CN108742697B - 心音信号分类方法及终端设备 - Google Patents
心音信号分类方法及终端设备 Download PDFInfo
- Publication number
- CN108742697B CN108742697B CN201810528598.XA CN201810528598A CN108742697B CN 108742697 B CN108742697 B CN 108742697B CN 201810528598 A CN201810528598 A CN 201810528598A CN 108742697 B CN108742697 B CN 108742697B
- Authority
- CN
- China
- Prior art keywords
- heart sound
- sound signal
- signal
- threshold
- frequency
- 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
Links
- 230000005236 sound signal Effects 0.000 title claims abstract description 273
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000003595 spectral effect Effects 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 25
- 210000001765 aortic valve Anatomy 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000005311 autocorrelation function Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 238000003745 diagnosis Methods 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 description 13
- 238000001035 drying Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000004962 physiological condition Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 231100000517 death Toxicity 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000035211 Heart Murmurs Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000035176 regulation of the force of heart contraction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/02—Stethoscopes
- A61B7/04—Electric stethoscopes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明适用于信号处理技术领域，提供了一种心音信号分类方法及终端设备。所述方法包括：获取心音信号，对心音信号进行分解和重构，提取心音信号的第二心音信号；提取第二心音信号的特征频率，根据特征频率确定第二心音信号的功率谱密度；根据功率谱密度对第二心音信号进行分类，获得正常的心音信号和异常的心音信号。采用上述方案后，能区分出正常心音信号和异常心音信号，能辅助医生进行决策诊断，为医生提供了简单、明确、真实的信息，发挥了重症监护应有的作用，提高了诊断质量和应急水平，为心脏病人争取了有效的救治时间，提高了心脏病人的救治率。
Description
技术领域
本发明属于信号处理技术领域，尤其涉及一种心音信号分类方法及终端设备。
背景技术
随着现代社会物质生活水平的改善，心血管疾病在我国呈上升趋势，统计资料表明，心血管疾病死亡者占总死亡人数的比例是最大的，心脏检测和分析是了解心脏和血管状态的一种不可缺少的手段，心电图检查是心脏变时性和变传导性的最佳监测方法，但不能用来监测心脏的变力性，心音检查有无创性、重复性好的优点，具有心电图、超声心动图不可取代的诊断优势，随着心音的发生机理、心胸传播特性等方面研究工作的深入开展以及现代数字信号处理技术的广泛应用，越来越多的研究结果表明心音信号的测量及处理在实际应用中具有重要意义，心音分析方法已经从以前模拟心音图上进行的时域分析、频域分析、功率谱分析发展为现在数字心音图上的时频分析。
但是，心音信号处理技术发展缓慢，最主要的原因在于，心音信号所包含的心脏的生理病信息确实复杂多变，对心音信号定性分析较容易，定量分析却非常困难，不能准确的对心音信号进行处理。
发明内容
有鉴于此，本发明实施例提供了一种心音信号分类方法及终端设备，以解决现有技术中由于心音信号所包含的心脏的生理病信息复杂多变，对心音信号定性分析较容易，定量分析困难的问题。
本发明实施例的第一方面提供了一种心音信号分类方法，包括：
获取心音信号，对所述心音信号进行分解和重构，提取所述心音信号的第二心音信号；
