CN107837091B - 一种单通道心肺音分离方法及系统 - Google Patents

一种单通道心肺音分离方法及系统 Download PDF

Info

Publication number
CN107837091B
CN107837091B CN201711129632.8A CN201711129632A CN107837091B CN 107837091 B CN107837091 B CN 107837091B CN 201711129632 A CN201711129632 A CN 201711129632A CN 107837091 B CN107837091 B CN 107837091B
Authority
CN
China
Prior art keywords
sound
time
cardiopulmonary
signal
heart
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711129632.8A
Other languages
English (en)
Other versions
CN107837091A (zh
Inventor
吕俊
雷志彬
谢型浪
钟秀章
黄梅
谢胜利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201711129632.8A priority Critical patent/CN107837091B/zh
Publication of CN107837091A publication Critical patent/CN107837091A/zh
Application granted granted Critical
Publication of CN107837091B publication Critical patent/CN107837091B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B7/00—Instruments for auscultation
    • A61B7/02—Stethoscopes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B7/00—Instruments for auscultation
    • A61B7/003—Detecting lung or respiration noise
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Physics & Mathematics (AREA)
  • Pulmonology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种单通道心肺音分离方法及系统，其中方法包括：步骤1，对采集的心肺音混合信号x(t)进行处理，获得心肺音混合信号x(t)的时频谱X；步骤2，对时频谱X中20Hz～100Hz部分取列平均得到心音的幅模时序模板H0；步骤3，根据心音的幅模时序模板H0构造心音时序结构正则项，对时频谱X进行非负矩阵分解，抽取心音信号时频谱的估计Xc和肺音信号时频谱的估计Xr；步骤4，根据心音信号时频谱的估计Xc和肺音信号时频谱的估计Xr，重构出心音和肺音的时域信号。所述单通道心肺音分离方法及系统能有效地分离心音和肺音在频域内的重叠成分，只需要单通道的心肺音混合信号作为输入即能实现心肺音的有效分离，临床实用性强，无须聚类，心肺音分离效果稳定。

