CN112401924B - 一种心音分割方法及装置 - Google Patents

一种心音分割方法及装置 Download PDF

Info

Publication number
CN112401924B
CN112401924B CN202011304042.6A CN202011304042A CN112401924B CN 112401924 B CN112401924 B CN 112401924B CN 202011304042 A CN202011304042 A CN 202011304042A CN 112401924 B CN112401924 B CN 112401924B
Authority
CN
China
Prior art keywords
heart sound
segmentation
peak
result
segmentation result
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
CN202011304042.6A
Other languages
English (en)
Other versions
CN112401924A (zh
Inventor
孙锟
王旭英
王景涛
周欣
李显红
张耀
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.)
Beijing Airdoc Technology Co Ltd
Original Assignee
Sound Smart Technology Shanghai Co ltd
XinHua Hospital Affiliated To Shanghai JiaoTong University School of Medicine
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 Sound Smart Technology Shanghai Co ltd, XinHua Hospital Affiliated To Shanghai JiaoTong University School of Medicine filed Critical Sound Smart Technology Shanghai Co ltd
Priority to CN202011304042.6A priority Critical patent/CN112401924B/zh
Publication of CN112401924A publication Critical patent/CN112401924A/zh
Application granted granted Critical
Publication of CN112401924B publication Critical patent/CN112401924B/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
    • A61B7/04—Electric stethoscopes

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

本发明提供了一种心音分割方法及装置，其方法包括：对原始心音信号进行预处理；根据LR‑HSMM分割算法对预处理后的心音信号进行心音分割，得到第一心音分割结果；基于时频能量谱的分割算法对预处理后的心音信号进行心音分割，得到第二心音分割结果；计算第二心音分割结果与第一心音分割结果的重合度，得到重合度结果；若第二心音分割结果存在满足条件的高置信区段，且重合度结果小于预设门限，则将第二心音分割结果作为心音分割决策。本发明通过动态地选择第一心音分割结果或第二心音分割结果作为心音分割决策，提高了在复杂的临床听诊环境中的心音分割准确率。