提取所述第二心音信号的特征频率，根据所述特征频率确定所述第二心音信号的功率谱密度；
根据所述功率谱密度对所述第二心音信号进行分类，获得正常的心音信号和异常的心音信号。
作为进一步的技术方案，所述方法还包括：
对所述心音信号进行去燥处理。
作为进一步的技术方案，所述对所述心音信号进行分解和重构，提取所述心音信号的第二心音信号包括：
根据小波变换对所述心音信号进行分解；
选取预设频段的分解后的心音信号进行重构；
将重构后的频段按相同时间长度进行分段处理；
计算分段处理后的频段的归一化香农能量；
根据计算的归一化香农能量确定所述心音信号的第二心音信号。
作为进一步的技术方案，所述提取所述第二心音信号的特征频率，根据所述特征频率确定所述第二心音信号的功率谱密度包括：
根据所述第二心音信号提取主动脉瓣闭合时主动脉壁振动频率为特征频率；
根据预存的自回归模型确定所述特征频率的自相关函数；
对所述自相关函数进行傅里叶变换确定所述第二心音信号的功率谱密度。
作为进一步的技术方案，所述根据所述功率谱密度对所述第二心音信号进行分类，获得正常的心音信号和异常的心音信号包括：
根据所述功率谱密度获取主动脉瓣膜闭合时主动脉壁的振动频率；
根据预设的标准峰值判断所述主动脉瓣膜闭合时主动脉壁的振动频率的峰值是否合格；
若判定所述主动脉瓣膜闭合时主动脉壁的振动频率的峰值合格，则将所述第二心音信号分类为正常信号；
若判定所述主动脉瓣膜闭合时主动脉壁的振动频率的峰值不合格，则将所述第二心音信号分类为异常信号。
作为进一步的技术方案，所述计算分段处理后的频段的归一化香农能量包括：
根据表达式
确定分段处理后的频段的香农能量，其中，xnorm为采样值与分断频段中采样信号的最大绝对值之比；i为分段个数；N为预设时间内的采样数；
根据表达式
确定归一化香农能量Pa(t)，
其中，以分段作为时间变量，则由Es可得到Es(t)序列，Es为每一段信号的香农能量，M(Es(t))为Es(t)的平均值，S(Es(t))为Es(t)的标准差。
本发明实施例的第二方面提供了一种心音信号分类装置，包括：
第二心音信号提取模块，用于获取心音信号，对所述心音信号进行分解和重构，提取所述心音信号的第二心音信号；
功率谱密度确定模块，用于提取所述第二心音信号的特征频率，根据所述特征频率确定所述第二心音信号的功率谱密度；
第二心音信号分类模块，用于根据所述功率谱密度对所述第二心音信号进行分类，获得正常的心音信号和异常的心音信号。
作为进一步的技术方案，所述装置还包括：
心音信号去燥模块，用于对所述心音信号进行去燥处理。
本发明实施例的第三方面提供了一种心音信号分类终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的方法。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的方法。
本发明实施例与现有技术相比存在的有益效果是：本发明实施例通过对心音信号进行分解和重构，提取出第二心音信号，再提取第二心音信号的特征，并确定提取出的特征的功率谱密度，最后根据功率谱密度对心音信号进行准确的分类，区分出正常心音信号和异常心音信号，能辅助医生进行决策诊断，为医生提供了简单、明确、真实的信息，发挥了重症监护应有的作用，提高了诊断质量和应急水平，为心脏病人争取了有效的救治时间，提高了心脏病人的救治率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种心音信号分类方法的步骤流程图；
图2是本发明另一实施例提供的一种心音信号分类方法的步骤流程图；
图3是本发明实施例提供的一种心音信号分类装置的结构示意图；
图4是本发明实施例提供的一种心音信号分类终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
如图1所示，为本发明实施例提供的一种心音信号分类方法的步骤流程图，包括：
步骤S101，获取心音信号，对所述心音信号进行分解和重构，提取所述心音信号的第二心音信号。
具体的，获取心音信号后，将心音信号分解和重构，将不同频带重构出来，再将每一频带以相同时间长度进行分段，优选的，本方案中采用五层小波分解，因为第二心音信号为主要的能量集中频段，所以选择第二心音信号进行提取，为了准确地定位第二心音信号，即S2，应该选择第二心音信号的主要能量集中频段。
步骤S102，提取所述第二心音信号的特征频率，根据所述特征频率确定所述第二心音信号的功率谱密度。
具体的，由于采集心音信号时，心音采集位置、采集通路的刻度条件以及各个患者的生理状况对心音信号的幅度影响较大，所以，难以在各个患者之间比较其能量上的差异。而心音信号中的频率特征相对稳定的多，可以选择分析结果中与生理特征一致的参数作为特征量，对于第二心音信号，因为主动脉瓣膜闭合时产生的心音主要为第二心音信号，所以结果反映了与主动脉瓣相关的心音信号特性，因此，我们选择主动脉瓣闭合时主动脉壁振动频率(A2)为特征频率。
步骤S103，根据所述功率谱密度对所述第二心音信号进行分类，获得正常的心音信号和异常的心音信号。
具体的，根据功率谱密度读取A2频率谱峰的峰值，并以次作为特征进行正常心音信号与异常心音信号的分类。
采用上述方案后，本发明实施例通过对心音信号进行分解和重构，提取出第二心音信号，再提取第二心音信号的特征，并确定提取出的特征的功率谱密度，最后根据功率谱密度对心音信号进行准确的分类，区分出正常心音信号和异常心音信号，能辅助医生进行决策诊断，为医生提供了简单、明确、真实的信息，发挥了重症监护应有的作用，提高了诊断质量和应急水平，为心脏病人争取了有效的救治时间，提高了心脏病人的救治率。