Description

一种单通道心肺音分离方法及系统
技术领域
本发明涉及心肺音分离技术领域，特别是涉及一种单通道心肺音分离方法及系统
背景技术
心音和肺音信号蕴含着丰富的心肺健康信息。心肺音信号检测对于心肺疾病的诊断和预防有着极其重要的意义。在临床条件下，由放置于胸腔表面的听诊器所采集到的心音和肺音信号往往混合在一起，并夹杂有外界环境噪声，不利于医生临床诊断。因此，从采集到的混合信号中分离出干净的心音信号和肺音信号并消除环境噪声干扰，有着重要的临床意义和实用价值。
一般地，心音的频率范围为20 Hz ~600Hz，而肺音的频率范围为60 Hz ~1000Hz。由于心音和肺音在时域和频域内都有重叠，导致其难以通过传统的频域滤波方法实现分离。为解决该问题，研究人员已经提出了许多方法，包括基于小波变换的滤波方法、自适应滤波方法、独立成分分析、非负矩阵分解（Nonnegative Matrix Factorization，NMF）等，但是这些方法均有各自的缺陷：
基于小波变换的滤波方法不容易选择恰当的分解层数和阈值，以适应心肺音混合情况的个体差异；
自适应滤波方法需要精确的参考信号作为模板才能够较好地实现心肺音分离，而临床实践中精确的心肺音参考信号是难以获得的；
独立成分分析至少需要2个通道的观测信号作为输入才能够被应用，与目前一般临床听诊条件不相符。
NMF作为一种矩阵降维技术最早被应用于图像特征提取，近年来被广泛应用于语音增强和单通道语音分离领域当中，其目的是在非负的约束条件下找到两个低维的矩阵使得它们的乘积能够近似于原来给定的矩阵。NMF具有实现上的简便性、分解形式和分解结果上的可解释性，以及占用存储空间少等诸多优点。鉴于NMF具有以上的优点，已有研究人员提出了一种基于NMF基函数聚类的心肺音盲分离方法，但该方法的聚类过程容易受到远离中心奇异点的影响，而且没有利用心音的时序结构，使得心肺音分离效果不稳定，不利于实际应用。
综上所述，心肺音分离仍然是一个有待解决的技术难题。
发明内容
本发明的目的是提供了一种心肺音分离方法及系统，只需要单通道的心肺音混合信号作为输入即可实现心肺音快速有效的分离，以满足临床听诊的需要。
为解决上述技术问题，本发明实施例提供了一种单通道心肺音分离方法，包括：
步骤1，对采集的心肺音混合信号
Figure 983917DEST_PATH_IMAGE001
进行处理，获得所述心肺音混合信号
Figure 149319DEST_PATH_IMAGE001
的时频谱
Figure 75949DEST_PATH_IMAGE002
；
步骤2，对所述时频谱
Figure 377618DEST_PATH_IMAGE002
中20Hz~100Hz部分取列平均得到心音的幅模时序模板
Figure 534929DEST_PATH_IMAGE003
；
步骤3，根据所述心音的幅模时序模板
Figure 187628DEST_PATH_IMAGE003
构造心音时序结构正则项，对所述时频谱
Figure 88588DEST_PATH_IMAGE002
进行非负矩阵分解，抽取心音信号时频谱的估计
Figure 775921DEST_PATH_IMAGE004
和肺音信号时频谱的估计
Figure 602669DEST_PATH_IMAGE005
；
步骤4，根据所述心音信号时频谱的估计
Figure 742663DEST_PATH_IMAGE004
和所述肺音信号时频谱的估计
Figure 181735DEST_PATH_IMAGE005
，重构出心音和肺音的时域信号；
所述根据
Figure 723575DEST_PATH_IMAGE003
构造心音时序结构正则项，对所述时频谱
Figure 222689DEST_PATH_IMAGE002
进行非负矩阵分解，包括：
通过
Figure 115559DEST_PATH_IMAGE006
Figure 92742DEST_PATH_IMAGE007
获得心音信号时频谱的估计
Figure 20247DEST_PATH_IMAGE008
和肺音信号时频谱的估计
Figure 457307DEST_PATH_IMAGE009
，其中，
Figure 306314DEST_PATH_IMAGE010
和
Figure 352767DEST_PATH_IMAGE011
分别为频谱基矩阵和时序系数矩阵,
Figure 869199DEST_PATH_IMAGE012
表示
Figure 710117DEST_PATH_IMAGE011
的第i行,
Figure 46420DEST_PATH_IMAGE013
和
Figure 896564DEST_PATH_IMAGE014
分别为心音模板匹配的尺度因子和偏置量，其中，l表示元素全为1的列向量，
Figure 783616DEST_PATH_IMAGE015
；λ表示折中系数。
其中，所述步骤1，包括：
去除采集的心肺音混合信号
Figure 795434DEST_PATH_IMAGE001
的环境噪声，获得干净的心肺音混合信号
Figure 884613DEST_PATH_IMAGE016
；
对所述干净的心肺音混合信号
Figure 7290DEST_PATH_IMAGE016
进行时频分析，获得所述干净的心肺音混合信号
Figure 498314DEST_PATH_IMAGE016
的复时频谱
Figure 681034DEST_PATH_IMAGE017
。
其中，所述去除采集的心肺音混合信号
Figure 991929DEST_PATH_IMAGE001
的环境噪声包括：采用小波去噪、阈值滤波去噪、自适应滤波或维纳滤波去噪去除所述心肺音混合信号
Figure 918297DEST_PATH_IMAGE001
中的高斯白噪声，获得所述干净的心肺音混合信号
Figure 765293DEST_PATH_IMAGE016
。
其中，所述对所述干净的心肺音混合信号
Figure 118914DEST_PATH_IMAGE001
进行时频分析包括：
对所述干净的心肺音混合信号
Figure 917105DEST_PATH_IMAGE016
进行采用短时傅里叶变换，或对所述干净的心肺音混合信号
Figure 381585DEST_PATH_IMAGE016
进行连续小波变换，或对所述干净的心肺音混合信号
Figure 581622DEST_PATH_IMAGE016
进行希尔伯特黄变换。
