CN115828168A - 一种基于隐马尔可夫心动周期的心音分割方法及其装置 - Google Patents

Abstract

本发明公开一种基于隐马尔可夫心动周期的心音分割方法及其装置。对心音信号希尔伯特提取信号包络；基于不同导联的最值预设基准线，获取希尔伯特包络提取后心音的第一心音S1峰值和第二心音S2峰值所在位置；基于心动周期的峰值定位；基于改进的隐马尔可夫心动周期的舒张期提取；利用改进后维特比算法定位心音信号S1、S2的最佳时间跨度；利用时间跨度和S1、S2的峰值定位位置，实现对原始心音信号的分割。本发明采用改进隐马尔科夫模型、改进维特比向前算法计算出心音区间S1和S2的持续时间结合心动周期进行心音S1和S2的峰值定位，准确标定心音区间准确位置，提高了心音分割的性能。

Description

一种基于隐马尔可夫心动周期的心音分割方法及其装置

技术领域

本发明涉及医学信号处理的技术领域，具体涉及一种基于隐马尔可夫心动周期的心音分割方法及其装置，集成了基于希尔伯特包络提取、不同导联的最值预设和基于隐马尔可夫心动周期的舒张期提取模型。

背景技术

心血管疾病是指所有同心脏和血管有关的疾病的总称，其中冠心病是威胁人类生命健康最严重的疾病之一。心血管疾病患病群体基数庞大，且患病比例处于持续上升阶段。因此，心血管疾病的防治已成为迫在眉睫的公共卫生问题。

心血管疾病的诊断是心血管疾病防治的重要组成部分。目前临床上对心血管疾病诊断大致包括心电图、超声心动图、冠脉CT和冠状动脉造影等技术，但这些技术也还需要不断完善。例如，冠脉造影被誉为诊断冠心病的“金标准”，但其有创诊断、价格昂贵和医疗资源紧张的特点并不适用于所有患者。

基于心音图(phonocardiogram,PCG)的诊断技术的发展为解决上述问题提供了可能性。在诊断能力方面，心音图检测能及时发现心脏异常情况，为心血管功能诊断、治疗方案的确定、并发症溯源诊断提供有效信息和辅助分析。在诊断效率方面，基于心音图的心血管疾病自动诊断具有简单、经济、无创、有效等等优点。

基本心音(Fundamental Heart Sounds，FHSs)是指第一心音(S1)和第二心音(S2)。分割FHSs便是PCG自动诊断的首要问题，对FHSs的准确定位也成了确定PCG收缩期区间和舒张期区间的先决条件。

近年来基于不同研究角度在心音分割领域已经取得了一些研究成果，这些分割算法大致可分为四类：基于包络的方法、基于频域的方法、基于人工智能的方法和辅助分割方法。但是大多数的方法通常需要大量心音数据样本进行学习且对算力要求较高，还存在过拟合的风险或者需要借助心电图信号或者光体描记信号来辅助分割任务。这类方法在达到高精确度的前提是需要高质量的数据支持。这导致在没有同步输入诸多生化指标的纯PCG信号分割方面并没有起到很好的分割效果。

有鉴于此，亟需提供一种不借助任何生化指标状态下力求构建更加切合PCG信号的分割方法，实现心音的准确定位。

发明内容

本发明的目的为了解决PCG信号分割在临床实际应用中存在的上述难点，提供一种基于隐马尔可夫心动周期的心音分割方法及其装置，具体涉及一种基于隐马尔可夫心动周期的心音分割算法，集成了基于希尔伯特包络提取、不同导联的最值预设和基于改进的隐马尔可夫心动周期的舒张期提取模型。