此外，在一个具体事例中，所述方法还包括：
对所述心音信号进行去燥处理。
具体的，小波滤波分为硬阈值和软阈值两种处理方式，软阈值处理既把信号的绝对值与阈值进行比较，当数据的绝对值小于或等于阈值时，令其为零，大于阈值的数据点则向零收缩，变为该点值与阈值之差。硬阈值处理是把信号的绝对值与阈值进行比较，小于或等于阈值的点变为零，大于阈值的点不变，经过对比验证，使用软阈值处理方式对心音信号进行去燥处理得到的效果更好，进行去燥处理时，需要确定去燥阈值，去燥阈值的确定方法有很多种，本申请经过验证分析，选择固定阈值准则确定去燥阈值。
此外，如图2所示，在一个具体事例中，所述对所述心音信号进行分解和重构，提取所述心音信号的第二心音信号包括：
步骤S201，根据小波变换对所述心音信号进行分解。
具体的，小波变换中的小波函数具有不唯一性,不同的信号、不同的研究目的、选用不同的小波基函数，会得出截然不同的结果,选取合适的小波基，会使计算出的小波系数能够最好地反映信号的特征，小波函数的选取是非常重要的，也是小波实际应用中的一个难点问题，目前主要是通过用小波分析方法处理信号的结果与理论结果的误差来判定小波基的好坏，并由此选定小波基，本申请经过实践与验证，最终选择效果最好的coif5小波基函数对心音信号进行分解。
步骤S202，选取预设频段的分解后的心音信号进行重构。
具体的，通过小波多分辨分析将心音信号分解，将不同频带重构出来，再将每一频带以相同时间长度进行分段，本发明进行五层小波分解，为了准确地定位第二心音信号S2，应该选择第二心音信号S2的主要能量集中频段，第二心音信号S2的频率范围在低频段(10-120Hz)、中频段(120-250Hz)、高频段(250-400Hz)都有相当分量，然而，有些心音信号，第二心音信号S2的大部分能量在低频段，有些心音信号，S2的大部分能量则在中频段和高频段，因此，为了有效的确定S2，不可能选择适合所有样本的固定频段，基于此，为了得到较好的结果，我们选择三个频段而不是一个频段来分析，被选择的频带为小波分解的近似3(A3)，详细3(D3)和详细4(D4)三个频段；通过小波分解将心音信号分解后，将上述三个频段重构出来。
步骤S203，将重构后的频段按相同时间长度进行分段处理。
具体的，将重构后的每一频带以相同时间长度进行分段，优选的，根据实验经验与效果，以时窗长度为0.02秒进行分段，相邻窗重叠长度为0.01秒对频段信号进行分段，得到的效果最好。
步骤S204，计算分段处理后的频段的归一化香农能量。
步骤S205，根据计算的归一化香农能量确定所述心音信号的第二心音信号。
具体的，在大多数情况下，第一心音信号S1和第二心音信号S2的能量要大于其它心音和心脏杂音的能量，由于心脏生理变异性和记录心音信号的位置不同，心音信号各个成份和心脏杂音往往以不同频率、不同幅值表现出来，因此，能量图中有可能出现S1和S2的伪峰，也有可能丢失一些S1和S2峰，所以，在确定峰值点时首先选择一个较大的阈值，把大于阈值的峰点选出来，优选的，根据经实验经验与效果分析，如果选出的相邻峰点距离小于500ms，将这些峰点作为S1和S2候选点，但是，由于心音分离等原因，在和附近可能出现多个峰值点，因此，选第一个峰点后以时间顺序剔除200ms以内的峰值点。正常情况下，S2至S1的时间比S1至S2的时间长，根据此特点可以区分S1和S2。
此外，在一个具体事例中，所述提取所述第二心音信号的特征频率，根据所述特征频率确定所述第二心音信号的功率谱密度包括：
根据所述第二心音信号提取主动脉瓣闭合时主动脉壁振动频率为特征频率；
根据预存的自回归模型确定所述特征频率的自相关函数。
对所述自相关函数进行傅里叶变换确定所述第二心音信号的功率谱密度。
具体的，由于采集心音信号时，心音采集位置、采集通路的刻度条件以及各个患者的生理状况对心音信号的幅度影响较大，所以，难以在各个患者之间比较其能量上的差异。而心音信号中的频率特征相对稳定的多，可以选择分析结果中与生理特征一致的参数作为特征量。对于第二心音，因为主动脉瓣膜闭合时产生的心音主要为第二心音，所以结果反映了与主动脉瓣相关的心音信号特性。因此，我们选择主动脉瓣闭合时主动脉壁振动频率(A2)为特征频率；分别利用短时傅立叶变换和自回归模型进行功率谱密度估计，实验分析表明使用自逻辑回归模型进行的功率谱密度估计效果更好，产生的功率谱估计更加准确，且估计曲线平滑；自回归模型是统计上一种处理时间序列的方法，本方案对心音信号进行自回归模型的功率谱密度估计，将时域信号转换成频域信号，优选的，可以利用坐标表示，横坐标为心音信号的频率，纵坐标代表心音信号对应各个频率的密度大小，纵坐标值越大，说明心音信号内其相应的频率所占比重越高。
此外，在一个具体事例中，所述根据所述功率谱密度对所述第二心音信号进行分类，获得正常的心音信号和异常的心音信号包括：
根据所述功率谱密度获取主动脉瓣膜闭合时主动脉壁的振动频率，由于采集心电信号时，心音采集位置、采集通路的刻度条件以及各个患者的生理状况对心音信号的幅度影响较大，所以，难以在各个患者之间比较其能量上的差异。而心音信号中的频率特征相对稳定的多，可以选择分析结果中与生理特征一致的参数作为特征量。对于第二心音信号，因为主动脉瓣膜闭合时产生的心音主要为第二心音，所以结果反映了与主动脉瓣膜相关的心音信号特征，因此我们选择主动脉瓣膜闭合时主动脉壁振动频率(A2)来检测，根据计算得出的功率谱密度确定主动脉瓣膜闭合时主动脉壁振动频率(A2)。
根据预设的标准峰值，判断所述主动脉瓣膜闭合时主动脉壁的振动频率的峰值是否合格。