其中，所述短时傅里叶变换采用的窗函数为汉明窗，所述汉明窗的窗长度为100~128，窗移动的补偿为50~64。
其中，所述重构出心音和肺音的时域信号为采用时频掩码重构出心音和肺音的时域信号，或采用维纳掩码重构出心音和肺音的时域信号。
除此之外，本发明实施例还提供了一种单通道心肺音分离方法，包括输入模块、存储模块和中央处理器模块，所述输入模块用于将对采集的心肺音混合信号
Figure 106144DEST_PATH_IMAGE001
进行功率放大并转换为数字信号后输入到所述中央处理器模块中，经过所述中央处理器模块采用如上所述的单通道心肺音分离方法处理后产生的心音和肺音的时域信号，输出至所述存储模块，所述存储模块用于存储输入的所述心肺音混合信号
Figure 391632DEST_PATH_IMAGE001
、所述中央处理器模块工作过程中的中间参数以及输出的所述心音和肺音的时域信号。
其中，还包括与输入模块、所述中央处理器模块连接的环境噪音去除模块，用于去除高斯白噪声，获干净的心肺音混合信号，
其中，还包括与所述中央处理器模块连接的显示器以及与所述显示器相互连接的扬声器和无线通信器。
本发明实施例所提供的单通道心肺音分离方法及系统，与现有技术相比，具有以下优点：
本发明实施例提供的单通道心肺音分离方法及系统，通过从心肺音混合信号的时频谱中提取出能够体现心音幅模随时间变化的模板
Figure 925381DEST_PATH_IMAGE018
，并构建正则项引导心肺音混合信号时频谱的非负矩阵分解，抽取心音信号时频谱的估计
Figure 275198DEST_PATH_IMAGE019
和肺音信号时频谱的估计
Figure 970621DEST_PATH_IMAGE020
，根据所述心音信号时频谱的估计
Figure 743405DEST_PATH_IMAGE019
和所述肺音信号时频谱的估计
Figure 815267DEST_PATH_IMAGE020
，重构出心音和肺音的时域信号。与传统的频域滤波方法相比，所述单通道心肺音分离方法和系统能有效地分离心音和肺音在频域内的重叠成分；与基于独立成分分析的心肺音分离方法相比，只需要单通道的心肺音混合信号作为输入即能实现心肺音的有效分离，临床实用性强；与基于NMF频谱基函数聚类的心肺音盲分离方法相比，在于利用了心音的时序结构信息，以正则化方法引导非负矩阵分解，无须聚类，心肺音分离效果稳定、计算效率高，提高了工作效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的单通道心肺音分离方法的一种具体实施方式的步骤流程示意图；
图2为本发明实施例提供的单通道心肺音分离方法的一种具体实施方式的步骤流程示意图；
图3为本发明实施例提供的单通道心肺音分离方法中分离出的心音信号图；
图4为本发明实施例提供的单通道心肺音分离方法中分离出的肺音信号图；
图5为本发明实施例提供的单通道心肺音分离系统的一种具体实施方式的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1~图5，图1为本发明实施例提供的单通道心肺音分离方法的一种具体实施方式的步骤流程示意图；图2为本发明实施例提供的单通道心肺音分离方法的一种具体实施方式的步骤流程示意图；图3为本发明实施例提供的单通道心肺音分离方法中分离出的心音信号图；图4为本发明实施例提供的单通道心肺音分离方法中分离出的肺音信号图；图5为本发明实施例提供的单通道心肺音分离系统的一种具体实施方式的结构示意图。
在本发明的一个实施例中，所述单通道心肺音分离方法，包括：
步骤1，对采集的心肺音混合信号
Figure 724317DEST_PATH_IMAGE001
进行处理，获得所述心肺音混合信号
Figure 856221DEST_PATH_IMAGE001
的时频谱
Figure 850722DEST_PATH_IMAGE002
；即将采集的信号进行一定的处理，获得对应的时频谱
Figure 227739DEST_PATH_IMAGE002
，这里的采集的心肺音混合信号
Figure 991295DEST_PATH_IMAGE001
，可以是临床采集的，即实时从病人身上采集的，也可以是由他人从病人采集，然后远程传输到的心肺音混合信号
Figure 294101DEST_PATH_IMAGE001
。
步骤2，对所述时频谱
Figure 775898DEST_PATH_IMAGE002
中20Hz~100Hz部分取列平均得到心音的幅模时序模板
Figure 189561DEST_PATH_IMAGE003
；
步骤3，根据所述心音的幅模时序模板
Figure 276466DEST_PATH_IMAGE003
构造心音时序结构正则项，对所述时频谱
Figure 750173DEST_PATH_IMAGE002
进行非负矩阵分解，抽取心音信号时频谱的估计
Figure 719266DEST_PATH_IMAGE004
和肺音信号时频谱的估计
Figure 936620DEST_PATH_IMAGE005
；
步骤4，根据所述心音信号时频谱的估计
Figure 179164DEST_PATH_IMAGE004
和所述肺音信号时频谱的估计
Figure 823772DEST_PATH_IMAGE005
，重构出心音和肺音的时域信号。
本发明中的单通道心肺音分离方法，通过从心肺音混合信号的时频谱中提取出能够体现心音幅模随时间变化的模板
Figure 280161DEST_PATH_IMAGE003
，并构建正则项引导心肺音混合信号时频谱的非负矩阵分解，抽取心音信号时频谱的估计
Figure 35627DEST_PATH_IMAGE004
和肺音信号时频谱的估计
Figure 893862DEST_PATH_IMAGE005
，根据所述心音信号时频谱的估计
Figure 443792DEST_PATH_IMAGE004
和所述肺音信号时频谱的估计
Figure 387477DEST_PATH_IMAGE005
，重构出心音和肺音的时域信号。
本发明中初始采集的心肺音混合信号
Figure 946635DEST_PATH_IMAGE021
，除了包括噪音之外，就是心音信号和肺音信号，除了采用对所述时频谱
Figure 160840DEST_PATH_IMAGE002
中20Hz~100Hz部分取列平均得到心音的幅模时序模板
Figure 147251DEST_PATH_IMAGE003