Description

一种心音分割方法及装置
技术领域
本发明涉及生物医学信号处理技术领域，尤指一种心音分割方法及装置。
背景技术
心脏听诊是筛查多种心脏疾病的最简单、最经济有效的方法之一，包括心律不齐，瓣膜疾病和心力衰竭等。心脏听诊有无创性、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。然而，心脏听诊的准确度受人耳先天的局限、听诊者的临床经验的影响很大，且不能给出定量分析结果。在嘈杂的听诊环境中，听诊者常不能分辨那些有重要诊断意义的低频、强度小的心音。近年来，由于计算机技术的发展，现代数字信号处理技术和模式识别技术在健康医疗领域得到广泛应用。基于电子听诊器心音信号的计算机辅助心音分析成为国内外研究热点，并且可以作为人工听诊的有效补充。
计算机辅助心音分析的一个关键部分是心音信号的分割，具体为区分出每个心动周期的第一心音(S1)、收缩期、第二心音(S2)和舒张期的确切位置。在每个心动周期中，第一心音(S1)是由于二尖瓣和三尖瓣关闭时产生的血压变化及其振动引起的；第二心音(S2)是由主动脉瓣和肺动脉瓣关闭和振动产生的。收缩期是S1和S2之间的区间，舒张期是从S2到下一个心动周期S1开始。心音信号分割的正确性直接影响后续心音信号的分析效果。
在众多心音分割算法中，基于逻辑回归-隐半马尔科夫模型(LR-HSMM,LogisticRegression hidden semi-Markov model)的分割算法是当前最好的心音分割方法之一。对于采集质量良好，心跳节律正常的心音，LR-HSMM算法可以取得令人满意的分割结果。但实际临床听诊时，电子听诊器采集的心音信号中存在内源性或周围环境的言语、动作和生理声音，如肠道和呼吸的声音等噪声干扰。对于含较多噪声、心律失常、心率过快的心音，LR-HSMM的心音分割的准确率会降低很多。该方法直接应用到临床听诊的心音分割中，存在较大的局限性，特别是对于含有病理性心脏杂音的心音信号，LR-HSMM会漏检或误检第一心音、第二心音，导致心动周期分割效果不佳。
因此，如何提高在复杂的临床听诊环境中的心音分割准确率，是本领域技术人员需要解决的技术问题。
发明内容
本发明的目的是提供一种心音分割方法及装置，用于解决在复杂的临床听诊环境中的心音分割准确率不高的问题。
本发明提供的技术方案如下：
一种心音分割方法，包括：对原始心音信号进行预处理；根据LR-HSMM分割算法对预处理后的心音信号进行心音分割，得到第一心音分割结果；基于时频能量谱的分割算法对所述预处理后的心音信号进行心音分割，得到第二心音分割结果；计算所述第二心音分割结果与所述第一心音分割结果的重合度，得到重合度结果；若所述第二心音分割结果存在符合预设条件的高置信区段，且所述重合度结果小于预设门限，则将所述第二心音分割结果作为心音分割决策。
进一步地，在得到第二心音分割结果之后，还包括：从所述第二心音分割结果中获取最长的高置信区段；所述的计算所述第二心音分割结果与所述第一心音分割结果的重合度，包括：计算所述最长的高置信区段与所述第一心音分割结果对应区段的重合度。
进一步地，在得到第二心音分割结果之后，还包括：若所述第二心音分割结果不存在符合预设条件的高置信区段，则将所述第一心音分割结果作为心音分割决策。
进一步地，在得到重合度结果之后，还包括：若所述第二心音分割结果存在符合预设条件的高置信区段，且所述重合度结果不小于预设门限，则将所述第一心音分割结果作为心音分割决策。
进一步地，所述的基于时频能量谱的分割算法对所述预处理后的心音信号进行心音分割，包括：根据所述预处理后的心音信号得到所述心音信号的时频能量谱；对所述时频能量谱进行特征提取，得到所述时频能量谱的特征曲线；对所述特征曲线进行峰值检测，得到若干峰，所述峰为第一心音或第二心音的中心点；根据各个峰之间的位置关系和心音信号的经验数据和心音信号的经验数据，对所述心音信号进行心音分割。
进一步地，所述的根据每个峰与其相邻峰之间的位置关系，推断所述峰的心音状态，包括：若根据所述峰与其相邻峰之间的位置关系能确定所述峰的心音状态，则确定所述峰的心音状态；根据确定心音状态的峰，获取第一心音和第二心音连续配对的数目超过预设个数的连续心音片段，作为高置信区段；根据高置信区段的峰的心音状态，前向或后向推断不确定心音状态的峰的心音状态。
进一步地，所述的根据所述预处理后的心音信号得到所述心音信号的时频能量谱，包括：基于时频分析方法对所述预处理后的心音信号进行处理，得到所述心音信号的时频能量谱。
进一步地，所述的对所述时频能量谱进行特征提取，得到所述时频能量谱的特征曲线，包括：根据所述时频能量谱中每一时刻不同频率的能量值，得到对应时刻的特征值；对所有时刻的特征值依次进行归一化、平滑处理，得到所述时频能量谱的特征曲线。
进一步地，所述的对原始心音信号进行预处理，包括：对原始心音信号依次进行降采样、滤波、去除噪声尖峰和归一化处理；
其中，所述去除噪声尖峰包括：对滤波后的心音信号以无重叠方式进行分段，得到一系列窗口；计算每个窗口的最大绝对振幅；获取所有窗口的最大绝对振幅的中值和最大值；若所述最大值超过了所述中值的预设倍数，则清除所述最大值对应的窗口中的最大噪声尖峰；重新计算已更新窗口的最大绝对振幅，获取所有窗口的最大绝对振幅的中值和最大值，重复以上过程，直至所述最大值未超过所述中值的预设倍数。