若判定所述主动脉瓣膜闭合时主动脉壁的振动频率的峰值合格，则将所述第二心音信号分类为正常信号。
若判定所述主动脉瓣膜闭合时主动脉壁的振动频率的峰值不合格，则将所述第二心音信号分类为异常信号。
优选的，标准峰值为10Hz，若判定所述主动脉瓣膜闭合时主动脉壁的振动频率的峰值高于10Hz，则将第二心音信号分类为正常信号。若判定所述主动脉瓣膜闭合时主动脉壁的振动频率的峰值低于10Hz，则将第二心音信号分类为异常信号。
此外，在一个具体事例中，所述计算分段处理后的频段的归一化香农能量包括：
根据表达式
确定分段处理后的频段的香农能量Es，其中，xnorm为采样值与分断频段中采样信号的最大绝对值之比；i为分段个数；N为预设时间内的采样数。
根据表达式
确定归一化香农能量Pa(t)，其中，以分段作为时间变量，则由Es可得到Es(t)序列，Es为每一段信号的香农能量，M(Es(t))为Es(t)的平均值，S(Es(t))为Es(t)的标准差。
如图3所示，为本发明实施例提供的一种心音信号分类装置的结构示意图，包括：
第二心音信号提取模块301，用于获取心音信号，对所述心音信号进行分解和重构，提取所述心音信号的第二心音信号。
功率谱密度确定模块302，用于提取所述第二心音信号的特征频率，根据所述特征频率确定所述第二心音信号的功率谱密度。
第二心音信号分类模块303，用于根据所述功率谱密度对所述第二心音信号进行分类，获得正常的心音信号和异常的心音信号。
采用上述方案后，本发明实施例通过对心音信号进行分解和重构，提取出第二心音信号，再提取第二心音信号的特征，并确定提取出的特征的功率谱密度，最后根据功率谱密度对心音信号进行准确的分类，区分出正常心音信号和异常心音信号，能辅助医生进行决策诊断，为医生提供了简单、明确、真实的信息，发挥了重症监护应有的作用，提高了诊断质量和应急水平，为心脏病人争取了有效的救治时间，提高了心脏病人的救治率。
此外，在一个具体事例中，所述装置还包括：
心音信号去燥模块，用于对所述心音信号进行去燥处理。
此外，在一个具体事例中，所述第二心音信号提取模块包括：
心音信号分解模块，用于根据小波变换对所述心音信号进行分解。
心音信号重构模块，用于选取预设频段的分解后的心音信号进行重构。
频段分段模块，用于将重构后的频段按相同时间长度进行分段处理。
归一化香农能量计算模块，用于计算分段处理后的频段的归一化香农能量。
第二心音信号确定模块，用于根据计算的归一化香农能量确定所述心音信号的第二心音信号。
此外，在一个具体事例中，所述功率谱密度确定模块包括：
特征频率确定模块，用于根据所述第二心音信号提取主动脉瓣闭合时主动脉壁振动频率为特征频率。
自相关函数确定模块，用于根据预存的自回归模型确定所述特征频率的自相关函数。
功率谱密度确定子模块，用于对所述自相关函数进行傅里叶变换确定所述第二心音信号的功率谱密度。
此外，在一个具体事例中，所述第二心音信号分类模块包括：
振动频率确定模块，用于根据所述功率谱密度获取主动脉瓣膜闭合时主动脉壁的振动频率。
振动频率判断模块，用于根据预设的标准峰值判断所述主动脉瓣膜闭合时主动脉壁的振动频率的峰值是否合格。
正常信号分类模块，用于若判定所述主动脉瓣膜闭合时主动脉壁的振动频率的峰值合格，则将所述第二心音信号分类为正常信号。
异常信号分类模块，用于若判定所述主动脉瓣膜闭合时主动脉壁的振动频率的峰值不合格，则将所述第二心音信号分类为异常信号。
此外，在一个具体事例中，所述归一化香农能量计算模块包括：
香农能量确定模块，用于根据表达式
确定分段处理后的频段的香农能量，其中，xnorm为采样值与分断频段中采样信号的最大绝对值之比；i为分段个数；N为预设时间内的采样数。
归一化香农能量确定模块，用于根据表达式
确定归一化香农能量，其中，以分段作为时间变量，则由Es可得到Es(t)序列，Es为每一段信号的香农能量，M(Es(t))为Es(t)的平均值，S(Es(t))为Es(t)的标准差。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图4是本发明实施例提供的一种心音信号分类终端设备的示意图，该终端设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42，例如心音信号分类程序。所述处理器40执行所述计算机程序42时实现上述各个心音信号分类方法实施例中的步骤，例如图1所示的步骤101至103。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图3所示模块301至304的功能。
示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述心音信号分类终端设备4中的执行过程。例如，所述计算机程序42可以被分割成同步模块、汇总模块、获取模块、返回模块(虚拟装置中的模块)，各模块具体功能如下：
获取心音信号，对所述心音信号进行分解和重构，提取所述心音信号的第二心音信号。
提取所述第二心音信号的特征频率，根据所述特征频率确定所述第二心音信号的功率谱密度。
根据所述功率谱密度对所述第二心音信号进行分类，获得正常的心音信号和异常的心音信号。
对所述心音信号进行去燥处理。
根据小波变换对所述心音信号进行分解。
选取预设频段的分解后的心音信号进行重构。
将重构后的频段按相同时间长度进行分段处理。
计算分段处理后的频段的归一化香农能量。
根据计算的归一化香农能量确定所述心音信号的第二心音信号。
根据所述第二心音信号提取主动脉瓣闭合时主动脉壁振动频率为特征频率。
