CN109199432A - 一种多路同步采集心音信号的并行压缩感知方法 - Google Patents

Abstract

本发明公开一种多路同步采集心音信号的并行压缩感知方法，方法首先根据同步采集的多路心音信号时频域性质，选定一路主信号并分析其它各路信号与主信号的相关性，然后利用测试矩阵对主信号进行压缩，再将从观测矩阵中恢复主信号原始信号的问题，转化为最小范数的求解问题，实现主信号的重建，最后根据主信号与其它各路信号的相关性重建其它各路信号，从而实现多路心音信号的并行压缩感知。本发明通过对主信号进行处理，进而实现对多路心音信号的并行压缩感知，大大提高了多路心音信号的重建和特征提取速率以及准确度，可实现心音信号的长期监测存储，提高基于心音信号的各类预测可靠性。本发明可保障穿戴设备在节能状态下超长时间运行，进而可推广并行压缩感知处理技术应用于其它多路同步采集的生物信号。

Description

一种多路同步采集心音信号的并行压缩感知方法

技术领域

本发明涉及心血管疾病的监测和心衰猝死预防等有关疾病的初筛监测技术领域，特别是一种多路同步采集心音信号的并行压缩感知方法。

背景技术

随着现在生活水平的提高，智能技术的发展，心血管疾病不再是老年人的代名词，据国家心血管病中心发布的《中国心血管病报告2017》数据显示，中国心血管病现患人数已高达2.9亿，即每10个成年人中就有2人患心血管病，每年约350万人死于心血管病。因此，对心血管疾病的监测是就显得十分重要。近年来，为了使得对心脏病监测方便、快捷，互联网、物联网和穿戴式传感器技术的发展为监测心脏病提供了一种新的途径——通过对人体生理信号的监测实现心衰发展趋势分析、猝死预测达到辅助诊断的目的。

目前，心电、脑电、心音等多种生理信号都已经成功应用于心血管疾病的监测。单路心电信号产生数据量小，识别心脏病种类少，对心血管疾病的监测有所局限。不同听诊区的单路心音信号只能针对单一病理杂音的异常心音分类识别检测，心脏病病理识别有限，无法进行较全面的心脏病监测。

与心电信号相比，心音信号所含数据量大、能够对心脏病实现分类识别、采集成本低等特点。特别是对主动脉瓣听诊区(Aortic,A)、肺动脉瓣听诊区(Pulmonic,P)、二尖瓣听诊区(Mitral,M)、三尖瓣听诊区(Tricuspid,T)这四个部分产生的心音信号进行长期同步采集时，产生的数据量更大。因此，如何存储心音信号数据、使诊断设备长时间待机并保证稳定运行等问题有待解决。

发明内容

本发明要解决的技术问题为，对多路心音信号进行同步采集，并行压缩感知，以便于多路心音信号的重建和特征提取，从而分类识别异常心音，实现心音信号的长期监测存储，提高预测可靠性。

本发明采取的技术方案为：一种多路同步采集心音信号的并行压缩感知方法，包括：

S1，同步采集多路心音信号；

S2，对采集的多路心音信号进行欠采样处理；

S3，根据心音信号的时频域特性，选择至少一路心音信号作为主信号，进而计算其它路心音信号与主信号之间的相似关系数据；

S4，对主信号进行稀疏变换；

S5，选择测试矩阵对主信号进行线性投影，得到主信号的观测矩阵以及感知矩阵；

S6，进行主信号重建：将从观测矩阵中恢复主信号原始信号的问题，转化为最小范数的求解问题，求解得到主信号的原始信号稀疏解，即重建的主信号原始数据；

S7，根据S3得到的相似关系数据，以及S6重建的主信号原始数据，计算得到其它各路心音信号的原始数据。

进一步的，S2还包括对欠采样处理后的各路心音信号进行傅里叶变换，S3选择主信号后，计算主信号的傅里叶变换形式与其它信号的傅里叶变换形式之间的相似系数。

优选的，S3中，在选择主信号时，根据心音信号中第一心音与第二心音的幅值大小关系，选择幅值大小关系一致的多路心音信号中的一路作为主信号。由此，最终选择的主信号可能为一路或多路，更加便于相关性的分析，提高信号重建的效率。

优选的，S3中，所述相似关系数据包括平移变换系数或者相似系数。由于多路心音信号在时域上具有周期相同、幅值不同，频域上傅里叶变换曲线相似、频率范围相同的特点，因此可利用现有技术对各路信号与主信号的相关性进行分析并量化。