，还可以采用类似的方式获得时频谱
Figure 578232DEST_PATH_IMAGE002
中肺音的相关的幅模时序模板。
其中，所述根据
Figure 409922DEST_PATH_IMAGE003
构造心音时序结构正则项，对所述时频谱
Figure 242749DEST_PATH_IMAGE002
进行非负矩阵分解，包括：
通过
Figure 665640DEST_PATH_IMAGE022
Figure 318338DEST_PATH_IMAGE007
获得心音信号时频谱的估计
Figure 219298DEST_PATH_IMAGE023
和肺音信号时频谱的估计
Figure 405167DEST_PATH_IMAGE024
，其中，
Figure 733380DEST_PATH_IMAGE010
和
Figure 873374DEST_PATH_IMAGE011
分别为频谱基矩阵和时序系数矩阵,
Figure 312446DEST_PATH_IMAGE025
表示
Figure 854285DEST_PATH_IMAGE011
的第i行,
Figure 353400DEST_PATH_IMAGE013
和
Figure 980690DEST_PATH_IMAGE014
分别为心音模板匹配的尺度因子和偏置量。
在一个实施例中，如图2，单通道心肺音分离方法的步骤如下：
S1. 对采集到的心肺音混合信号
Figure 957874DEST_PATH_IMAGE021
，分别采用小波去噪和阈值滤波去噪去除混合信号中的高斯白噪声和能量微弱的背景噪声，并采用一个高通滤波器滤去心肺音混合信号
Figure 855685DEST_PATH_IMAGE021
中频率低于20Hz的成分，以得到一个更为干净的心肺音混合信号
Figure 384755DEST_PATH_IMAGE016
；
S2.对
Figure 499342DEST_PATH_IMAGE016
做短时傅里叶变换（STFT），得到信号
Figure 545795DEST_PATH_IMAGE016
的复时频谱
Figure 796648DEST_PATH_IMAGE026
；
S3.对
Figure 840827DEST_PATH_IMAGE017
取模，得到去噪后心肺音混合信号
Figure 935386DEST_PATH_IMAGE016
的时频谱
Figure 519951DEST_PATH_IMAGE002
；
S4.在时频谱
Figure 890889DEST_PATH_IMAGE002
中，取出其中20Hz~100Hz部分的时频谱再取列平均得到心音的幅模时序模板
Figure 902707DEST_PATH_IMAGE018
；已有临床研究表明：虽然肺音的频率范围为60Hz~1000Hz，但其能量主要集中分布在150Hz~600Hz，在心肺音混合信号的时频谱中，20Hz~100Hz时频谱由心音主导，其幅模时序结构符合心音信号幅度周期性变化的特点，因此，将这一先验知识（即
Figure 788624DEST_PATH_IMAGE018
）作为正则项引入到对
Figure 911301DEST_PATH_IMAGE002
的非负矩阵分解过程中，以达到从混合信号中分离出心音信号的目的。
S5. 根据
Figure 136746DEST_PATH_IMAGE018
构造心音时序结构正则项，对所述时频谱
Figure 788307DEST_PATH_IMAGE002
进行非负矩阵分解，以抽取心音信号时频谱的估计
Figure 600667DEST_PATH_IMAGE019
和肺音信号时频谱的估计
Figure 527035DEST_PATH_IMAGE020
。在这里，对时频谱
Figure 669303DEST_PATH_IMAGE002
做带正则项的非负矩阵分解，可以归结为以下的优化问题：
Figure 22924DEST_PATH_IMAGE006
Figure 821116DEST_PATH_IMAGE007
(1)
其中
Figure 754437DEST_PATH_IMAGE027
，K是降维后的维数，满足
K«min（F，T），
Figure 954474DEST_PATH_IMAGE028
和
Figure 774269DEST_PATH_IMAGE029
分别为尺度松弛量和偏置量,
Figure 59757DEST_PATH_IMAGE030
，
Figure 327927DEST_PATH_IMAGE031
是元素全为1的列向量，
Figure 382471DEST_PATH_IMAGE032
是
Figure 343474DEST_PATH_IMAGE033
矩阵中的第i行。
目标函数(1)式的含义是：在非负的约束条件下，要使得
Figure 116258DEST_PATH_IMAGE034
对X的重构误差最小，同时令
Figure 922540DEST_PATH_IMAGE033
矩阵的每一行
Figure 97169DEST_PATH_IMAGE032
在经过尺度缩放和偏置校正后跟模板
Figure 464959DEST_PATH_IMAGE035
足够的近似。折中系数
Figure 725039DEST_PATH_IMAGE036
的作用是权衡
Figure 335012DEST_PATH_IMAGE034
对X的重构误差和
Figure 98568DEST_PATH_IMAGE032
与
Figure 401374DEST_PATH_IMAGE035
的相关程度，使得当心音噪信比小时，目标函数倾向于最小化重构误差(此时，重构误差里含有噪声少)，而降低对
Figure 883171DEST_PATH_IMAGE032
与
Figure 296834DEST_PATH_IMAGE035
相关程度的要求；当心音噪信比大时，重构误差里含有噪声多，目标函数则倾向于强调
Figure 481609DEST_PATH_IMAGE032
与
Figure 955316DEST_PATH_IMAGE035
的相关程度。
Figure 924409DEST_PATH_IMAGE036
可通过以下方式确定：
Figure 610605DEST_PATH_IMAGE037
(2)
其中
Figure 942229DEST_PATH_IMAGE038
表示时频谱