根据预存的自回归模型确定所述特征频率的自相关函数。
对所述自相关函数进行傅里叶变换确定所述第二心音信号的功率谱密度。
根据所述功率谱密度获取主动脉瓣膜闭合时主动脉壁的振动频率。
根据预设的标准峰值判断所述主动脉瓣膜闭合时主动脉壁的振动频率的峰值是否合格。
若判定所述主动脉瓣膜闭合时主动脉壁的振动频率的峰值合格，则将所述第二心音信号分类为正常信号。
若判定所述主动脉瓣膜闭合时主动脉壁的振动频率的峰值不合格，则将所述第二心音信号分类为异常信号。
根据表达式
确定分段处理后的频段的香农能量，其中，xnorm为采样值与分断频段中采样信号的最大绝对值之比；i为分段个数；N为预设时间内的采样数。
根据表达式
确定归一化香农能量，其中，以分段作为时间变量，则由Es可得到Es(t)序列，Es为每一段信号的香农能量，M(Es(t))为Es(t)的平均值，S(Es(t))为Es(t)的标准差。
所述心音信号分类终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述心音信号分类终端设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是心音信号分类终端设备4的示例，并不构成对心音信号分类终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述心音信号分类终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述心音信号分类终端设备4的内部存储单元，例如心音信号分类终端设备4的硬盘或内存。所述存储器41也可以是所述心音信号分类终端设备4的外部存储设备，例如所述心音信号分类终端设备4上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述心音信号分类终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述心音信号分类终端设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (6)
1.一种心音信号分类方法，其特征在于，包括：
获取心音信号，对所述心音信号进行分解和重构，提取所述心音信号的第二心音信号；
提取所述第二心音信号的特征频率，根据所述特征频率确定所述第二心音信号的功率谱密度；
根据所述功率谱密度对所述第二心音信号进行分类，获得正常的心音信号和异常的心音信号；
所述根据所述功率谱密度对所述第二心音信号进行分类，获得正常的心音信号和异常的心音信号包括：
根据所述功率谱密度获取主动脉瓣膜闭合时主动脉壁的振动频率；
根据预设的标准峰值判断所述主动脉瓣膜闭合时主动脉壁的振动频率的峰值是否合格；其中，根据所述功率谱密度读取频率谱峰的峰值；
若判定所述主动脉瓣膜闭合时主动脉壁的振动频率的峰值合格，则将所述第二心音信号分类为正常信号；
若判定所述主动脉瓣膜闭合时主动脉壁的振动频率的峰值不合格，则将所述第二心音信号分类为异常信号；
所述方法还包括：
对所述心音信号进行去噪 处理；
其中，小波滤波分为硬阈值和软阈值两种处理方式，软阈值处理把信号的绝对值与阈值进行比较，当数据的绝对值小于或等于阈值时，令其为零，大于阈值的数据点则向零收缩，变为该点值与阈值之差；硬阈值处理是把信号的绝对值与阈值进行比较，小于或等于阈值的点变为零，大于阈值的数据点不变；
所述对所述心音信号进行分解和重构，提取所述心音信号的第二心音信号包括：
根据小波变换对所述心音信号进行分解；其中，选择coif5小波基函数对心音信号进行分解；
选取预设频段的分解后的心音信号进行重构；具体为：通过小波分解将心音信号分解后，将低频段、中频段以及高频段三个频段重构出来；
将重构后的频段按相同时间长度进行分段处理；
计算分段处理后的频段的归一化香农能量；
根据计算的归一化香农能量确定所述心音信号的第二心音信号。
2.如权利要求1所述的心音信号分类方法，其特征在于，所述提取所述第二心音信号的特征频率，根据所述特征频率确定所述第二心音信号的功率谱密度包括：
根据所述第二心音信号提取主动脉瓣闭合时主动脉壁振动频率为特征频率；
根据预存的自回归模型确定所述特征频率的自相关函数；
对所述自相关函数进行傅里叶变换确定所述第二心音信号的功率谱密度。
3.如权利要求1所述的心音信号分类方法，其特征在于，所述计算分段处理后的频段的归一化香农能量包括：
根据表达式
确定分段处理后的频段的香农能量Es，其中，xnorm为采样值与分断频段中采样信号的最大绝对值之比；i为分段个数；N为预设时间内的采样数；
根据表达式
确定归一化香农能量Pa(t)，其中，以分段作为时间变量，则由Es可得到Es(t)序列，Es为每一段信号的香农能量，M(Es(t))为Es(t)的平均值，S(Es(t))为Es(t)的标准差。
4.一种心音信号分类装置，其特征在于，包括：
第二心音信号提取模块，用于获取心音信号，对所述心音信号进行分解和重构，提取所述心音信号的第二心音信号；
功率谱密度确定模块，用于提取所述第二心音信号的特征频率，根据所述特征频率确定所述第二心音信号的功率谱密度；
第二心音信号分类模块，用于根据所述功率谱密度对所述第二心音信号进行分类，获得正常的心音信号和异常的心音信号；
所述第二心音信号分类模块包括：
振动频率确定模块，用于根据所述功率谱密度获取主动脉瓣膜闭合时主动脉壁的振动频率；
振动频率判断模块，用于根据预设的标准峰值判断所述主动脉瓣膜闭合时主动脉壁的振动频率的峰值是否合格；其中，根据所述功率谱密度读取频率谱峰的峰值；