本发明还提供一种心音分割装置，包括：预处理模块，用于对原始心音信号进行预处理；第一心音分割模块，用于根据LR-HSMM分割算法对预处理后的心音信号进行心音分割，得到第一心音分割结果；第二心音分割模块，用于基于时频能量谱的分割算法对所述预处理后的心音信号进行心音分割，得到第二心音分割结果；心音分割决策模块，用于计算所述第二心音分割结果与所述第一心音分割结果的重合度，得到重合度结果；若所述第二心音分割结果存在符合预设条件的高置信区段，且所述重合度结果小于预设门限，则将所述第二心音分割结果作为心音分割决策。
通过本发明提供的一种心音分割方法及装置，至少能够带来以下有益效果：动态地选择第一心音分割结果或第二心音分割结果作为心音分割决策，提高了在复杂的临床听诊环境中的心音分割准确率。
附图说明
下面将以明确易懂的方式，结合附图说明优选实施方式，对一种心音分割方法及装置的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明一种心音分割方法的一个实施例的流程图；
图2是图1中基于时频能量谱的分割算法进行心音分割的流程图；
图3是本发明一种心音分割装置的一个实施例的结构示意图；
图4是图3中第二心音分割模块的结构示意图；
图5是本发明的心音分割方法应用于一个具体场景的流程示意图；
图6是一种心音分割结果示例。
附图标号说明：
100.预处理模块，200.第一心音分割模块，300.第二心音分割模块，400.心音分割决策模块，310.时频能量谱计算单元，320.特征提取单元，330.峰值检测单元，340.心音分割单元。
具体实施方式
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，下面将对照附图说明本发明的具体实施方式。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的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘制了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
本发明的一个实施例，如图1、图2所示，一种心音分割方法，包括：
步骤S100对原始心音信号进行预处理。
具体地，采集健康人以及心脏疾病患者的心音信号，作为原始心音信号。
心音信号采集的听诊区有五个，分别是：二尖瓣听诊区、肺动脉瓣听诊区、主动脉瓣听诊区、主动脉瓣第二听诊区、三尖瓣听诊区，采用电子听诊器对五个听诊区的心音信号进行采集。
对原始心音信号进行预处理。预处理包括降采样、滤波、去除噪声尖峰和归一化处理中的一个或多个。比如，对原始心音信号依次进行降采样、滤波、去除噪声尖峰和归一化处理。降采样可降低原始心音信号的频率，减少数据样点，减少运算时间。采用二阶巴特沃斯带通滤波器对降采样后的心音信号进行滤波，减少低频和高频噪声的影响。消除滤波后的心音信号中振幅过大的噪声尖峰。对去除噪声尖峰的心音信号进行归一化处理。
可通过中值滤波器对滤波后的心音信号进行去除噪声尖峰处理，还可以采用以下方式去除噪声尖峰，流程如下：
步骤S10将滤波后的心音信号以无重叠的方式进行分段，得到一系列包含样本点的窗口。
步骤S20计算每个窗口的最大绝对振幅(MAA,maximum absolute amplitude)。
窗口的MAA值为窗口内所有样本的幅值绝对值的最大值。
步骤S21获取所有窗口的最大绝对振幅的中值和最大值。
对所有窗口的MAA值进行排序，得到中值和最大值。
步骤S30若该最大值超过了该中值的预设倍数，则清除该最大值对应的窗口中的最大噪声尖峰。
选择MAA值等于最大值的窗口。
确定该窗口中最大噪声尖峰的位置区间，比如：将该窗口内MAA点的位置定义为最大噪声尖峰的顶部，该顶部之前的最近一个过零点为最大噪声尖峰的起始位置，该顶部之后的最近一个过零点为最大噪声尖峰的终止位置。
将最大噪声尖峰的位置区间的信号值用预设值代替，比如零或中值等代替，这样就清除了该窗口中的最大噪声尖峰。
步骤S40重新计算已更新窗口的最大绝对振幅，转到步骤S21继续执行。
步骤S50若该最大值不超过该中值的预设倍数，则处理流程结束。
采用无重叠的方式对心音信号进行划分，便于分析稳态的心音信号。设定一系列时间段的样本点窗口，求出最大绝对振幅，方便区分存在噪声的区段。通过比对最大绝对振幅是否超过了最大绝对振幅的中值的预设倍数，比如三倍，筛选出稳态的心音信号；在不符合要求的窗口中，定义噪声尖峰所在区段，并用预设值代替，再返回重新比对绝对振幅值是否合格，从而实现对心音信号的降噪，通过反复比对绝对振幅值，进一步地提高了心音信号的质量，降低了心音分割时的噪声干扰。
经过上述去除噪声尖峰处理，可进一步提高心音信号的质量。
步骤S200根据LR-HSMM分割算法对预处理后的心音信号进行心音分割，得到第一心音分割结果。
步骤S300基于时频能量谱的分割算法对预处理后的心音信号进行心音分割，得到第二心音分割结果。
步骤S300包括：
步骤S310根据预处理后的心音信号得到心音信号的时频能量谱。
基于时频分析方法对预处理后的心音信号进行处理，得到心音信号的时频能量谱。时频分析方法可为短时傅立叶变换、连续小波变换、魏格纳威利分布(Wigner-Ville分布)、希尔伯特黄变换(Hilbert-Huang Transform，HHT)、S变换以及广义S变换中的一种。由于心音信号是一种非平稳信号，优选希尔伯特黄变换，此为现有技术在此不再一一赘述。
可进一步对时频能量谱进行归一化，以提升参数的收敛速度。可将时频能量谱中低于其中值的元素值用预设值，比如零，代替，得到最终的时频能量谱。