Figure 586837DEST_PATH_IMAGE039
中100Hz以上的幅模总和，
Figure 544691DEST_PATH_IMAGE040
表示时频谱
Figure 565737DEST_PATH_IMAGE039
中20Hz~100Hz的幅模总和。通过求解(2)式这个非负约束的二次规划问题，以实现从混合信号时频谱
Figure 158392DEST_PATH_IMAGE039
中，提取心音成分
Figure 973901DEST_PATH_IMAGE034
的目的。(1)式的求解过程如下：
为了满足约束条件
Figure 917587DEST_PATH_IMAGE041
, 构造拉格朗日函数：
Figure 476744DEST_PATH_IMAGE042
(3)
其中
Figure 189485DEST_PATH_IMAGE043
、
Figure 408852DEST_PATH_IMAGE044
、
Figure 839833DEST_PATH_IMAGE045
和
Figure 937102DEST_PATH_IMAGE046
为拉格朗日乘数。
记
Figure 769929DEST_PATH_IMAGE047
，
Figure 661661DEST_PATH_IMAGE048
。令
Figure 376676DEST_PATH_IMAGE049
对
Figure 277636DEST_PATH_IMAGE050
和
Figure 200855DEST_PATH_IMAGE029
的导数为0并利用Karush-Kuhn-Tucker (KKT)条件，可得以下迭代更新公式：
Figure 529068DEST_PATH_IMAGE051
(4)
Figure 669063DEST_PATH_IMAGE052
(5)
Figure 108134DEST_PATH_IMAGE053
(6)
Figure 649974DEST_PATH_IMAGE054
(7)
通过(4)—(7)循环迭代，可以求得使目标函数J局部最小的
Figure 149089DEST_PATH_IMAGE050
和
Figure 776379DEST_PATH_IMAGE029
。从而求得心音信号时频谱的估计：
Figure 19141DEST_PATH_IMAGE055
（8)
肺音信号时频谱的估计：
Figure 931601DEST_PATH_IMAGE056
(9)
S6.利用时频掩码技术和逆短时傅里叶变换（ISTFT）重构出心音和肺音的时域信号。基于以下假设：心音和肺音信号在一个很小的时频域内由其中的一种信号占主导地位，我们设计的时频掩码有如下形式：
Figure 601617DEST_PATH_IMAGE057
(10)
Figure 716203DEST_PATH_IMAGE058
(11)
利用时频掩码，可以得到心音和肺音的复时频谱：
Figure 1
(12)
Figure 2
（13）
其中
Figure 3
表示点乘。假设分离前后信号相位不变，对
Figure 456309DEST_PATH_IMAGE062
和
Figure 40874DEST_PATH_IMAGE063
做ISTFT重构出心音和肺音的时域信号
Figure 913278DEST_PATH_IMAGE064
和
Figure 925096DEST_PATH_IMAGE065
。
在本发明实施例的步骤1和S1中，目的是为了获取干净的心肺音混合信号
Figure 14275DEST_PATH_IMAGE066
，即除了心肺音混合信号不含有其它成分信号，而去除噪声的方法，除了上述的方法外，又有如下方法：利用自适应滤波或维纳滤波去除输入的所述心肺音混合信号
Figure 136951DEST_PATH_IMAGE067
中的高斯白噪声，以获得所述干净的心肺音混合信号
Figure 627976DEST_PATH_IMAGE066
。
即所述步骤1，包括：
去除采集的心肺音混合信号
Figure 810695DEST_PATH_IMAGE068
的环境噪声，获得干净的心肺音混合信号
Figure 387170DEST_PATH_IMAGE066
；
对所述干净的心肺音混合信号
Figure 313538DEST_PATH_IMAGE066
进行时频分析，获得所述干净的心肺音混合信号
Figure 892024DEST_PATH_IMAGE066
的复时频谱
Figure 245645DEST_PATH_IMAGE069
。
具体的，所述去除采集的心肺音混合信号
Figure 43837DEST_PATH_IMAGE068
的环境噪声包括：采用小波去噪、阈值滤波去噪、自适应滤波或维纳滤波去噪去除所述心肺音混合信号
Figure 773896DEST_PATH_IMAGE068
中的高斯白噪声，获得所述干净的心肺音混合信号
Figure 708354DEST_PATH_IMAGE066
。
其中，所述对所述干净的心肺音混合信号
Figure 764034DEST_PATH_IMAGE066
进行时频分析，包括：
对所述干净的心肺音混合信号
Figure 783943DEST_PATH_IMAGE066
进行采用短时傅里叶变换，或对所述干净的心肺音混合信号
Figure 52113DEST_PATH_IMAGE066
进行连续小波变换，或对所述干净的心肺音混合信号
Figure 873701DEST_PATH_IMAGE066
进行希尔伯特黄变换。
本发明实施例中采用小波去噪去除所述心肺音混合信号
Figure 834704DEST_PATH_IMAGE067
中的高斯白噪声；采用阈值滤波去噪，去除
Figure 341909DEST_PATH_IMAGE068
时频谱中幅模值较小的噪音，如幅模值小于0.1的信号；采用高通滤波滤除
Figure 413770DEST_PATH_IMAGE068
中频率低于20Hz的成分。
除了上述几种去噪方法之外，还可以使用其它的去噪方法，本发明对其不做具体限定。
本发明对于所述干净的心肺音混合信号
Figure 791661DEST_PATH_IMAGE066
进行时频分析的方法不做具体限定，所述对所述干净的心肺音混合信号
Figure 657986DEST_PATH_IMAGE066
进行时频分析，可以为对所述干净的心肺音混合信号
Figure 918066DEST_PATH_IMAGE066