正常信号分类模块，用于若判定所述主动脉瓣膜闭合时主动脉壁的振动频率的峰值合格，则将所述第二心音信号分类为正常信号；
异常信号分类模块，用于若判定所述主动脉瓣膜闭合时主动脉壁的振动频率的峰值不合格，则将所述第二心音信号分类为异常信号；
心音信号去噪 模块，用于对所述心音信号进行去噪 处理；
其中，小波滤波分为硬阈值和软阈值两种处理方式，软阈值处理把信号的绝对值与阈值进行比较，当数据的绝对值小于或等于阈值时，令其为零，大于阈值的数据点则向零收缩，变为该点值与阈值之差；硬阈值处理是把信号的绝对值与阈值进行比较，小于或等于阈值的点变为零，大于阈值的数据点不变；
所述第二心音信号提取模块包括：
心音信号分解模块，用于根据小波变换对所述心音信号进行分解；其中，选择coif5小波基函数对心音信号进行分解；
心音信号重构模块，用于选取预设频段的分解后的心音信号进行重构；具体为：通过小波分解将心音信号分解后，将低频段、中频段以及高频段三个频段重构出来；
频段分段模块，用于将重构后的频段按相同时间长度进行分段处理；
归一化香农能量计算模块，用于计算分段处理后的频段的归一化香农能量；
第二心音信号确定模块，用于根据计算的归一化香农能量确定所述心音信号的第二心音信号。
5.一种心音信号分类终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述方法的步骤。
6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810528598.XA CN108742697B (zh) | 2018-05-29 | 2018-05-29 | 心音信号分类方法及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810528598.XA CN108742697B (zh) | 2018-05-29 | 2018-05-29 | 心音信号分类方法及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108742697A CN108742697A (zh) | 2018-11-06 |
| CN108742697B true CN108742697B (zh) | 2022-06-03 |
Family
ID=64003422
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810528598.XA Active CN108742697B (zh) | 2018-05-29 | 2018-05-29 | 心音信号分类方法及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108742697B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109394197B (zh) * | 2018-11-27 | 2022-03-11 | 中山大学 | 一种基于时频分析的心率变异性测量方法、装置及设备 |
| CN110363090A (zh) * | 2019-06-14 | 2019-10-22 | 平安科技（深圳）有限公司 | 智能心脏疾病检测方法、装置及计算机可读存储介质 |
| CN111528900A (zh) * | 2020-05-21 | 2020-08-14 | 广东工业大学 | 基于巴特沃斯滤波器与香农熵法的心音分段方法和装置 |
| CN113187559B (zh) * | 2021-05-31 | 2024-06-18 | 煤炭科学研究总院有限公司 | 矿井安全预警方法及装置 |
| CN113520356B (zh) * | 2021-07-07 | 2024-04-30 | 浙江大学 | 基于柯氏音的心脏疾病早期诊断系统 |
| CN113855065B (zh) * | 2021-09-28 | 2023-09-22 | 平安科技（深圳）有限公司 | 基于浅层学习和深度学习融合的心音识别方法及相关装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1849998A (zh) * | 2006-05-26 | 2006-10-25 | 中国人民解放军空军航空医学研究所 | 一种连续测量血压的方法和装置 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101247376A (zh) * | 2007-02-15 | 2008-08-20 | 北京三星通信技术研究有限公司 | 结合小波变换域去噪的ofdm信道估计方法 |
| CN101586957A (zh) * | 2009-06-22 | 2009-11-25 | 浙江大学 | 一种基于光纤陀螺的快速寻北去噪处理方法 |
| CN105078505B (zh) * | 2014-04-24 | 2018-01-23 | 重庆融海超声医学工程研究中心有限公司 | 生理信号处理方法及处理装置 |
| CN104382614A (zh) * | 2014-12-09 | 2015-03-04 | 重庆邮电大学 | 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 |