第一方面，本发明提供了一种基于隐马尔可夫心动周期的心音分割方法，所述方法包括以下步骤：

步骤一：获取心音信号，对其进行预处理，得到干净的心音信号；

步骤二：希尔伯特提取信号包络；

对步骤一预处理后的心音信号x(t)，进行希尔伯特变换，得到

其定义为：

其中x(τ)是心音信号，t表示固定的时间值，τ表示时间；

由此可知，希尔伯特变换的实质是理想化的九十度相移器；将心音信号x(t)作为实部，其希尔伯特变换后的

作为虚部，构成的复信号z(t)，即为x(t)的解析信号，表达式即为：

对z(t)求模，则可以得到心音信号x(t)的包络；

步骤三：基于不同导联的最值预设基准线，获取希尔伯特包络提取后心音的第一心音峰值(S1峰值)和第二心音峰值(S2峰值)所在位置；具体是：

3-1不同听诊位置心音峰值位置差异较大，故统计希尔伯特包络提取后某一心音在音频范围内的最值；

3-2根据不同的最值确定基准线的取值范围，如在听诊位置AV下采集的心音，其包络最值浮动范围为[0.06-a,0.06+a]，a表示因个体差异的浮动值，则校准线设置为[0.008-a,0.008+a]；如在听诊位置MV、TV处，包络最值浮动范围为[0.015-a,0.015+a]，则校准线设置为[0.05-a,0.05+a]；如在听诊位置PV处，包络最值浮动范围为[0.3-a,0.3+a]，则校准线设置为[0.1-a,0.1+a]；

3-3提取基准线位置以上的峰值作为第一心音峰值(S1峰值)和第二心音峰值(S2峰值)；

步骤四：基于心动周期的峰值定位；

根据心音信号性质，心脏正常状态下的舒张期比收缩期长；而心音周期性变化导致S1、收缩期、S2、舒张期是依次顺序且周期性重复出现，则信号峰值S1、S2也是相邻出现，即可确定S1、S2的峰值对应关系，计算每个峰之间的距离：

设某一峰值为q_n，n表示心音峰值序号，其左侧峰值q_n-1距离q_n持续时间为t_n-1，其右侧峰值q_n+1距离q_n持续时间为t_n，比较t_n-1与t_n大小，如果t_n-1＞t_n，则识别峰值q_n为S1；如果t_n-1＜t_n，则识别峰值q_n为S2,此时根据峰值之间的关系便可确定S1和S2的位置；

步骤五：基于改进的隐马尔可夫心动周期的舒张期提取；

将希尔伯特包络提取后心音作为观测序列，心音的四种状态作为隐藏状态,记为集合C＝(C₁,C₂,C₃,C₄)，其中C₁表示S1、C₂表示收缩期、C₃表示S2、C₄表示舒张期，则参数λ是隐马尔科夫模型的属性，用于表示希尔伯特包络提取后心音信号下一个状态只依赖于当前时间中占用的状态，整体表示为：

λ＝(A,B,π) (3)

其中A表示状态转移概率矩阵，是决定状态序列的，则

其中a_ij表示从状态C_i到状态C_j转移时的概率，c_t表示t时刻模型所处的状态；

此时根据心音具有规律性振动产生的准周期性生物信号，且总是按照S1、收缩期、S2、舒张期这四个状态循环出现，所以状态转移概率矩阵A表示为：

B表示观测状态概率矩阵，是决定观测序列的，设观测值序列集合为O＝{O₁,O₂,…,O_t}，B＝{b_j(O_t)}，其中b_j(O_t)是在状态j时观测值符号O_t输出的概率；

π表示初始状态概率集合，则

π＝{π_i},π_i＝P[c_i＝C_i],(1≤i≤4) (6)

由于实际采集的PCG信号实在心动周期的任何一个状态下采集的，但由于PCG信号各区间持续时间并不均匀，因此根据PCG信号特点，S1、收缩期、S2、舒张期这四个状态的初始状态概率分布π₁、π₂、π₃、π₄分别如下：

此时可以得到

λ_HMCC＝(A,B,π_HMCC) (8)

