_m^T{W}_n\right)W_n.$

(6)标准化W_m＝W_m/||W_m||。

(7)判断是否收敛，若不收敛，返回第(4)步。

改进的FastICA算法：

传统的FastICA算法利用了牛顿迭代法的原理，牛顿迭代法是在目标函数是二次凸函数时，经一次迭代就能达到极小点。但是当出现远离极小点时，牛顿法可能不收敛。这是一位牛顿迭代的方向不一定是下降方向，可能会使目标函数值不收敛。为了克服牛顿迭代方法的这些不足，可以在沿牛顿迭代的方向增加一维搜索，称之为阻尼牛顿法。阻尼牛顿法的迭代公式为：

$x^{(k+1)}\left\{\begin{array}{c}{x}^{(k+1)}=x^{\left(k\right)}+{\mathrm{\&lambda;}}_k{d}^{\left(k\right)}\\ d^{\left(k\right)}=-f^{\&prime;\&prime;}{\left(x^k\right)}^{-1}{f}^{\&prime;}\left(x^{\left(k\right)}\right)\\ {\mathrm{\&lambda;}}_k=\underset{\mathrm{\&lambda;}}{\min }f(x^{\left(k\right)}-\mathrm{\&lambda;}{d}^{\left(k\right)})\end{array}\right.---\left(12\right)$

其中，λ_k为阻尼因子。根据阻尼牛顿迭代最优化求解方法，可以得到一种改进的FastICA学习算法。ICA中基于负熵的的优化过程可以转化为E{G(w^Tx)}的优化问题。根据阻尼牛顿法，变换矩阵的迭代更新等式为：

$w_{k+1}={\mathrm{\&lambda;}}_k\left[E\right\{x{g}^{\&prime;}\left(w_k^{T}x\right)\}-E\{g^{\&prime;\&prime;}\left(w_k^{T}x\right)\}{w}_k-\mathrm{\&sigma;}({\mathrm{\&lambda;}}_k-1)w_k]---\left(13\right)$

这样可以更好的保证算法的收敛性。

分离心肺音，首先要把心肺音信号进行零均值化，然后去除信号各个分量之间的相关性，即进行白化处理，通过对矢量的迭代以及正交等运算，得到分离后的心音和肺音波形。流程图如图4所示。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (6)

1.一种基于快速独立分量分析的心音肺音信号分离方法，其特征在于：在本方法中，首先采用小波阈值去噪的方法对信号进行处理，在此基础上采用快速独立分量分析对其进行分离处理。

2.根据权利要求1所述的一种基于快速独立分量分析的心音肺音信号分离方法，其特征在于：所述小波阈值去噪具体包括以下步骤：首先，通过小波变换去除数据之间的相关性；其次，再经过小波分解，选取适当的阈值，过滤掉噪声，从而获得有用信号；最后，进行小波逆变换重建信号。

3.根据权利要求2所述的一种基于快速独立分量分析的心音肺音信号分离方法，其特征在于：所述小波变换首先采用小波变换的多分辨率分析的特性对信号进行四层的正交分解，去除不相关频段的噪音信号；然后将信号进行重构，再采用独立分量分析算法对其进行处理，得到一个解混矩阵；最终，将其逆矩阵的列向量提取出来，作为信号的特征向量进行分析。

4.根据权利要求2所述的一种基于快速独立分量分析的心音肺音信号分离方法，其特征在于：所述快速独立分量分析具体包括以下步骤：

1)信号的零均值化；假设信号源的各个分量是均值为零的随机变量，在分离之前预先取出信号的均值，设x为均值不为零的随机变量，只需要用代替x即可；

2)白化处理；通过线性变换T：使变换后的随机矢量的相关矩阵满足即的各个分量满足其中δ_ij为Kronecker delta函数；对混合信号的预白化其实是去除信号各个分量之间的相关性，使白化后的信号的分量之间二阶统计独立；T为白化矩阵；

3)选择一个初始权矢量W_n；

4)更新W_n， $W_m=E\left\{\mathrm{Zg}\left(W_n^{T}Z\right)\right\}-E\left\{g^{\&prime;}\left(W_n^{T}Z\right)\right\}{W}_n;$

5)正交化 $W_m=W_m-\underset{n=1}{\overset{m-1}{\mathrm{\&Sigma;}}}\left(W_m^T{W}_n\right)W_n;$

6)标准化W_m＝W_m/||W_m||；

7)判断是否收敛，若不收敛，返回第4)步。

5.根据权利要求2所述的一种基于快速独立分量分析的心音肺音信号分离方法，其特征在于：所述快速独立分量分析算法可以采用改进的快速独立分量分析算法，该算法基于非高斯性最大化原理，以负熵的近似作为目标函数，是用固定点迭代法去找的非高斯性最大值。

6.一种基于快速独立分量分析的心音肺音信号分离装置，其特征在于：包括Arduino声音传感器、PC机、无线通信模块、协调器模块；Arduino声音传感器用来采集人体的心肺音信号；并通过无线通信网络将采集到的数据传送到PC机上，PC机作为整个装置的上位机，用于心肺音信号的预处理、小波去噪以及心音肺音信号分离的处理；无线通信模块用于将心音肺音信号传至协调器，协调器负责将信息由传感网的报文转换为以太网的报文上传给上位机。