时频能量谱是一三维图，X轴为时间、Y轴为频率，Z轴为能量或幅度。图5中示出了一种时频能量谱。
步骤S320对时频能量谱进行特征提取，得到时频能量谱的特征曲线。
具体地，根据时频能量谱中每一时刻不同频率的能量值，得到对应时刻的特征值。该特征值可以为同一时刻不同频率的能量值的标准差，需要指出的是，此处重点在于计算每一时刻，综合不同频率的能量值的统计量变化情况，不限于标准差，也可以使用均值、最大值、百分位数，或是其他特征的组合。
对所有时刻的特征值依次进行归一化、平滑处理，得到时频能量谱的特征曲线。
步骤S330对该特征曲线进行峰值检测，得到若干峰，每个峰为第一心音或第二心音的中心点。
具体地，可采用Python开源库detecta的函数detect_peaks，比如，将mph(minpeak height，峰值的最小高度)设置为0.2，mpd(min peak distance，相邻两峰间的最小间隔)设置为200，需要说明的是，detect_peaks的调用参数可根据情况调整。
对上述特征曲线检测峰值，得到若干局部峰。每个峰的位置作为第一心音S1或第二心音S2的中心点所在位置。图5中示出了一种局部峰情况。
步骤S340根据每个峰与其相邻峰之间的位置关系，推断该峰所属心音状态，心音状态为第一心音或第二心音。
根据每个峰与其左右相邻峰之间的距离，推断该峰所属心音状态。根据收缩期持续时长小于舒张期的持续时长，比如，计算每个峰与其相邻左峰的距离，记为该峰的左距离；计算每个峰与其相邻右峰的距离，记为该峰的右距离；若一峰的左距离小于其右距离，且差距大于预设阈值，则该峰的心音状态为第二心音，该峰所在位置为第二心音的中心点；若一峰的左距离大于其右距离，且差距大于预设阈值，则该峰的心音状态为第一心音。
根据上述方法把能确定心音状态的峰的心音状态确定下来。可能存在一些峰的心音状态不能确定。
根据已确定心音状态的峰，将第一心音和第二心音连续配对的数目超过第一预设个数(比如3个)的连续心音片段，作为高置信区段，认为此区段内的峰的所属心音状态推断正确。比如，某心音信号存在s1 s2 s1 s2 s1 s2 s1 s2的连续片段，则该连续片段为高置信区段。
可选地，记录第一心音和第二心音连续配对的数目最长的高置信区段以及其中第一心音和第二心音连续配对的数目。
在一段心音信号中，高置信区段可能有多个。根据每个高置信区段的峰的心音状态，前向或后向推断不确定心音状态的峰的心音状态。至此完成所有峰的心音状态的确定。
通过将高置信区段作为种子区段，向前或向后完成不确定心音状态的峰的心音状态，可以提高峰的心音状态的识别准确率。
步骤S350当确定所有峰的心音状态后，根据第一心音或第二心音的持续时长确定第一心音范围或第二心音范围。
步骤S360根据第一心音范围和第二心音范围，确定收缩期范围和舒张期范围。
当确定所有峰的心音状态后，根据S1和S2的持续时长，比如100毫秒，而每个峰所在位置为S1或S2的中心位置，从而确定第一心音范围(即S1范围)和第二心音范围(即S2范围)，进而确定收缩期范围和舒张期范围，至此完成了心音分割，得到了第二心音分割结果。
步骤S400计算第二心音分割结果与第一心音分割结果的重合度，得到重合度结果。
可以将第二心音分割结果与第一心音分割结果进行重合度计算，得到重合度结果。
也可以将第一心音和第二心音连续配对的数目最多的高置信区段作为第二心音分割结果中最长的高置信区段；将最长的高置信区段与第一心音分割结果的对应区段进行重合度计算，得到重合度结果。
步骤S500判断第二心音分割结果是否存在符合预设条件的高置信区段。
步骤S510若第二心音分割结果不存在符合预设条件的高置信区段，则将第一心音分割结果作为心音分割决策。
步骤S520若第二心音分割结果存在符合预设条件的高置信区段，则判断该重合度结果是否小于预设门限。
步骤S530若第二心音分割结果存在符合预设条件的高置信区段，且该重合度结果小于预设门限，则将第二心音分割结果作为心音分割决策。
步骤S540若第二心音分割结果存在符合预设条件的高置信区段，且该重合度结果不小于预设门限，则将第一心音分割结果作为心音分割决策。
具体地，若高置信区段中第一心音和第二心音连续配对的数目达到第二预设个数，则称该高置信区段为符合预设条件的高置信区段。第二预设个数不小于第一预设个数。
若第二心音分割结果不存在符合预设条件的高置信区段，则将第一心音分割结果作为心音分割决策。若第二心音分割结果存在符合预设条件的高置信区段，且该重合度小于预设门限，则将第二心音分割结果作为心音分割决策；否则，将第一心音分割结果作为心音分割决策。
例如，第二预设个数为3个，预设门限设为0.7。如果第二心音分割结果存在符合预设条件的高置信区段，且重合度结果大于70％，则认为LR-HSMM是可靠的，可以全部采纳其预测结果；如果第二心音分割结果存在符合预设条件的高置信区段，且重合度结果小于70％，则采纳基于时频能量谱的心音分割方法的预测结果。
需要说明的是，此处选择LR-HSMM算法的原因是其在公开数据集上表现出色，常作为前沿算法的比较算法，实际上也可以选择其他优秀的分割算法代替LR-HSMM算法。
进一步，可将心音分割结果进行可视化保存并导出。将S1、S2中心位置以JSON格式保存，将心音分割结果可视化保存成图片。在获得S1、S2所在位置后，可以很自然地推出收缩期和舒张期的位置。