其中λ_HMCC表示改进后的隐马尔可夫心动周期的属性，π_HMCC＝{π₁，π₂，π₃，π₄}；

步骤六：利用改进后维特比算法定位心音信号S1、S2的最佳时间跨度；

6-1初始化标记k＝0；

6-2对希尔伯特包络提取后心音的某个采样点根据公式(10)计算

根据

判断概率最大的值是否为C_j,j＝1或3，若是则更新当前标记k＝k+1,若否则标记k＝0；然后进行步骤6-3，同时下一个采样点重复步骤6-2；其中C₁对应S1，C₃对应S2；

6-3设定最短状态持续阈值g，若连续非零标记k个数≥阈值g，则认为当前连续非零标记k对应的心音片段为s_i,i＝1或2所在区间，并获取当前区间的持续时间L；若连续非零标记k个数＜阈值g，则舍弃该值，认为其为不完整区间的持续时间；

6-4根据上述获取的持续时间L计算当前s_i,i＝1或2所在区间的概率

其中

表示s_i,i＝1或2所在区间的第m个采样点的前向概率；

表示均值；

由于已经确定的S1和S2峰值所在的位置，却不明确S1和S2持续时间与峰值的对应关系，即峰值的时间跨度；因此可以通过期望取近似S1和S2的时间跨度；

步骤七：利用步骤六得到的时间跨度

和步骤四确定的S1和S2的峰值定位位置，实现对原始心音信号的分割。

作为优选，步骤一所述预处理包括基线校准、小波去噪和归一化。

更为优选，所述预处理具体是：

首先基线校准处理，矫正发生漂移的心音信号位置；

其次离散小波变换进行小波分解和重构处理，使处理后的小波细节系数中的噪声成分大幅度降低；

最后归一化处理得到标准化的PCG信号。

第二方面，本发明提供了心音分割系统，包括：

数据采集及预处理模块，用于获取心音信号，对其进行预处理，得到干净的心音信号；

希尔伯特包络处理模块，对数据采集及预处理模块输出的心音信号进行希尔伯特包络提取；

峰值提取模块，对希尔伯特包络提取后心音获取第一心音峰值(S1峰值)和第二心音峰值(S2峰值)所在位置；

峰值定位模块，对希尔伯特包络提取后心音基于心动周期进行峰值定位；

最佳时间跨度计算模块，利用改进后维特比算法定位心音信号中第一心音(S1)和第二心音(S2)的最佳时间跨度；

分割模块，利用最佳时间跨度计算模块输出的时间跨度和峰值定位模块输出的S1、S2的峰值定位位置，实现对数据采集及预处理模块输出的心音信号进行分割。

第三方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于当所述计算机程序在计算机中执行时，令计算机执行所述的方法。

第四方面，本发明提供了一种计算设备，包括存储器和处理器，其特征在于所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现所述的方法。

本发明具有的有益效果是：

本发明对于采集信号存在偏移量的信号进行基线校准；采用小波消噪算法对含噪信号进行滤波处理；采取心音信号归一化凸显第一心音和第二心音特征，消除公共维度的统计平均值，有效避免特定数据的心音区间识别和分割技术的复杂性。

本发明提供了一种希尔伯特包络提取算法，获取心音信号的包络特征。

本发明提供了一种基于不同导联的最值预设，针对不同的听诊位置的心音峰值区间，设置基准线，用于确定基准线之上的峰值点。

本发明提供了一种隐马尔可夫模型心动周期算法，根据心音的生理特性，舒张期持续时间大于收缩期持续时间，用于分类定位S1和S2的峰值点。结合隐马尔可夫模型具有周期性、未来状态只取决于当前状态的性质结合改进的维特比算法估算S1、S2持续时间，以获取更准确的心音区间。根据心音舒张期和收缩期最短持续时间设置临界值，使得距离峰值过近的噪声被删选，减小峰值误判几率。

综上，本发明在设置S1、S2峰值前有效的考虑各听诊位置的差异性，并结合心音生理特征对区间进行分类，不仅充分体现了心音独有特征，而且减少了噪声误差对峰值误判几率；采用了改进的隐马尔科夫模型加持改进的维特比向前算法计算出心音区间S1和S2的持续时间结合心动周期进行心音S1和S2的峰值定位，准确标定心音区间准确位置，提高了心音分割的性能。