| CN105212960B (zh) * | 2015-08-19 | 2018-03-30 | 四川长虹电器股份有限公司 | 心音信号质量评估方法 |
| CN105105734B (zh) * | 2015-09-11 | 2018-02-27 | 深圳先进技术研究院 | 一种基于心音信号的无创连续血压测量装置 |
| CN105787946B (zh) * | 2016-03-17 | 2019-05-14 | 广东工业大学 | 一种非负盲分离胎心音分析方法及装置 |
| CN107391994A (zh) * | 2017-07-31 | 2017-11-24 | 东南大学 | 一种基于心音认证的Windows登入认证系统方法 |
| CN107945817B (zh) * | 2017-11-15 | 2021-10-22 | 广东顺德西安交通大学研究院 | 心肺音信号分类方法、检测方法、装置、介质和计算机设备 |
-
2018
- 2018-05-29 CN CN201810528598.XA patent/CN108742697B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1849998A (zh) * | 2006-05-26 | 2006-10-25 | 中国人民解放军空军航空医学研究所 | 一种连续测量血压的方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 心音信号的分析方法研究;屠志海;《中国优秀硕士学位论文全文数据库（信息科技辑）》;20111015(第10期);I136-33 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108742697A (zh) | 2018-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108742697B (zh) | 心音信号分类方法及终端设备 | |
| Sangaiah et al. | An intelligent learning approach for improving ECG signal classification and arrhythmia analysis | |
| Krishnan et al. | Trends in biomedical signal feature extraction | |
| Marinho et al. | A novel electrocardiogram feature extraction approach for cardiac arrhythmia classification | |
| Luo et al. | Patient‐Specific Deep Architectural Model for ECG Classification | |
| Akram et al. | Analysis of PCG signals using quality assessment and homomorphic filters for localization and classification of heart sounds | |
| Nabil et al. | Ectopic beats detection and correction methods: A review | |
| Naseri et al. | Detection and boundary identification of phonocardiogram sounds using an expert frequency-energy based metric | |
| Kui et al. | Heart sound classification based on log Mel-frequency spectral coefficients features and convolutional neural networks | |
| CN110338786B (zh) | 一种癫痫样放电的识别与分类方法、系统、装置和介质 | |
| Kao et al. | Automatic phonocardiograph signal analysis for detecting heart valve disorders | |
| CN111310570B (zh) | 一种基于vmd和wpd的脑电信号情感识别方法及系统 | |
| CN109948396B (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
| Singh et al. | ECG signal feature extraction trends in methods and applications | |
| Naseri et al. | Computerized quality assessment of phonocardiogram signal measurement-acquisition parameters | |
| Ismail et al. | PCG classification through spectrogram using transfer learning | |
| Zeng et al. | Detection of heart valve disorders from PCG signals using TQWT, FA-MVEMD, Shannon energy envelope and deterministic learning | |