本实施例，通过多次对心音数据进行归一化处理，把数据映射到0～1范围之内处理，更加便捷快速地找到最优解，保证每一次输入的心音数据的精度；确定包含第一预设个数以上的S1、S2配对的连续片段，作为高置信度的种子区段(即高置信区段)，以这些高置信度的峰的心音状态，前向或后向推断不确定心音状态的峰的心音状态，保证推断所属状态的准确率；根据检测的局部峰值特征所在位置为S1或S2的中心位置，从而确定第一心音范围和第二心音范围，进而确定收缩期范围和舒张期范围。
本发明的一个实施例，如图3、图4所示，一种心音分割装置，包括：
预处理模块100，用于对原始心音信号进行预处理。
具体地，采集健康人以及心脏疾病患者的心音信号，作为原始心音信号。
心音信号采集的听诊区有五个，分别是：二尖瓣听诊区、肺动脉瓣听诊区、主动脉瓣听诊区、主动脉瓣第二听诊区、三尖瓣听诊区，采用电子听诊器对五个听诊区的心音信号进行采集。
对原始心音信号进行预处理。预处理模块包括降采样单元、滤波单元、去除噪声尖峰单元和归一化单元中的一个或多个。比如，预处理模块包括降采样单元、滤波单元、去除噪声尖峰单元和归一化单元。降采样单元，用于降低原始心音信号的频率，减少数据样点，减少运算时间。滤波单元，采用二阶巴特沃斯带通滤波器对降采样后的心音信号进行滤波，减少低频和高频噪声的影响。去除噪声尖峰单元，用于消除滤波后的心音信号中振幅过大的噪声尖峰；归一化单元，用于对去除噪声尖峰的心音信号进行归一化处理。
具体地，去除噪声尖峰单元，还用于将滤波后的心音信号以无重叠的方式进行分段，得到一系列包含样本点的窗口；计算每个窗口的最大绝对振幅；获取所有窗口的最大绝对振幅的中值和最大值；若该最大值超过了该中值的预设倍数，则清除该最大值对应的窗口中的最大噪声尖峰；重新计算已更新窗口的最大绝对振幅，重新获取所有窗口的最大绝对振幅的中值和最大值，直至该最大值不超过该中值的预设倍数。
通过比对最大绝对振幅，确定噪声尖峰的区段，去除噪声尖峰，减少噪声对心音分割的干扰。
第一心音分割模块200，用于根据LR-HSMM分割算法对预处理后的心音信号进行心音分割，得到第一心音分割结果。
第二心音分割模块300，用于基于时频能量谱的分割算法对预处理后的心音信号进行心音分割，得到第二心音分割结果。
第二心音分割模块300包括：
时频能量谱计算单元310，用于根据预处理后的心音信号得到心音信号的时频能量谱。
基于时频分析方法对预处理后的心音信号进行处理，得到心音信号的时频能量谱。时频分析方法可为短时傅立叶变换、连续小波变换、魏格纳威利分布、希尔伯特黄变换、S变换以及广义S变换中的一种。
可进一步对时频能量谱进行归一化，以提升参数的收敛速度。可将时频能量谱中低于其中值的元素值用预设值，比如零，代替，得到最终的时频能量谱。
时频能量谱是一三维图，X轴为时间、Y轴为频率，Z轴为能量或幅度。图5中示出了一种时频能量谱。
特征提取单元320，用于对时频能量谱进行特征提取，得到时频能量谱的特征曲线。
具体地，根据时频能量谱中每一时刻不同频率的能量值，得到对应时刻的特征值。该特征值可以为同一时刻不同频率的能量值的标准差，需要指出的是，此处重点在于计算每一时刻，综合不同频率的能量值的统计量变化情况，不限于标准差，也可以使用均值、最大值、百分位数，或是其他特征的组合。
对所有时刻的特征值依次进行归一化、平滑处理，得到时频能量谱的特征曲线。
峰值检测单元330，用于对该特征曲线进行峰值检测，得到若干峰，每个峰为第一心音或第二心音的中心点。
具体地，可采用Python开源库detecta的函数detect_peaks，对上述特征曲线检测峰值，得到若干局部峰值。每个峰的位置作为第一心音S1或第二心音S2的中心点所在位置。
心音分割单元340，用于根据每个峰与其相邻峰之间的位置关系，推断该峰所属心音状态，心音状态为第一心音或第二心音。
根据每个峰与其左右相邻峰之间的距离，推断该峰所属心音状态。根据收缩期持续时长小于舒张期的持续时长，比如，计算每个峰与其相邻左峰的距离，记为该峰的左距离；计算每个峰与其相邻右峰的距离，记为该峰的右距离；若一峰的左距离小于其右距离，且差距大于预设阈值，则该峰的心音状态为第二心音，该峰所在位置为第二心音的中心点；若一峰的左距离大于其右距离，且差距大于预设阈值，则该峰的心音状态为第一心音。
根据上述方法把能确定心音状态的峰的心音状态确定下来。可能存在一些峰的心音状态不能确定。
根据已确定心音状态的峰，将第一心音和第二心音连续配对的数目超过第一预设个数(比如3个)的连续心音片段，作为高置信区段，认为此区段内的峰的所属心音状态推断正确。比如，某心音信号存在s1 s2 s1 s2 s1 s2 s1 s2的连续片段，则该连续片段为高置信区段。
可选地，记录第一心音和第二心音连续配对的数目最长的高置信区段以及其中第一心音和第二心音连续配对的数目。
在一段心音信号中，高置信区段可能有多个。根据每个高置信区段的峰的心音状态，前向或后向推断不确定心音状态的峰的心音状态。至此完成所有峰的心音状态的确定。
通过将高置信区段作为种子区段，向前或向后完成不确定心音状态的峰的心音状态，可以提高峰的心音状态的识别准确率。
心音分割单元340，还用于当确定所有峰的心音状态后，根据第一心音或第二心音的持续时长确定第一心音范围或第二心音范围；根据第一心音范围和第二心音范围，确定收缩期范围和舒张期范围。
当确定所有峰的心音状态后，根据S1和S2的持续时长，比如100毫秒，而每个峰所在位置为S1或S2的中心位置，从而确定第一心音范围(即S1范围)和第二心音范围(即S2范围)，进而确定收缩期范围和舒张期范围，至此完成了心音分割，得到了第二心音分割结果。
