CN104506198A - 基于重复性特征的心音信号压缩算法 - Google Patents

Abstract

一种基于重复性特征的心音信号压缩算法，利用心音的高度重复性特征，去除心音信号的冗余，实现心音信号的压缩存储。本发明将心音分解成若干时频分量，鉴于心音是重复产生的，那么心音的各时频分量也存在着重复性。将非重复的心音时频分量的参数归纳成一个字典。对于待压缩的心音信号，只需从字典中找出最匹配的参数组重构时频分量，并记录参数组的字典索引和时频分量的发生时刻。这样，幅度较大的信号被保留下来，剩下的信号称为残余信号。对残余信号，进一步利用矢量量化技术压缩。本发明能以任意预先指定的失真度进行压缩，并获得较高的压缩比。

Description

基于重复性特征的心音信号压缩算法

技术领域

本发明涉及一种基于重复性特征的心音信号压缩算法。基于心音的重复性特征，利用参数字典和矢量量化技术对心音信号进行压缩。利用心音重复性特征减少存储量，对残余信号采用矢量量化，可预先指定失真程度，实现心音信号的压缩存储。

背景技术

在长期监测心音时，有必要对心音信号进行压缩，以降低存储量。心音是一种机械振动信号。理论上，任何一种一维信号的压缩算法均适用于心音信号压缩。但是，心音具有临床的诊断价值，要求恢复信号的失真度小。因此，只有针对心音独有的特性，才能开发出失真度小、压缩比高的压缩算法。当前的心音压缩算法，一般以变换域编码为主，尚未充分利用心音的特殊性质，在失真度和压缩比之间未达到更好的平衡。本发明充分利用了心音的重复性特征，结合矢量量化技术，显著地降低了心音信号的存储量。本发明能够以指定的失真度进行压缩，可根据需要选择恰当的失真度，从而实现压缩性能的最佳平衡。

发明内容

心音信号是需要长时间采集的生物医学信号，相关的压缩存储算法需要较高的压缩比，并且不允许有较大失真。本发明基于心音的重复性特征，利用参数字典和矢量量化对心音信号进行压缩，能够在失真度较低的情况下达到较高的压缩比，使心音信号的长时间采集记录不再占用大量的存储空间。

一种基于重复性特征的心音信号压缩算法，步骤如下：

1)构造心音信号的参数字典，用于存放心音中非重复的分量。从待压缩的目标心音信号中分割一部分用于构造字典。鉴于心音有高度重复性，构造字典没有必要用到全部信号，可减少计算量。

将分割出的心音信号表达成K个时频分量和残余信号r(t)之和，表达方式如下

$h\left(t\right)=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{a}_i{e}^{-{(t-t_i)}^2/\left(2{\mathrm{\σ}}^2\right)}\cos (2\mathrm{\π}{f}_{i}t+{\mathrm{\β}}_i)+r\left(t\right)---\left(1\right)$

其中a_i是第i个分量的幅度，t_i是相对于心音分割开始时刻的时间延迟，σ_i是第i个分量的时间支撑区间，f_i是第i个分量的频率，β_i是第i个分量的相位。K值应使残余信号r(t)满足如下表达式

$\frac{\∫r^2\left(t\right)\mathrm{dt}}{\∫h^2\left(t\right)\mathrm{dt}}\≤0.005---\left(2\right)$

将上述每个时频分量中的a、β、f和σ四参数组成一个向量。通过聚类，将K个向量划分成M个聚类，以聚类中心代表该类，则形成M个非重复的相应向量。此M个不重复的向量构成一个字典，向量在字典中的位置序号称为索引。

2)压缩步骤1：该步骤通过字典压缩时频分量。根据待压缩的目标心音信号，从字典中找出最匹配的参数向量，用当前信号减去参数向量重构的时频分量，记录该向量的发生时刻和字典中的索引。重复上述步骤，直到残余信号的能量小于门限P时为止。门限P由心音-杂音能量比R确定。心音能量集中在20-200Hz范围内，而杂音的能量范围在200-600Hz范围内。因此，R定义为

$R=\frac{{\∫}_{20}^{200}{\left|X\left(f\right)\right|}^2\mathrm{df}}{{\∫}_{200}^{600}{\left|X\left(f\right)\right|}^2\mathrm{df}}.---\left(3\right)$

其中X(f)是心音h(t)的傅里叶变换

$X\left(f\right)={\∫}_{-\∞}^{+\∞}h\left(t\right)e^{-2\mathrm{\πft}}\mathrm{dt}---\left(4\right)$

门限P与R的关系表示如下

$P=\left\{\begin{array}{c}0.08R+\mathrm{0.002,0}\&le;R<0.6\\ 0.05,R\&GreaterEqual;0.6\end{array}\right.---\left(5\right)$

3)压缩步骤2：该步骤通过矢量量化技术压缩残余信号。首先将残余信号中的一部分划分出来，用于矢量量化的码书及相关参数的训练。需要训练的内容包括矢量维数k、码书大小N和码书本身。训练完成后，对待压缩的残余信号依据参数进行矢量量化，获得码书索引并存储下来。

残余信号的矢量量化压缩效果受维数k、码书大小N的影响，其规律性为随着k的增大，失真度增大，压缩比增大；随着N的增大，失真度减小，压缩比减小，如表1所示。由以上规律，可设计一种搜索算法，用于获得最适合的k和N参数。其步骤为：(1)预设最大的失真度；(2)以表1中任意一组k、N进行码书训练并矢量量化，获得实际的失真度与压缩比；(3)若实际的失真度大于预设的失真度，则按照失真度更小的方向选择下一组k、N；(4)若实际的失真度小于预设的失真度，则比较压缩比，按照压缩比更大的方向选择下一组k、N；(5)重复(3)-(4)步骤，若在预设失真度条件下无法获得更高的压缩比，那么此时的k、N即为最佳值。

心音信号压缩后，需要存储的信息包括时频分量的发生时间、参数向量的字典索引和矢量量化的码书索引。心音信号的解压缩过程即为根据上述三种信息重构信号。

表1矢量量化效果与压缩参数的规律

4)评价心音信号压缩性能的指标：压缩比CR和标准均方根误差百分比PRD。压缩比CR用来衡量信号的压缩程度，定义为

CR＝b*L/C   (6)

其中b是采集心音时样本的量化位数，L是待压缩信号的样本数。C是心音信号压缩后的码长。在本发明中，C是C_i、C_t、C_q的总和。C_i是余量信号矢量量化后码书索引的码长，C_t是时频分量发生时刻的码长，C_q是时频分量索引的码长。

PRD用来衡量信号的失真度，定义为

$\mathrm{PRD}=\sqrt{\frac{{\mathrm{\&Sigma;}}_{i=1}^L{(x\left(i\right)-y\left(i\right))}^2}{{\mathrm{\&Sigma;}}_{i=1}^L{(x\left(i\right)-{\mathrm{\&mu;}}_x)}^2}}---\left(7\right)$

其中x(i)是待压缩信号，μ_x是均值，y(i)是恢复信号。CR和PRD不仅是评价心音信号压缩效果的指标，也是搜索算法中确定参数的约束条件。

本发明的有益效果：本发明在失真度PRD和压缩比CR两项指标中取得了较好的效果，失真度PRD可控制在预先制定的数值范围内，防止影响诊断结果。压缩比CR较高，使得需要存储的数据量大为减少。

附图说明

图1为待压缩的目标心音信号。

图2为心音信号的时频分量部分，该部分具有重复性，通过字典压缩。

图3为时频分量之外的残余信号，该部分通过矢量量化压缩。

具体实施方式

以下结合附图和技术方案，进一步说明本发明的具体实施方式。

1)图1为一例待压缩的16bit精度，4KHz的正常心音信号。从目标心音信号中划分出包含10个以上周期的任意一段，按照公式(1)分解，得到充分多的时频分量。对时频分量的a、β、f和σ四类参数，利用SOM神经网络进行聚类，建立一个大小为512的参数字典。

2)根据字典压缩信号的时频分量部分，该部分如图2所示。对待压缩的心音信号，计算心音-杂音能量比R，根据R的数值，从公式(4)中选择门限P。由于信号的具体情况不同，门限P可分布于1％-5％之间。用字典中最匹配的参数向量重构心音信号的时频分量，并从当前信号中减去该分量，直到残余信号的能量小于门限P为止。利用短时傅里叶变换求得分量的发生时刻。记录发生时刻和每个参数向量的字典索引。

3)此时的残余信号近似于随机信号，如图3所示。划分出残余信号中一部分(约20个心动周期)，构成矢量量化压缩步骤的训练序列。

4)预设允许失真度PRD为5％，在该约束条件下执行搜索算法，获得k，N参数，利用SOM神经网络进行聚类生成码书。对残余信号进行矢量量化，记录对应矢量的码书索引。

5)根据时频分量的发生时刻、参数向量的字典索引和残余信号矢量量化的码书索引，可恢复出解压缩信号。对比目标信号压缩前后的存储量，压缩比CR为22.3:1；对比目标信号压缩前后的失真程度，PRD为5.24％，实现了失真度可控条件下的高压缩比。

Claims (1)