优选的，S4中，采用傅里叶变换或者小波变换对主信号进行稀疏变换：

A_z＝Ψρ

其中，A_z为主信号，ρ是主信号A_z在Ψ基下的稀疏变换后的矩阵。

优选的，S5中，利用哈达玛矩阵测试矩阵Φ(M×N，M＜＜N)对主信号A_z进行线性投影，以实现对主信号的压缩，得到：

y＝ΦA_z

其中y是主信号的观测矩阵，由于心音信号具有稀疏性，则公式进一步变换为：

y＝ΦA_z＝ΦΨρ＝Θρ，其中Θ(M×N)是主信号的感知矩阵。

优选的，S6进行主信号重建时，将从观测矩阵中恢复原始信号的问题，转化为L₀范数的最优化问题，优化方程为欠定方程：

min||ρ||₀s.t.y＝ΦΨρ

利用L₁范数min||ρ||₁s.t.y＝ΦΨρ限制将上述欠定方程的求解转化为一个凸优化问题，进而得到原始信号A_z的稀疏解。

优选的，S6进行主信号重建时，将Tikhonov正则化与L₁-范数最小二乘法相结合，则求解心音信号的模型为：

其中λ称为正则化参数，且λ>0；

Tikhonov正则化问题由下式计算以将L1范数转为正交化结果：

上式中，是A_z正交化后的结果，T代表转置，I是矩阵中的特殊矩阵(全为1)。

有益效果。

与现有技术相比，本发明具有以下优点和进步：

(1)对多路心音信号进行同步采集，并行压缩感知，便于重建多路心音信号从而对其特征提取分类识别异常心音，为长期监测存储心音信号、分析预测心衰猝死提供了可能，进而可推广并行压缩感知处理技术应用于其它多路同步采集的生物信号；

(2)为了达到最优重建原则，本发明提出了一种基于心音信号的压缩感知重建算法，其针对心音信号对L₁范数正交化最小二乘内点法进行改进，以适应于心音信号的处理，该算法重建速度快，重建效果好，使用效果达到预期要求；

(3)目前心音信号在病理分析领域也在快速发展，本发明功能齐全，充分挖掘心音信号数据价值，特征提取方式丰富，可扩展性强，将来结合心音信号在病理分析方面的相关结论，可提供全面的生理、心理健康监测服务。

附图说明

图1所示为本发明方法流程示意图；

图2所示为本发明的一种具体实施例流程示意图。

具体实施方式

以下结合附图和具体实施例进一步描述。

本发明多路同步采集心音信号的并行压缩感知方法，包括：

S1，同步采集多路心音信号；

S2，对采集的多路心音信号进行欠采样处理；

S3，根据心音信号的时频域特性，选择至少一路心音信号作为主信号，进而计算其它路心音信号与主信号之间的相似关系数据；

S4，对主信号进行稀疏变换；

S5，选择测试矩阵对主信号进行线性投影，得到主信号的观测矩阵以及感知矩阵；

S6，进行主信号重建：将从观测矩阵中恢复主信号原始信号的问题，转化为最小范数的求解问题，求解得到主信号的原始信号稀疏解，即重建的主信号原始数据；

S7，根据S3得到的相似关系数据，以及S6重建的主信号原始数据，计算得到其它各路心音信号的原始数据。

具体方法流程参考图1和以下实施例。

实施例1

参考图1所示，本发明多路同步采集心音信号的并行压缩感知方法，包括以下内容：

(1)多路心音信号欠采样的处理

设多路同步采集的心音信号为：x＝[x₁,x₂,…,x_l](l∈R)，且x_i＝s_1i+s_2i，其中S_1i,S_2i,是心音信号的主要成分：第一心音信号和第二心音信号。

在压缩感知理论中，数据采样应该尽量满足随机的特性，传统的采样方式—重新采样可能使重要信息丢失。而心音信号具有明显的稀疏特性，必须尽可能多的采集心音信号中心的数据，对边缘数据随机欠采样。因此本发明根据心音信号的特点，提出心音信号欠采样模式，其数学表达式为：A_i＝Ux_i，其中，x_i代表各路心音信号，U表示心音信号欠采样模式，A_i表示欠采样后的心音信号。

(2)选择主信号A_z并分析主信号与其它信号的相关性

对多路采集的心音信号进行傅里叶变换。利用多路心音信号时域上具有周期相同、幅值不同，频域上傅里叶变换曲线相似、频率范围相同的特点，找到一个主信号，分析主信号A_z与其它信号的相关性，如平移变换、相似系数等，可根据实际信号特性选择适当的变换分析方法。通过相关性求得主信号和其它信号的压缩感知重构信号。