心音分割决策模块400，用于计算第二心音分割结果与第一心音分割结果的重合度，得到重合度结果。
心音分割决策模块400，还可用于获取第二心音分割结果中最长的高置信区段，该最长的高置信区段为第二心音分割结果中第一心音和第二心音连续配对的数目最多的高置信区段；将最长的高置信区段与第一心音分割结果的对应区段进行重合度计算，得到重合度结果。
心音分割决策模块400，还用于判断第二心音分割结果是否存在符合预设条件的高置信区段；若第二心音分割结果不存在符合预设条件的高置信区段，则将第一心音分割结果作为心音分割决策；若第二心音分割结果存在符合预设条件的高置信区段，且该重合度结果小于预设门限，则将第二心音分割结果作为心音分割决策；若第二心音分割结果存在符合预设条件的高置信区段，且该重合度结果不小于预设门限，则将第一心音分割结果作为心音分割决策。
具体地，若高置信区段中第一心音和第二心音连续配对的数目达到第二预设个数，则称该高置信区段为符合预设条件的高置信区段。第二预设个数不小于第一预设个数。
若第二心音分割结果不存在符合预设条件的高置信区段，则将第一心音分割结果作为心音分割决策。若第二心音分割结果存在符合预设条件的高置信区段，且该重合度小于预设门限，则将第二心音分割结果作为心音分割决策；否则，将第一心音分割结果作为心音分割决策。
还可包括结果输出模块，用于将最终的心音分割结果进行可视化保存并导出。将S1、S2中心位置以JSON格式保存，将心音分割结果可视化保存成图片。如图6所示，图中PCGsignal代表原始心音信号，S1boundary代表S1边界线，S2boundary代表S2边界线。
本实施例，根据LR-HSMM心音分割结果与基于时频能量谱的心音分割结果的重合度，动态选择两者之一作为心音分割的最终结果，丰富了心音分割决策的多样性；将两种方法优势互补，提高了心音分割结果的准确度。
本发明还提供了一个具体实施场景示例，如图5所示，将本申请提供的心音分割方法和装置应用于对原始心音信号的心音分割中。具体实施过程如下：
步骤1、从临床或门诊获取心音数据，作为原始心音信号。对原始心音信号进行预处理，进行降采样，低、高通滤波，去除杂峰和归一化处理。
步骤2、对预处理后的心音信号进行傅里叶变换或快速傅里叶变换，将时域信号变换成频域信号，得到每个频率分量的幅值。
步骤3、根据每个心音信号频率分量的幅值进行平方值的平滑处理，再对平滑后的向量求二次平方根，得到心音信号响度变化曲线。
具体地，按照以下公式将频率分量的幅值转换成以分贝为单位的F：
F＝20log10(clip(|E|))；
其中，E为直接经过傅里叶变换或快速傅里叶变换得到的频率分量的幅值，为复数。clip()为上下限截断函数，clip(|E|)表示对频率分量的幅值进行上下限截断处理，避免对数操作无法计算，上限为10100，下限为10-20。进一步地，对F进行归一化处理，方便计算。
进一步地，采用一维卷积步长进行滑动平均滤波对心音信号的平方值进行平滑处理，例如，卷积核窗口大小为128，卷积核参数值均为1/128，卷积模式为"same"；对平滑后的结果求二次平方根，即得到预处理后的心音信号在不同时刻的响度变化曲线。
利用滑动平均滤波法，对周期性干扰有良好的抑制作用，平滑度高。
步骤4、根据心音信号响度变化曲线进行网格点坐标矩阵的横轴值与纵轴值相乘计算，得到时频能量谱。
具体地，根据每个频率分量的能量和心音信号在不同时刻的响度变化曲线生成网格点坐标矩阵；网格点坐标矩阵的横轴值与纵轴值相乘，得到时频能量谱；对时频能量谱进行归一化，提升参数的收敛速度；之后，将时频能量谱中的低于其中值的元素值用零代替，得到最终的时频能量谱。
步骤5、对时频能量谱进行特征提取处理，包括特征提取、特征平滑、特征归一化，得到特征曲线。
具体地，将时频能量谱计算每一时刻不同频率的能量值的标准差，作为对应时刻的特征值。对所有时刻的特征值进行归一化后，使用一维卷积进行特征平滑操作；平滑后的结果再次进行上述的归一化操作，得到最终的特征曲线，其可视化效果如图5所示。
步骤6、对特征曲线进行峰值检测，得到检测峰的潜在中心点的位置。
具体地，采用Python开源库detecta的函数detect_peaks，对上述平滑、归一化的特征向量检测峰值，检测出的峰值的位置作为潜在第一心音(S1)或第二心音(S2)的中心点所在位置。
步骤7、根据检测峰的潜在中心点的位置推断区段内的峰的所属状态，得到最长的高置信区段。
具体地，计算检测峰之间的距离，根据一般情况下，收缩期持续时长小于
舒张期的持续时长，得到每个峰最可能的心音状态S1或S2；确定包含3个以上的S1、S2配对的连续片段，作为高置信度的种子区段，认为此区段内的峰的所属状态推断正确；根据高置信度峰的心音状态，前向或后向推断那些不确定心音状态的峰的所属状态；当确定所有的峰所属的心音状态后，根据S1和S2的持续时长一般为100毫秒，而检测的局部峰值特征所在位置为S1或S2的中心位置，从而确定S1，S2的持续范围，进而确定收缩期和舒张期的范围；记录下最长的高置信区段。
步骤8、计算逻辑回归-隐半马尔科夫模型(LR-HSMM)与最长的高置信区段的重合度，进行模块的选择，得到心音分割结果。
具体地，LR-HSMM的心音分割结果作为第一心音分割结果。最长的高置信区段作为基于时频能量谱的心音分割结果，即第二心音分割结果。