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一简单地介绍，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基于隐马尔可夫心动周期的心音分割方法的系统流程图。

图2为本发明实施例提供的改进的维特比算法定位时间跨度方法的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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作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。

基于PCG信号分割技术的高效准确认证具有极大的理论研究和实际应用价值，能够为解决国内外基于生物特征的医疗诊断的准确性提供新的方案指导。图1为本发明实施例提供的PCG信号分割方法的系统流程图，以下对本发明作进一步说明：

步骤一：基于基线校准、小波去噪的归一化消噪算法，获取干净的心音信号。首先基线校准处理，矫正发生漂移的心音信号位置；其次离散小波变换进行小波分解和重构处理，使处理后的小波细节系数中的噪声成分大幅度降低；最后归一化处理得到消噪后的标准化PCG信号。

步骤二：希尔伯特提取信号包络。对实信号x(t)，其希尔伯特变换记为H[x(t)]或

其定义为：

由此可知，希尔伯特变换的实质是理想化的九十度相移器。将实信号x(t)作为实部，其希尔伯特变换前后的

作为虚部，构成的复信号z(t)即为x(t)的解析信号，表达式即为：

对z(t)求模，则可以得到实信号x(t)的包络。

步骤三：基于不同导联的最值预设。判断S1和S2峰值所在位置，即需要确定心音的希尔伯特包络的峰值。

①设置一根基准线，并提取基准线位置以上的峰值作为S1和S2的位置。

②不同听诊位置心音峰值位置差异较大，需要预先统计某一心音在音频范围内的最值；

③根据不同的最值确定基准线的取值范围，如在听诊位置AV下采集的心音，其包络最值浮动于0.06左右，则校准线设置为0.008左右；在听诊位置MV、TV处，包络最值浮动于0.015左右，则校准线设置为0.05左右；在听诊位置PV处，包络最值浮动于0.3左右，则校准线设置为0.1左右。

步骤四：基于心动周期的峰值定位。根据心音信号性质，收缩期与舒张期的时限比约为3:5，正常情况下，S1S2期间与S2S1期间比例约为1:2，仅在极少数病理情况下比例几乎相等。心脏正常状态下的舒张期(从S2起点到下一个S1起点的持续时间)比收缩期(从S1起点到下一个S2起点的持续时间)长。而心音周期性变化导致S1、收缩期、S2、舒张期是依次顺序且周期性重复出现，则信号峰值S1、S2也是相邻出现，即可确定S1和S2与峰值对应关系，计算每个峰之间的距离，设某一峰值为q_n，n表示心音峰值序号n∈N，其左侧峰值q_n-1距离q_n为持续时间t_n-1，其右侧峰值q_n+1距离q_n持续时间为t_n，比较t_n-1与t_n大小，如果t_n-1＞t_n，则识别峰值q_n为S1；如果t_n-1＜t_n，则识别峰值q_n为S2,此时根据峰值之间的关系便可确定S1和S2的位置。在临床实践中，心脏病学家用于注释S1和S2声音的开始和结束的标准定义如下：S1的开始是由于二尖瓣关闭引起的高频振动的开始，S2的开始是由于主动脉关闭引起的高频振动的开始，S1和S2的末端由高频振动的末端进行注释。

由于峰值形成并非是一个顺势动作，其存在一个时间跨度，而这个时间跨度对分割的误差影响较大。本发明的研究内容是通过基于隐马尔可夫心动周期的心音分割算法，减少改时间跨度对分割准确率的影响。换而言之，在不知道该时间跨度的前提下尽可能逼近或近似求出这个距离。

步骤五：基于隐马尔可夫心动周期的舒张期提取。隐马尔科夫(Hidden MarkovModel,HMM)模型是一种统计分析模型，适用于描述连续数据的统计框架，是马尔可夫链的一种，是通过推断处于某些离散的“隐形状态”的可能性来操作，并在这些状态之间移动，看到每个状态的观察结果。本发明提出一种基于隐马尔可夫心动周期的心音分割算法，旨在完成上述时间跨度的求解。