1.一种基于重复性特征的心音信号压缩算法，其特征在于，步骤如下：

1)构造心音信号的参数字典，用于存放心音信号中非重复的分量；从待压缩的目标心音信号中分割一部分用于构造字典；

将分割出的心音信号表达成K个时频分量和残余信号r(t)之和，表达方式如下：

$h\left(t\right)=\underset{i=1}{\overset{K}{\mathrm{\&Sigma;}}}{a}_i{e}^{-{(t-t_i)}^2/\left({2\mathrm{\&sigma;}}^2\right)}\cos (2\mathrm{\&pi;}{f}_{i}t+{\mathrm{\&beta;}}_i)+r\left(t\right)---\left(1\right)$

其中a_i是第i个分量的幅度，t_i是相对于心音分割开始时刻的时间延迟，σ_i是第i个分量的时间支撑区间，f_i是第i个分量的频率，β_i是第i个分量的相位；K值使残余信号r(t)满足如下表达式

$\frac{\&Integral;r^2\left(t\right)\mathrm{dt}}{\&Integral;h^2\left(t\right)\mathrm{dt}}\&le;0.005---\left(2\right)$

将上述每个时频分量中的a、β、f和σ四参数组成一个向量，即形成K个向量；通过聚类，将K个向量划分成M个聚类，以聚类中心代表该类，形成M个不重复的相应向量；M个不重复的向量即为字典，向量在字典中的位置序号称为索引；

2)压缩步骤1：通过字典压缩时频分量；根据待压缩的目标心音信号，从字典中找出最匹配的参数向量，用当前信号减去参数向量重构的时频分量，记录该向量的发生时刻和字典中的索引；重复上述步骤，直到残余信号的能量小于门限P时为止；门限P由心音-杂音能量比R确定；心音能量集中在20-200Hz范围内，杂音的能量范围在200-600Hz范围内；R定义为

$R=\frac{{\&Integral;}_{20}^{200}{\left|X\left(f\right)\right|}^2\mathrm{df}}{{\&Integral;}_{200}^{600}{\left|X\left(f\right)\right|}^2\mathrm{df}}---\left(3\right)$

其中X(f)是心音h(t)的傅里叶变换

$X\left(f\right)={\&Integral;}_{-\&infin;}^{+\&infin;}h\left(t\right)e^{-2\mathrm{\&pi;ft}}\mathrm{dt}---\left(4\right)$ 门限P与R的关系表示如下

$P=\left\{\begin{array}{cc}0.08R+0.002,& 0\&le;R\&le;0.6\\ 0.05,& R\&GreaterEqual;0.6\end{array}\right.---\left(5\right)$

3)压缩步骤2：通过矢量量化技术压缩残余信号；首先将残余信号中的一部分划分出来，用于矢量量化的码书及相关参数的训练；需要训练的内容包括矢量维数k、码书大小N和码书本身；训练完成后，对待压缩的残余信号依据参数进行矢量量化，获得码书索引并存储下来；

残余信号的矢量量化压缩受维数k和码书大小N的影响，其规律性如下所示：随着k的增大，失真度增大，压缩比增大；随着N的增大，失真度减小，压缩比减小；获得最适合的k和N参数的搜索算法的步骤为：(1)预设最大的失真度；(2)任意一组k、N进行码书训练并矢量量化，获得实际的失真度与压缩比；(3)若实际的失真度大于预设的失真度，则按照失真度更小的方向选择下一组k、N；(4)若实际的失真度小于预设的失真度，则比较压缩比，按照压缩比更大的方向选择下一组k、N；(5)重复(3)-(4)步骤，若在预设失真度条件下无法获得更高的压缩比，那么此时的k、N即为最佳值；

心音信号压缩后，需要存储的信息包括时频分量的发生时间、参数向量的字典索引和矢量量化的码书索引；心音信号的解压缩过程为根据时频分量的发生时间、参数向量的字典索引和矢量量化的码书索引重构信号；

4)评价心音信号压缩性能的指标：压缩比CR和标准均方根误差百分比PRD；压缩比CR用来衡量信号的压缩程度，定义为

CR＝b*L/C                       (6)

其中b是采集心音时样本的量化位数，L是待压缩信号的样本数；C是心音信号压缩后的码长；C是Ci、Ct、Cq的总和；Ci是余量信号矢量量化后码书索引的码长，Ct是时频分量发生时刻的码长，Cq是时频分量索引的码长；

PRD用来衡量信号的失真度，定义为

$\mathrm{PRD}=\sqrt{\frac{{\mathrm{\&Sigma;}}_{i=1}^L{(x\left(i\right)-y\left(i\right))}^2}{{\mathrm{\&Sigma;}}_{i=1}^L{(x\left(i\right)-{\mathrm{\&mu;}}_x)}^2}}---\left(7\right)$

其中x(i)是待压缩信号，μ_x是均值，y(i)是恢复信号；CR和PRD是评价心音信号压缩效果的指标，也是搜索算法中确定参数的约束条件。