计算第一心音分割结果与第二心音分割结果的重合度，若不存在满足条件的高置信区段或重合度大于一定阈值，则以LR-HSMM的分割结果作为心音状态预测结果；否则，以基于时频能量谱的心音分割结果作为心音分割决策。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
应当说明的是，上述实施例均可根据需要自由组合。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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种心音分割方法，其特征在于，包括：
对原始心音信号进行预处理；
根据逻辑回归-隐半马尔科夫模型分割算法对预处理后的心音信号进行心音分割，得到第一心音分割结果；
基于时频能量谱的分割算法对所述预处理后的心音信号进行心音分割，得到第二心音分割结果；
计算所述第二心音分割结果与所述第一心音分割结果的重合度，得到重合度结果；
若所述第二心音分割结果存在符合预设条件的高置信区段，且所述重合度结果小于预设门限，则将所述第二心音分割结果作为心音分割决策；
所述的基于时频能量谱的分割算法对所述预处理后的心音信号进行心音分割，包括：
根据所述预处理后的心音信号得到所述心音信号的时频能量谱；
对所述时频能量谱进行特征提取，得到所述时频能量谱的特征曲线；
对所述特征曲线进行峰值检测，得到若干峰，所述峰为第一心音或第二心音的中心点；
根据每个峰与其相邻峰之间的位置关系，推断所述峰的心音状态，所述心音状态为第一心音或第二心音；
当确定所有峰的心音状态后，根据第一心音或第二心音的持续时长确定第一心音范围或第二心音范围；
根据所述第一心音范围、所述第二心音范围确定收缩期范围和舒张期范围；
所述的根据每个峰与其相邻峰之间的位置关系，推断所述峰的心音状态，包括：
若根据所述峰与其相邻峰之间的位置关系能确定所述峰的心音状态，则确定所述峰的心音状态；
根据确定心音状态的峰，获取第一心音和第二心音连续配对的数目超过预设个数的连续心音片段，作为高置信区段；
根据高置信区段的峰的心音状态，前向或后向推断不确定心音状态的峰的心音状态。
2.根据权利要求1所述的心音分割方法，其特征在于，在得到第二心音分割结果之后，还包括：
从所述第二心音分割结果中获取最长的高置信区段；
所述的计算所述第二心音分割结果与所述第一心音分割结果的重合度，包括：
计算所述最长的高置信区段与所述第一心音分割结果对应区段的重合度。
3.根据权利要求1所述的心音分割方法，其特征在于，在得到第二心音分割结果之后，还包括：
若所述第二心音分割结果不存在符合预设条件的高置信区段，则将所述第一心音分割结果作为心音分割决策。
4.根据权利要求1或2所述的心音分割方法，其特征在于，在得到重合度结果之后，还包括：
若所述第二心音分割结果存在符合预设条件的高置信区段，且所述重合度结果不小于预设门限，则将所述第一心音分割结果作为心音分割决策。
5.根据权利要求1所述的心音分割方法，其特征在于，所述的根据所述预处理后的心音信号得到所述心音信号的时频能量谱，包括：
基于时频分析方法对所述预处理后的心音信号进行处理，得到所述心音信号的时频能量谱。
6.根据权利要求1所述的心音分割方法，其特征在于，所述的对所述时频能量谱进行特征提取，得到所述时频能量谱的特征曲线，包括：
根据所述时频能量谱中每一时刻不同频率的能量值，得到对应时刻的特征值；
对所有时刻的特征值依次进行归一化、平滑处理，得到所述时频能量谱的特征曲线。
7.根据权利要求1所述的心音分割方法，其特征在于，所述的对原始心音信号进行预处理，包括：
对原始心音信号依次进行降采样、滤波、去除噪声尖峰和归一化处理；
其中，所述去除噪声尖峰包括：
对滤波后的心音信号以无重叠方式进行分段，得到一系列窗口；
计算每个窗口的最大绝对振幅；
获取所有窗口的最大绝对振幅的中值和最大值；
若所述最大值超过了所述中值的预设倍数，则清除所述最大值对应的窗口中的最大噪声尖峰；
重新计算已更新窗口的最大绝对振幅，获取所有窗口的最大绝对振幅的中值和最大值，若所述最大值超过了所述中值的预设倍数，则清除所述最大值对应的窗口中的最大噪声尖峰，直至所述最大值未超过所述中值的预设倍数。
8.一种心音分割装置，其特征在于，应用如权利要求1~7任一项所述的心音分割方法，所述心音分割装置包括：
预处理模块，用于对原始心音信号进行预处理；
第一心音分割模块，用于根据逻辑回归-隐半马尔科夫模型分割算法对预处理后的心音信号进行心音分割，得到第一心音分割结果；
第二心音分割模块，用于基于时频能量谱的分割算法对所述预处理后的心音信号进行心音分割，得到第二心音分割结果；
心音分割决策模块，用于计算所述第二心音分割结果与所述第一心音分割结果的重合度，得到重合度结果；若所述第二心音分割结果存在符合预设条件的高置信区段，且所述重合度结果小于预设门限，则将所述第二心音分割结果作为心音分割决策。
CN202011304042.6A 2020-11-19 2020-11-19 一种心音分割方法及装置 Active CN112401924B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011304042.6A CN112401924B (zh) 2020-11-19 2020-11-19 一种心音分割方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011304042.6A CN112401924B (zh) 2020-11-19 2020-11-19 一种心音分割方法及装置