进行短时傅里叶变换，也可以为对所述干净的心肺音混合信号
Figure 793618DEST_PATH_IMAGE066
进行连续小波变换，还可以为对所述干净的心肺音混合信号
Figure 822754DEST_PATH_IMAGE066
进行希尔伯特黄变换。
在本发明这一个实施例中，采用短时傅里叶变换对
Figure 364375DEST_PATH_IMAGE066
进行时频分析，采用汉明窗，窗长度为128，窗移动的步长为64 ，本发明对于短时傅里叶变换的具体参数不作具体限定。所述汉明窗的窗长度一般为100~128，窗移动的补偿一般为50~64。
在这一实施例中，在S5中，先设定好
Figure 111751DEST_PATH_IMAGE070
降维后的维度K和迭代步数(在本例子中K=5，迭代步数为50)，然后随机生成非负矩阵
Figure 525415DEST_PATH_IMAGE071
和非负系数
Figure 612320DEST_PATH_IMAGE072
，折中系数
Figure 86026DEST_PATH_IMAGE036
的值由(2)式确定（在本例子中,
Figure 55119DEST_PATH_IMAGE073
），经过(4)—(7)的循环迭代后可求得所需要的
Figure 272474DEST_PATH_IMAGE050
和
Figure 10623DEST_PATH_IMAGE029
，最后由(8)、(9)求得心音和肺音的时频谱估计
Figure 655231DEST_PATH_IMAGE074
和
Figure 613085DEST_PATH_IMAGE075
。
在这一实施例中，在所述S6中，由(10)—(13)求得
Figure 368551DEST_PATH_IMAGE062
和
Figure 226786DEST_PATH_IMAGE063
，对
Figure 245557DEST_PATH_IMAGE062
和
Figure 985980DEST_PATH_IMAGE063
做逆短时傅里叶变换（ISTFT）重构出心音和肺音的时域信号
Figure 482821DEST_PATH_IMAGE076
和
Figure 195562DEST_PATH_IMAGE077
。
所述心音和肺音重构过程中的时频掩码方法，也可采用维纳掩码等其它时频掩码方法，本发明对其不做具体限定。
其中，图3为分理处的心音信号图，图4为分离出的肺音信号图。
除此之外，本发明实施例还提供了一种单通道心肺音分离系统，包括输入模块、存储模块和中央处理器模块，所述输入模块用于将对采集的心肺音混合信号
Figure 181972DEST_PATH_IMAGE067
进行功率放大并转换为数字信号后输入到所述中央处理器模块中，经过所述中央处理器模块采用如上所述的单通道心肺音分离方法处理后产生的心音和肺音的时域信号，输出至所述存储模块，所述存储模块用于存储输入的所述心肺音混合信号
Figure 878533DEST_PATH_IMAGE067
、所述中央处理器模块工作过程中的中间参数以及输出的所述心音和肺音的时域信号。
由于所述单通道心肺音分离系统中的中央处理器模块采用如上所述的单通道心肺音分离方法处理后产生的心音和肺音的时域信号，因此具有如上相同的有益效果。
为了减少噪声心肺音信号的分离的影响，提高心肺音信号的纯度，所述单通道心肺音分离系统还包括与输入模块、所述中央处理器模块连接的环境噪音去除模块，用于去除高斯白噪声，获干净的心肺音混合信号。
可以采用小波去噪、阈值滤波，以及自适应滤波去噪、维纳滤波去噪等方法进行处理，其目的都是为了得到一个更为干净的心肺音混合信号。
为了更进一步获取心肺音分离的过程以及结果，所述单通道心肺音分离系统还包括与所述输入模块和所述中央处理器模块连接的输出模块，用于输出并显示输入的所述心肺音混合模拟信号、所述中央处理器模块处理过程产生的所述心音信号和所述肺音信号。
由于在心肺音分离的过程中，需要对一些函数进行参数设定，可以是将参数预先设定好再执行，但是往往是但不到预期的效果，或者是还具有进一步的提升空间，因此为了方便参数的调整，提高心肺音的分离质量和效率，所述单通道心肺音分离系统还包括所述环境噪音去除模块、所述中央处理器模块连接的设置模块，用于设置所述环境噪音去除模块、所述中央处理器模块的工作参数。
为提高所述单通道心肺音分离系统的适用范围，所述输出模块一般包括相互连接的显示器、扬声器和无线通信器。
本发明中的输入模块一般包括有模拟信号放大器、采样器和模数转换器。存储模块包括有与CPU适配的DDR内存和串口硬盘。
当然与输入模块对应的还有输出模块，输出模块包括有显示器、扬声器和WIFI传输模块中央处理器模块可由数字信号处理芯片（DSP）实现。即在一实施例中，所述单通道心肺音分离系统还包括与所述中央处理器模块连接的显示器以及与所述显示器相互连接的扬声器和无线通信器。
DSP可由现场可编程逻辑阵列（FPGA）替代，输出模块中WIFI传输模块可由蓝牙传输模块、zigbee通信模块替代，或者是有其它的通信传输模块代替，本发明对其不作具体限定。
综上所述，本发明实施例提供的单通道心肺音分离方法及系统，通过从心肺音混合信号的时频谱中提取出能够体现心音幅模随时间变化的模板
Figure 474337DEST_PATH_IMAGE035
，并构建正则项引导心肺音混合信号时频谱的非负矩阵分解，抽取心音信号时频谱的估计
Figure 41585DEST_PATH_IMAGE078
和肺音信号时频谱的估计
Figure 198897DEST_PATH_IMAGE079
，根据所述心音信号时频谱的估计
Figure 117174DEST_PATH_IMAGE078
和所述肺音信号时频谱的估计
Figure 955817DEST_PATH_IMAGE079
，重构出心音和肺音的时域信号。与传统的频域滤波方法相比，所述单通道心肺音分离方法和系统能有效地分离心音和肺音在频域内的重叠成分；与基于独立成分分析的心肺音分离方法相比，只需要单通道的心肺音混合信号作为输入即能实现心肺音的有效分离，临床实用性强；与基于NMF频谱基函数聚类的心肺音盲分离方法相比，在于利用了心音的时序结构信息，以正则化方法引导非负矩阵分解，无须聚类，心肺音分离效果稳定、计算效率高，提高了工作效率。
以上对本发明所提供的单通道心肺音分离方法及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (9)