(3)主信号A_z稀疏变换

对主信号A_z进行稀疏变换。通常利用傅里叶变换、小波变换等稀疏变换基对信号进行稀疏变换。根据心音信号的特点，此处利用傅里叶变换对心音信号进行稀疏处理得到：A_z＝Ψρ，其中矩阵ρ是信号A_z在Ψ基下的稀疏后的矩阵。

(4)测试矩形压缩信号

采用与稀疏变换基Ψ互不相干的测试矩阵Φ(M×N，M＜＜N)对信号A_z进行线性投影得到y＝ΦA_z，其中y是观测矩阵，由于心音信号具有稀疏性，改进得y＝ΦA_z＝ΦΨρ＝Θρ，其中Θ(M×N)是感知矩阵。

(5)主信号重建

从观测值y准确地恢复原始信号A_z最直接的方法是转化为L₀范数的最优化问题：min||ρ||₀s.t.y＝ΦΨρ，通过求解优化方程可以重构原始数据A_z，但由于优化方程是一个欠定方程(条件远远小于未知数)，需要求出A_z中所有非零值的所有线性组合有种可能，因此，可以利用L₁范数min||ρ||₁s.t.y＝ΦΨρ限制将求解欠定方程转化为一个凸优化问题，进而得到原始数据A_z的稀疏解，即主信号的原始信号。

利用上述方法求解最小范数问题，能够有效的解决压缩感知理论中信号重构问题，但是容易造成信号的过度平滑，使得重构信号的精确度下降。

为防止出现过度平滑，可采用的有效方法为Tikhonov正则化，将Tikhonov正则化与L₁-范数最小二乘法相结合，则求解心音信号的模型可以写成：

其中λ称为正则化参数，且λ>0。

Tikhonov正则化问题由下式计算，以将L1范数转为正交化结果：

上式中，是A_z正交化后的结果，T代表转置，I是矩阵中的特殊矩阵(全为1)。

(6)根据与重建主信号相关性得到其它重建信号

根据已经分析得到的信号相关性，相关计算函数已定，同样利用相应的相关计算函数，即可求得其它信号的重建信号。

实施例2

本实施例为实现四路同步采集心音信号的并行压缩感知。

由于心音信号具有明显的稀疏特性，需要尽可能多的采集心音信号中心的数据，然后对边缘数据随机欠采样。本实施例将四路同步采集的心音信号经过欠采样处理后，再进行傅里叶变换得到心音信号的傅里叶表达形式。

因为对于主动脉瓣(Aortic,A)和肺动脉瓣(Pulmonic,P)听诊区的心音信号，第二心音S2较强，第一心音S1较弱；而对于二尖瓣(Mitral,M)和三尖瓣(Tricuspid,T)听诊区的心音信号，第一心音S1较强第二心音S2较弱。所以以A-听诊区和T-听诊区的心音信号傅里叶变换形式为主信号，分别求解P-听诊区心音信号傅里叶变换形式与A-听诊区心音信号傅里叶变换形式的相似关系，以及M-听诊区心音信号傅里叶变换形式与T-听诊区心音信号傅里叶变换形式的相似关系。

对A-听诊区心音信号傅里叶变换形式x'_A和T-听诊区心音信号傅里叶变换形式x'T进行稀疏变换。通常利用傅里叶变换、小波变换等稀疏变换基对信号进行稀疏变换。根据心音信号的特点，此处利用傅里叶变换对x'_A、x'T信号进行稀疏处理得到x'_A＝Ψρ_A、x'T＝Ψρ_T其中矩阵ρ_A、ρ_T是信号x'_A、x'T在Ψ基下的稀疏后的矩阵。

采用与Ψ互不相干的测试矩阵Φ(M×N，M＜＜N)对信号x'_A、x'T进行线性投影得到y_A＝Φx'_A、y_T＝Φx'_T,其中y_A、y_T是观测矩阵，由于心音信号具有稀疏性，改进得y_A＝Φx'_A＝ΦΨρ_A＝Θρ_A、y_T＝Φx'_T＝ΦΨρ_T＝Θρ_T其中是Θ(M×N)感知矩阵。

从观测值y_A、y_T准确地恢复原始信号x'_A、x'_T最直接的方法是转化为L₀范数的最优化问题：min||ρ_A||₀s.t.y_A＝ΦΨρ_A、min||ρ_T||₀s.t.y_T＝ΦΨρ_T,通过求解优化方程可以重构原始数据x'_A、x'_T，但由于优化方程是一个欠定方程(条件远远小于未知数)，需要求出x'_A、x'_T中所有非零值的所有线性组合有种可能，因此，可以利用L₁范数min||ρ_A||₁s.t.y_A＝ΦΨρ_A、min||ρ_T||₁s.t.y_T＝ΦΨρ_T限制将求解欠定方程转化为一个凸优化问题，进而得到原始数据x'_A、x'_T的稀疏解，即两个主信号的原始信号。

利用上述方法求解最小范数问题，能够有效的解决压缩感知理论中信号重构问题，但是容易造成信号的过度平滑，使得重构信号的精确度下降。

此处采用防止出现过度平滑的有效方法是Tikhonov正则化，将Tikhonov正则化与L₁-范数最小二乘法相结合，则求解心音信号的模型可以写成 其中λ_A、λ_T称为正则化参数，且λ_A>0、λ_T>0。Tikhonov正则化问题由下式计算：

本实施例基于Seung-Jean Kim提出的一种L₁-正交化最小二乘法的求解大规模恢复问题的内点法，进行心音信号的重建。利用前述Tikhonov正则化问题计算式，求解：

其中x'_A、x'_T是主信号，Φ为测试矩阵，λ_A>0、λ_T>0。

当矩阵变换基Ψ可逆时，上式可转换为L₁-正交化最小二乘法问题：

其中B＝ΦΨ^-1,y_T∈R^M,y_A∈R^M，将公式进一步改为以下形式：

其中u∈R^N，u_i为正交化过程中的参数，n是信号长度，此式是一个凸二次规划问题，可用内点法对其进行处理。

最后根据已经分析得到的两路主信号与P听诊区和M听诊区心音信号的相关关系函数，可以求得P听诊区和M听诊区心音信号的傅里叶形式，再通过逆傅里叶变换，即可得到所有心音信号的原始信号，即实现本发明多路采集心音信号的并行压缩感知。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (8)

1.一种多路同步采集心音信号的并行压缩感知方法，其特征是，包括：

S1，同步采集多路心音信号；

S2，对采集的多路心音信号进行欠采样处理；

S3，根据心音信号的时频域特性，选择至少一路心音信号作为主信号，进而计算其它路心音信号与主信号之间的相似关系数据；

S4，对主信号进行稀疏变换；

S5，选择测试矩阵对主信号进行线性投影，得到主信号的观测矩阵以及感知矩阵；

S6，进行主信号重建：将从观测矩阵中恢复主信号原始信号的问题，转化为最小范数的求解问题，求解得到主信号的原始信号稀疏解，即重建的主信号原始数据；

S7，根据S3得到的相似关系数据，以及S6重建的主信号原始数据，计算得到其它各路心音信号的原始数据。

2.根据权利要求1所述的方法，其特征是，S2还包括对欠采样处理后的各路心音信号进行傅里叶变换，S3选择主信号后，计算主信号的傅里叶变换形式与其它信号的傅里叶变换形式之间的相似系数。

3.根据权利要求1所述的方法，其特征是，S3中，在选择主信号时，根据心音信号中第一心音与第二心音的幅值大小关系，选择幅值大小关系一致的多路心音信号中的一路作为主信号。

4.根据权利要求1或3所述的方法，其特征是，S3中，所述相似关系数据包括平移变换系数或者相似系数。

5.根据权利要求1所述的方法，其特征是，S4中，采用傅里叶变换或者小波变换对主信号进行稀疏变换：

A_z＝Ψρ

其中，A_z为主信号，ρ是主信号A_z在Ψ基下的稀疏变换后的矩阵。

6.根据权利要求5所述的方法，其特征是，S5中，利用哈达玛矩阵测试矩阵Φ(M×N，M＜＜N)对主信号A_z进行线性投影，以实现对主信号的压缩，得到：

y＝ΦA_z

其中y是主信号的观测矩阵，由于心音信号具有稀疏性，则公式进一步变换为：

y＝ΦA_z＝ΦΨρ＝Θρ，其中Θ(M×N)是主信号的感知矩阵。

7.根据权利要求6所述的方法，其特征是，S6进行主信号重建时，将从观测矩阵中恢复原始信号的问题，转化为L₀范数的最优化问题，优化方程为欠定方程：

min||ρ||₀s.t.y＝ΦΨρ

利用L₁范数min||ρ||₁s.t.y＝ΦΨρ限制将上述欠定方程的求解转化为一个凸优化问题，进而得到原始信号A_z的稀疏解。

8.根据权利要求6所述的方法，其特征是，S6进行主信号重建时，将Tikhonov正则化与L₁-范数最小二乘法相结合，则求解心音信号的模型为：

其中λ称为正则化参数，且λ>0；

Tikhonov正则化问题由下式计算以将L1范数转为正交化结果：

上式中，是A_z正交化后的结果，上标T代表转置，I是矩阵中的特殊矩阵。