| Jiménez-González et al. | Blind extraction of fetal and maternal components from the abdominal electrocardiogram: An ICA implementation for low-dimensional recordings | |
| Zhao et al. | An explainable attention-based TCN heartbeats classification model for arrhythmia detection | |
| Maity et al. | Transfer learning based heart valve disease classification from Phonocardiogram signal | |
| Al-Salman et al. | Detection of k-complexes in EEG signals using a multi-domain feature extraction coupled with a least square support vector machine classifier | |
| Mishra et al. | Grading heart sounds through variational mode decomposition and higher order spectral features | |
| Zeng et al. | ECG arrhythmia classification based on variational mode decomposition, Shannon energy envelope and deterministic learning | |
| Thomas et al. | Heart sound segmentation using fractal decomposition | |
| Singhal et al. | Gsmd-srst: Group sparse mode decomposition and superlet transform based technique for multi-level classification of cardiac arrhythmia |
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 | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 518000 Factory buildings and dormitories in Longkou Industrial Park, Gongye San Road, Pingdi Gaoqiao Industrial Park, Longgang District, Shenzhen City, Guangdong Province Patentee after: SPACENTER SPACE SCIENCE AND TECHNOLOGY INSTITUTE Address before: 518000 Factory buildings and dormitories in Longkou Industrial Park, Gongye San Road, Pingdi Gaoqiao Industrial Park, Longgang District, Shenzhen City, Guangdong Province Patentee before: SPACE INSTITUTE OF SOUTHERN CHINA (SHENZHEN) |
|
| CP01 | Change in the name or title of a patent holder | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231019 Address after: 518172, 6th Floor, Building 2, Longkou Industrial Park, Gongye San Road, Gaoqiao Industrial Park, Pingdi Street, Longgang District, Shenzhen City, Guangdong Province Patentee after: Shenzhen Green Star Space Technology Co.,Ltd. Address before: 518000 Factory buildings and dormitories in Longkou Industrial Park, Gongye San Road, Pingdi Gaoqiao Industrial Park, Longgang District, Shenzhen City, Guangdong Province Patentee before: SPACENTER SPACE SCIENCE AND TECHNOLOGY INSTITUTE |
|
| TR01 | Transfer of patent right |