1.一种单通道心肺音分离方法，其特征在于，包括：
步骤1，对采集的心肺音混合信号
Figure DEST_PATH_IMAGE001
进行处理，获得所述心肺音混合信号
Figure 659896DEST_PATH_IMAGE001
的时频谱
Figure 184418DEST_PATH_IMAGE002
；
步骤2，对所述时频谱
Figure 204326DEST_PATH_IMAGE002
中20Hz~100Hz部分取列平均得到心音的幅模时序模板
Figure DEST_PATH_IMAGE003
；
步骤3，根据所述心音的幅模时序模板
Figure 269234DEST_PATH_IMAGE003
构造心音时序结构正则项，对所述时频谱
Figure 589357DEST_PATH_IMAGE002
进行非负矩阵分解，抽取心音信号时频谱的估计
Figure 783316DEST_PATH_IMAGE004
和肺音信号时频谱的估计
Figure DEST_PATH_IMAGE005
；
步骤4，根据所述心音信号时频谱的估计
Figure 87258DEST_PATH_IMAGE006
和所述肺音信号时频谱的估计
Figure DEST_PATH_IMAGE007
，重构出心音和肺音的时域信号；
所述根据
Figure 690278DEST_PATH_IMAGE008
构造心音时序结构正则项，对所述时频谱
Figure 599328DEST_PATH_IMAGE002
进行非负矩阵分解，包括：
通过
Figure DEST_PATH_IMAGE009
Figure 262391DEST_PATH_IMAGE010
获得心音信号时频谱的估计
Figure 758356DEST_PATH_IMAGE011
和肺音信号时频谱的估计
Figure 633909DEST_PATH_IMAGE012
，其中，
Figure 663044DEST_PATH_IMAGE013
和
Figure 700271DEST_PATH_IMAGE015
分别为频谱基矩阵和时序系数矩阵,
Figure DEST_PATH_IMAGE016
表示
Figure 713226DEST_PATH_IMAGE015
的第i行，
Figure 392469DEST_PATH_IMAGE017
和
Figure DEST_PATH_IMAGE018
分别为心音模板匹配的尺度因子和偏置量，其中，l表示元素全为1的列向量，
Figure 46085DEST_PATH_IMAGE019
；λ表示折中系数。
2.如权利要求1所述单通道心肺音分离方法，其特征在于，所述步骤1，包括：
去除采集的心肺音混合信号
Figure DEST_PATH_IMAGE020
的环境噪声，获得干净的心肺音混合信号
Figure 50950DEST_PATH_IMAGE021
；
对所述干净的心肺音混合信号
Figure 20043DEST_PATH_IMAGE021
进行时频分析，获得所述干净的心肺音混合信号
Figure 237398DEST_PATH_IMAGE021
的复时频谱
Figure DEST_PATH_IMAGE022
。
3.如权利要求2所述单通道心肺音分离方法，其特征在于，所述去除采集的心肺音混合信号
Figure 506705DEST_PATH_IMAGE023
的环境噪声包括：采用小波去噪、阈值滤波去噪、自适应滤波或维纳滤波去噪去除所述心肺音混合信号
Figure 151313DEST_PATH_IMAGE023
中的高斯白噪声，获得所述干净的心肺音混合信号
Figure 109167DEST_PATH_IMAGE021
。
4.如权利要求2所述单通道心肺音分离方法，其特征在于，所述对所述干净的心肺音混合信号
Figure 864634DEST_PATH_IMAGE021
进行时频分析包括：
对所述干净的心肺音混合信号
Figure 926130DEST_PATH_IMAGE021
进行采用短时傅里叶变换，或对所述干净的心肺音混合信号
Figure 741640DEST_PATH_IMAGE021
进行连续小波变换，或对所述干净的心肺音混合信号
Figure 419746DEST_PATH_IMAGE021
进行希尔伯特黄变换。
5.如权利要求4所述单通道心肺音分离方法，其特征在于，所述短时傅里叶变换采用的窗函数为汉明窗，所述汉明窗的窗长度为100~128，窗移动的补偿为50~64。
6.如权利要求1所述单通道心肺音分离方法，其特征在于，所述重构出心音和肺音的时域信号为采用时频掩码重构出心音和肺音的时域信号，或采用维纳掩码重构出心音和肺音的时域信号。
7.一种单通道心肺音分离系统，其特征在于，包括输入模块、存储模块和中央处理器模块，所述输入模块用于将对采集的心肺音混合信号
Figure 775641DEST_PATH_IMAGE020
进行功率放大并转换为数字信号后输入到所述中央处理器模块中，经过所述中央处理器模块采用如权利要求1-6任意一项所述的单通道心肺音分离方法处理后产生的心音和肺音的时域信号，输出至所述存储模块，所述存储模块用于存储输入的所述心肺音混合信号
Figure 488382DEST_PATH_IMAGE023
、所述中央处理器模块工作过程中的中间参数以及输出的所述心音和肺音的时域信号。
8.如权利要求7所述单通道心肺音分离系统，其特征在于，还包括与输入模块、所述中央处理器模块连接的环境噪音去除模块，用于去除高斯白噪声，获干净的心肺音混合信号。
9.如权利要求7所述单通道心肺音分离系统，其特征在于，还包括与所述中央处理器模块连接的显示器以及与所述显示器相互连接的扬声器和无线通信器。
CN201711129632.8A 2017-11-15 2017-11-15 一种单通道心肺音分离方法及系统 Active CN107837091B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711129632.8A CN107837091B (zh) 2017-11-15 2017-11-15 一种单通道心肺音分离方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711129632.8A CN107837091B (zh) 2017-11-15 2017-11-15 一种单通道心肺音分离方法及系统