Publications (2)

Publication Number Publication Date
CN112401924A CN112401924A (zh) 2021-02-26
CN112401924B true CN112401924B (zh) 2022-02-11

Family

ID=74774814

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011304042.6A Active CN112401924B (zh) 2020-11-19 2020-11-19 一种心音分割方法及装置

Country Status (1)

Country Link
CN (1) CN112401924B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108106830A (zh) * 2017-12-13 2018-06-01 武汉科技大学 一种基于时频谱分割的变速旋转机械故障诊断方法
CN108367152A (zh) * 2015-10-08 2018-08-03 心脏起搏器股份公司 使用心音检测恶化的心力衰竭事件
CN111938691A (zh) * 2020-08-18 2020-11-17 中国科学院声学研究所 一种基础心音识别方法及设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7052466B2 (en) * 2001-04-11 2006-05-30 Cardiac Pacemakers, Inc. Apparatus and method for outputting heart sounds
US8235912B2 (en) * 2009-03-18 2012-08-07 Acarix A/S Segmenting a cardiac acoustic signal
US10614830B2 (en) * 2016-01-14 2020-04-07 National Institute Of Advanced Industrial Science And Technology System, method, and computer program for estimation of target value

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108367152A (zh) * 2015-10-08 2018-08-03 心脏起搏器股份公司 使用心音检测恶化的心力衰竭事件
CN108106830A (zh) * 2017-12-13 2018-06-01 武汉科技大学 一种基于时频谱分割的变速旋转机械故障诊断方法
CN111938691A (zh) * 2020-08-18 2020-11-17 中国科学院声学研究所 一种基础心音识别方法及设备

Also Published As

Publication number Publication date
CN112401924A (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
CN109907752B (zh) 一种去除运动伪影干扰与心电特征检测的心电诊断与监护系统
Choudhary et al. Automatic detection of aortic valve opening using seismocardiography in healthy individuals
RU2449730C2 (ru) Многопараметрическая классификация сердечно-сосудистых тонов
Varghees et al. A novel heart sound activity detection framework for automated heart sound analysis
Papadaniil et al. Efficient heart sound segmentation and extraction using ensemble empirical mode decomposition and kurtosis features
WO2016142780A1 (en) Systems, apparatus and methods for sensing fetal activity
Deng et al. A robust heart sound segmentation and classification algorithm using wavelet decomposition and spectrogram
Sedighian et al. Pediatric heart sound segmentation using Hidden Markov Model
Banerjee et al. Segmentation and detection of first and second heart sounds (Si and S 2) using variational mode decomposition
CN112971795B (zh) 心电信号质量评估方法
CN113080991A (zh) 基于cnn模型与lstm模型的预测诊断心衰方法系统及诊断设备、存储介质
Deperlioglu Segmentation of heart sounds by re-sampled signal energy method
CA3170821A1 (en) Fusion signal processing for maternal uterine activity detection
CN112971797A (zh) 连续生理信号质量评估方法
CN114469124A (zh) 一种运动过程中异常心电信号的识别方法
Milani et al. A critical review of heart sound signal segmentation algorithms
Hao et al. Spectro-temporal feature based multi-channel convolutional neural network for ecg beat classification
Choudhary et al. Standalone heartbeat extraction in SCG signal using variational mode decomposition
Babu et al. Automatic recognition of fundamental heart sound segments from PCG corrupted with lung sounds and speech
CN111329508A (zh) 用于先心病筛查的心脏杂音智能分析方法
CN116784860B (zh) 基于形态学心拍模板聚类的心电信号特征提取系统
Ghassemian et al. Early detection of pediatric heart disease by automated spectral analysis of phonocardiogram
CN112401924B (zh) 一种心音分割方法及装置
CN111528900A (zh) 基于巴特沃斯滤波器与香农熵法的心音分段方法和装置
Akbari et al. Systolic murmurs diagnosis improvement by feature fusion and decision fusion

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
TA01 Transfer of patent application right

Effective date of registration: 20210611

Address after: 200050 room E-11, 17th floor, 8 Xingyi Road, Changning District, Shanghai

Applicant after: Sound smart technology (Shanghai) Co.,Ltd.

Applicant after: XIN HUA HOSPITAL AFFILIATED TO SHANGHAI JIAO TONG University SCHOOL OF MEDICINE

Address before: Room E-11, 17th floor, 8 Xingyi Road, Changning District, Shanghai

Applicant before: Sound smart technology (Shanghai) Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20220727

Address after: 100080 room 21, floor 4, building 2, yard a 2, West Third Ring North Road, Haidian District, Beijing

Patentee after: Beijing Yingtong Technology Development Co.,Ltd.

Address before: 200050 room E-11, 17th floor, 8 Xingyi Road, Changning District, Shanghai

Patentee before: Sound smart technology (Shanghai) Co.,Ltd.

Patentee before: XIN HUA HOSPITAL AFFILIATED TO SHANGHAI JIAO TONG University SCHOOL OF MEDICINE

TR01 Transfer of patent right