本发明引入隐马尔科夫模型的目的，是借由其周期性、未来状态只取决于当前状态有关等性质，而对于本发明所研究PCG信号，则作为观测序列，心音的四种状态作为隐藏状态,记为集合C＝(C₁,C₂,C₃,C₄)，其中C₁表示S1、C₂表示收缩期、C₃表示S2、C₄表示舒张期，则参数λ是隐马尔科夫模型的属性，用于表示PCG信号下一个状态只依赖于当前时间中占用的状态，整体表示为：

λ＝(A,B,π) (2)

其中A表示状态转移概率矩阵，是决定状态序列的，则

a_ij表示从状态C_i到状态C_j转移时的概率。此时根据心音具有规律性振动产生的准周期性生物信号，且总是按照S1、收缩期、S2、舒张期这四个状态循环出现，例如：S2必须在收缩期结束之后开始，且其结束之后为舒张期的开始，而S1需要在上一段心音的舒张期结束才能开始，且结束之后紧跟着收缩期的开始。所以状态转移概率矩阵A表示为：

B表示观测状态概率矩阵，是决定观测序列的，设观测值序列集合为O＝{O₁,O₂,…,O_t}，B＝{b_j(O_t)}，其中b_j(O_t)是在状态j时观测值符号O_t输出的概率。π表示初始状态概率集合，则

π＝{π_i},π_i＝P[c_i＝C_i],(1≤i≤4) (5)

由于实际采集的PCG信号实在心动周期的任何一个状态下采集的，但由于PCG信号各区间持续时间并不均匀，因此根据PCG信号特点，查阅文献和对信号的观察可知，S1的持续时间约为70-150ms，S2持续时间为60-120ms，而舒张期和收缩期平均持续时间分别约为0.4s和0.2s，加之通过2.3.1中分析的以S2峰值最大位置为中心的周期等于平均S2持续时间，被标记为S2声音。S1和S2之间的周期标记为收缩期，S2和S1之间的周期标记为舒张期。S1平均持续时间设置为122ms，S2平均持续时间设置为92ms，特殊窗口设置为平均S2持续时间加上S2的标准偏差，即114ms。截取S2和S1峰值之间的音频范围，分别减去S2和S1的峰值在舒张期范围内的最大持续时间(S1的持续时间最值为150ms，且一般峰值位置为持续时间的中值，S2持续时间为120ms，且峰值位置为S2的起始位置)，S2为120ms，S1为75ms，即为舒张期，既可以推出较为精准的初始状态概率大致分布：

此时可以得到

λ_HMCC＝(A,B,π_HMCC) (7)

步骤五：改进的维特比算法定位时间跨度。本发明心音分割的目的是找出所有已知观测序列所对应的S1、S2峰值所在的时间跨度，在上述模型模型参数λ_HMCC的前提下，可以使用维特比算法寻找心音信号S1、S2的最佳时间跨度。

维特比算法是一种前向算法，用于计算前向概率δ_t(j)。表示时刻t时c_t处于状态j的瞬时概率。

δ_t(j)≈P(O₁,O₂,…,O_t,c_i＝C_j,c_t+1≠C_j|λ) (8)

具体流程如图2所示：

图中以S1定位举例，S2则将图中C1置换为C3即可。此算法应用于PCG信号，分为三个步骤：①定位S1/S2起点；②定位判断信号持续性，并定位终点；③计算S1/S2持续时间。

①寻找S1、S2对应的初始概率最大的点，S1对应C1，S2对应C3，即寻找C1/C3概率最大点，并设定标记k＝0.

②判断k+1是否满足①条件，如果满足则k＝k+1，如果不满足则k＝0。循环此过程，若出现一个点满足条件，下一个点不满足状态，则k置0。设定最短状态持续阈值g，若k小于阈值g则持续判断，若k大于等于阈值，且下一个状态仍符合①则继续循环，如果k大于等于g且不符合①条件，则退出循环。

③此时k记录的点数即为S1或S2持续时间L。

由于已经确定的S1和S2峰值所在的位置，却不明确S1和S2持续时间与峰值的对应关系，即峰值的时间跨度。因此可以通过期望取近似S1和S2的时间跨度。

实际收录的心音会有较高峰值的噪声出现，会导致错将噪声的峰值误判为S1或S2，因此需要加入判断条件，依据收缩期平均持续长度为0.2s，设置舒张期最短持续时间作为临界值，删选去过近峰值点。

本发明提出的基于隐马尔可夫心动周期的心音分割算法，通过希尔伯特包络提取心音信号的包络，对不同听诊位置的心音设置基准线位置，根据心动周期划分性质定位S1、S2峰值点区间，结合隐马尔科夫扩展模型计算峰值对应的区域时间跨度，准确分割舒张期区间。

Claims (6)

1.一种基于隐马尔可夫心动周期的心音分割方法，其特征在于所述方法包括以下步骤：

步骤一：获取心音信号，对其进行预处理，得到干净的心音信号；

步骤二：希尔伯特提取信号包络；

对步骤一预处理后的心音信号x(t)，进行希尔伯特变换，得到

其定义为：

其中x(τ)是心音信号，t表示固定的时间值，τ表示时间；

由此可知，希尔伯特变换的实质是理想化的九十度相移器；将心音信号x(t)作为实部，其希尔伯特变换后的

作为虚部，构成的复信号z(t)，即为x(t)的解析信号，表达式即为：

对z(t)求模，则可以得到心音信号x(t)的包络；

步骤三：基于不同导联的最值预设基准线，获取希尔伯特包络提取后心音的第一心音S1峰值和第二心音S2峰值所在位置；具体是：

3-1不同听诊位置心音峰值位置差异较大，故统计希尔伯特包络提取后某一心音在音频范围内的最值；

3-2根据不同的最值确定基准线的取值范围，如在听诊位置AV下采集的心音，其包络最值浮动范围为[0.06-a,0.06+a]，a表示因个体差异的浮动值，则校准线设置为[0.008-a,0.008+a]；如在听诊位置MV、TV处，包络最值浮动范围为[0.015-a,0.015+a]，则校准线设置为[0.05-a,0.05+a]；如在听诊位置PV处，包络最值浮动范围为[0.3-a,0.3+a]，则校准线设置为[0.1-a,0.1+a]；

3-3提取基准线位置以上的峰值作为第一心音S1峰值和第二心音S2峰值；

步骤四：基于心动周期的峰值定位；

根据心音信号性质，心脏正常状态下的舒张期比收缩期长；而心音周期性变化导致S1、收缩期、S2、舒张期是依次顺序且周期性重复出现，则信号峰值S1、S2也是相邻出现，即可确定S1、S2的峰值对应关系，计算每个峰之间的距离：

设某一峰值为q_n，n表示心音峰值序号，其左侧峰值q_n-1距离q_n持续时间为t_n-1，其右侧峰值q_n+1距离q_n持续时间为t_n，比较t_n-1与t_n大小，如果t_n-1＞t_n，则识别峰值q_n为S1；如果t_n-1＜t_n，则识别峰值q_n为S2,此时根据峰值之间的关系便可确定S1和S2的位置；

步骤五：基于改进的隐马尔可夫心动周期的舒张期提取；

将希尔伯特包络提取后心音作为观测序列，心音的四种状态作为隐藏状态,记为集合C＝(C₁,C₂,C₃,C₄)，其中C₁表示S1、C₂表示收缩期、C₃表示S2、C₄表示舒张期，则参数λ是隐马尔科夫模型的属性，用于表示希尔伯特包络提取后心音信号下一个状态只依赖于当前时间中占用的状态，整体表示为：

λ＝(A,B,π) (3)

其中＜表示状态转移概率矩阵，是决定状态序列的，则

其中a_ij表示从状态C_i到状态C_j转移时的概率，c_t表示t时刻模型所处的状态；

此时根据心音具有规律性振动产生的准周期性生物信号，且总是按照S1、收缩期、S2、舒张期这四个状态循环出现，所以状态转移概率矩阵A表示为：

B表示观测状态概率矩阵，是决定观测序列的，设观测值序列集合为O＝{O₁,O₂,…,O_t}，B＝{b_j(O_t)}，其中b_j(O_t)是在状态j时观测值符号O_t输出的概率；

π表示初始状态概率集合，则

π＝{π_i},π_i＝P[c_i＝C_i],(1≤i≤4) (6)

由于实际采集的PCG信号实在心动周期的任何一个状态下采集的，但由于PCG信号各区间持续时间并不均匀，因此根据PCG信号特点，S1、收缩期、S2、舒张期这四个状态的初始状态概率分布π₁、π₂、π₃、π₄分别如下：

此时可以得到

λ_HMCC＝(A,B,π_HMCC) (8)

其中λ_HMCC表示改进后的隐马尔可夫心动周期的属性，π_HMCC＝{π₁，π₂，π₃，π₄}；

步骤六：利用改进后维特比算法定位心音信号S1、S2的最佳时间跨度；

6-1初始化标记k＝0；

6-2对希尔伯特包络提取后心音的某个采样点根据公式(10)计算

根据

判断概率最大的值是否为C_j,j＝1或3，若是则更新当前标记k＝k+1,若否则标记k＝0；然后进行步骤6-3，同时下一个采样点重复步骤6-2；其中C₁对应S1，C₃对应S2；

6-3设定最短状态持续阈值g，若连续非零标记k个数≥阈值g，则认为当前连续非零标记k对应的心音片段为s_i,i＝1或2所在区间，并获取当前区间的持续时间L；若连续非零标记k个数＜阈值g，则舍弃该值，认为其为不完整区间的持续时间；

6-4根据上述获取的持续时间L计算当前s_i,i＝1或2所在区间的概率；

其中

表示s_i,i＝1或2所在区间的第m个采样点的前向概率；

表示均值；

由于已经确定的S1和S2峰值所在的位置，却不明确S1和S2持续时间与峰值的对应关系，即峰值的时间跨度；因此可以通过期望取近似S1和S2的时间跨度；

步骤七：利用步骤六得到的时间跨度

和步骤四确定的S1和S2的峰值定位位置，实现对原始心音信号的分割。

2.根据权利要求1所述方法，其特征在于步骤一所述预处理包括基线校准、小波去噪和归一化。

3.根据权利要求2所述方法，其特征在于所述预处理具体是：

首先基线校准处理，矫正发生漂移的心音信号位置；

其次离散小波变换进行小波分解和重构处理，使处理后的小波细节系数中的噪声成分大幅度降低；

最后归一化处理得到标准化的PCG信号。

4.实现权利要求1-3任一项所述方法的心音分割系统，其特征在于包括：

数据采集及预处理模块，用于获取心音信号，对其进行预处理，得到干净的心音信号；

希尔伯特包络处理模块，对数据采集及预处理模块输出的心音信号进行希尔伯特包络提取；

峰值提取模块，对希尔伯特包络提取后心音获取第一心音S1峰值和第二心音S2峰值所在位置；

峰值定位模块，对希尔伯特包络提取后心音基于心动周期进行峰值定位；

最佳时间跨度计算模块，利用改进后维特比算法定位心音信号中第一心音S1和第二心音S2的最佳时间跨度；

分割模块，利用最佳时间跨度计算模块输出的时间跨度和峰值定位模块输出的S1、S2的峰值定位位置，实现对数据采集及预处理模块输出的心音信号进行分割。

5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于当所述计算机程序在计算机中执行时，令计算机执行权利要求1-3中任一项所述的方法。

6.一种计算设备，包括存储器和处理器，其特征在于所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-3中任一项所述的方法。

Images