Publications (2)

Publication Number Publication Date
CN107837091A CN107837091A (zh) 2018-03-27
CN107837091B true CN107837091B (zh) 2021-01-26

Family

ID=61678970

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711129632.8A Active CN107837091B (zh) 2017-11-15 2017-11-15 一种单通道心肺音分离方法及系统

Country Status (1)

Country Link
CN (1) CN107837091B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764184B (zh) * 2018-06-01 2022-02-15 广东工业大学 一种心肺音信号的分离方法、装置、设备及存储介质
CN110010145B (zh) * 2019-02-28 2021-05-11 广东工业大学 一种消除电子听诊器摩擦声的方法
CN110236589B (zh) * 2019-06-03 2022-04-29 苏州美糯爱医疗科技有限公司 一种电子听诊器的实时心肺音自动分离方法
CN110532424A (zh) * 2019-09-26 2019-12-03 西南科技大学 一种基于深度学习和云平台的肺音特征分类系统及方法
CN111374694A (zh) * 2020-03-20 2020-07-07 深圳市真元保玖科技有限公司 肺功能监测系统、监测方法及其电子装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102525452A (zh) * 2011-10-19 2012-07-04 广东工业大学 一种基于斜投影的单通道胎儿心电盲分离装置及分离方法
CN105787946A (zh) * 2016-03-17 2016-07-20 广东工业大学 一种非负盲分离胎心音分析方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102525452A (zh) * 2011-10-19 2012-07-04 广东工业大学 一种基于斜投影的单通道胎儿心电盲分离装置及分离方法
CN105787946A (zh) * 2016-03-17 2016-07-20 广东工业大学 一种非负盲分离胎心音分析方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
On the Blind Recovery of Cardiac and Respiratory Sounds;Ghafoor Shah et al.;《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》;20150131;第19卷(第1期);第151-157页 *

Also Published As

Publication number Publication date
CN107837091A (zh) 2018-03-27

Similar Documents

Publication Publication Date Title
CN107837091B (zh) 一种单通道心肺音分离方法及系统
Xiong et al. ECG signal enhancement based on improved denoising auto-encoder
CN107845389B (zh) 一种基于多分辨率听觉倒谱系数和深度卷积神经网络的语音增强方法
Assaleh Extraction of fetal electrocardiogram using adaptive neuro-fuzzy inference systems
Cichocki et al. Adaptive blind signal and image processing: learning algorithms and applications
US10366705B2 (en) Method and system of signal decomposition using extended time-frequency transformations
CN107945817B (zh) 心肺音信号分类方法、检测方法、装置、介质和计算机设备
Venkataramani et al. Adaptive front-ends for end-to-end source separation
Shah et al. On the blind recovery of cardiac and respiratory sounds
Fotiadou et al. Enhancement of low-quality fetal electrocardiogram based on time-sequenced adaptive filtering
US7474915B2 (en) Separating mixed signals containing a distorted signal
CN107463956B (zh) 一种基于非负矩阵分解的心肺音分离的方法及装置
Khan et al. Separating Heart Sound from Lung Sound UsingLabVIEW
Zhou et al. Morphology extraction of fetal electrocardiogram by slow-fast LSTM network
Sharma et al. Multiscale wavelet energies and relative energy based denoising of ECG signal
Wang et al. Heart-lung sound separation by nonnegative matrix factorization and deep learning
Dhoulath Beegum et al. Novel implementation of “Filtered-Reconstruction ICA” enabled wheeze component separation for preliminary diagnosis of COVID-19
Ma et al. A multichannel nonlinear adaptive noise canceller based on generalized FLANN for fetal ECG extraction
CN110236589B (zh) 一种电子听诊器的实时心肺音自动分离方法
Looney et al. Subspace denoising of EEG artefacts via multivariate EMD
González–rodríguez et al. Robust denoising of phonocardiogram signals using time-frequency analysis and U-Nets
JP2015031889A (ja) 音響信号分離装置、音響信号分離方法及び音響信号分離プログラム
Charleston et al. Interference cancellation in respiratory sounds via a multiresolution joint time-delay and signal-estimation scheme
CN113229842B (zh) 一种基于复数深度神经网络的心肺音自动分离方法
Hedayioglu et al. Separating sources from sequentially acquired mixtures of heart signals

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant