一種基于子帶能量包絡(luò)自相關(guān)特征的異常心音識別方法
【專利摘要】基于子帶能量包絡(luò)自相關(guān)特征的異常心音識別方法，涉及一種異常心音識別方法，解決心音識別中存在依賴心音分段、不能處理變長信號、無法適應(yīng)現(xiàn)實(shí)噪聲環(huán)境的特征提取和分類識別的問題。將輸入的心音信號進(jìn)行能量標(biāo)準(zhǔn)化處理后降采樣并進(jìn)行帶通濾波；對近似子帶能量包絡(luò)信號和細(xì)節(jié)子帶能量包絡(luò)信號分別計(jì)算其自相關(guān)序列，并分別截取兩個(gè)序列的前M個(gè)值作為輸入心音信號的近似子帶能量包絡(luò)自相關(guān)特征和細(xì)節(jié)子帶能量包絡(luò)自相關(guān)特征；依據(jù)能量包絡(luò)自相關(guān)特征分別構(gòu)造作用其上的兩個(gè)由RM空間到Re空間的散射映射，降維后進(jìn)行融合得到心音信號的能量包絡(luò)自相關(guān)特征；測試數(shù)據(jù)進(jìn)行特征提取并輸入到分類模型中進(jìn)行分類。避免了心音分段過程，而且提高了噪聲環(huán)境下的魯棒性。
【專利說明】一種基于子帶能量包絡(luò)自相關(guān)特征的異常心音識別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種異常心音識別方法，涉及生物信號識別技術(shù)及智能信息處理領(lǐng) 域。

【背景技術(shù)】
[0002] 據(jù)世界衛(wèi)生組織統(tǒng)計(jì)的結(jié)果，心血管疾病已經(jīng)成為當(dāng)今威脅人類生命健康的頭號 殺手。2004年大約有1700萬人死于心血管疾病，占全部疾病的29%，其中720萬人死于心 臟病，而且由心臟導(dǎo)致的患病和死亡的人數(shù)和比例還在逐年增加。在我國，依據(jù)"中國心血 管病報(bào)告2012"公布的結(jié)果：我國心血管病患病率處于持續(xù)上升態(tài)勢，估計(jì)心血管病的患 者人數(shù)為2. 9億，S卩每10個(gè)成年人中就有2人患心血管病，每年約有350萬人死于心血管 病，占總死亡原因的41 %，居各種疾病之首。因此，及時(shí)發(fā)現(xiàn)心血管疾病的患病癥狀、掌握病 情狀態(tài)對保證人類的生命健康具有極其重要的意義。
[0003] 人體是一個(gè)異常復(fù)雜的有機(jī)整體，當(dāng)人體患病時(shí)會產(chǎn)生各種生理信號，通過解讀 這些生理信號能夠及早地發(fā)現(xiàn)所患疾病，并能夠?qū)Σ∏閷?shí)行有效地監(jiān)控。對心血管疾病而 言，心音（HeartSound)就是人體最為重要的生理信號之一。心音是心臟及心血管系統(tǒng)機(jī)械 運(yùn)動狀況的反映，是在心動周期中由于心肌收縮舒張、瓣膜啟閉以及血流沖擊心室壁和大 動脈等引起的一種機(jī)械振動。在醫(yī)學(xué)研宄中，心音圖（Phonocardiogram，PCG)是評估心臟 功能狀態(tài)的一種基本的方法。與心電圖（Electrocardiogram，ECG)方法相比，心臟或心血 管疾病所表現(xiàn)出的病理現(xiàn)象會較早地體現(xiàn)在心音信號上，在患者尚未感覺到痛感和ECG異 常等癥狀之前，心音就可以為早期診斷提供可靠的信息?；谛囊粜盘柕膫鹘y(tǒng)醫(yī)療手段是 心音聽診和心音圖，然而它們在臨床應(yīng)用中皆有不足之處。聽診需要醫(yī)生使用聽診器依靠 耳聽的方式進(jìn)行診斷，然而心音的主要頻率成分是在40?150Hz之間，而人耳聽覺系統(tǒng)自 身頻率敏感的范圍是1000?3000Hz，這意味著這種通過人耳聽診方式會損失大量的信息， 從而影響對疾病的診斷。心音圖通過將心音信號進(jìn)行圖像化彌補(bǔ)了聽診的不足，但需要更 為專業(yè)的設(shè)備，也增加了診療的費(fèi)用。除設(shè)備和聽診方式自身的不足外，更為重要的是，以 上兩種方法均需要依賴醫(yī)生自身的專業(yè)知識和經(jīng)驗(yàn)才能做出診斷，其診斷過程是主觀的， 缺少定量的分析方法，因而難以保證診斷結(jié)果的可靠性，往往還需要借助更為復(fù)雜、費(fèi)用更 高的其他診療方法進(jìn)行確診。此外，對普通人或需要經(jīng)常進(jìn)行病情監(jiān)控的患者來說，由于其 既沒有專業(yè)方面的知識，也無法購置昂貴的醫(yī)療設(shè)備，上述兩種方法顯然都難以實(shí)現(xiàn)家庭 聽診。
[0004] 心音是聲音信號的一種，其蘊(yùn)含著有關(guān)人體健康狀況的重要信息，通過提取這種 信息并進(jìn)行有效的識別能夠?qū)崿F(xiàn)客觀的數(shù)字化心音聽診，從而能為患者提供可靠的診斷結(jié) 果。就心音識別而言，心音分段與心音分類是其主要研宄內(nèi)容。心音分段主要是對心音信 號中出現(xiàn)的第一心音信號Sl和第二心音信號S2的檢測，并進(jìn)而確定心動周期等重要生理 參數(shù)，同時(shí)也是接下來心音分類任務(wù)的預(yù)處理。心音分類需進(jìn)一步從異常心音信號中識別 出是何種心臟雜音（如心縮期雜音、心舒期雜音）以及其他干擾聲音等，并進(jìn)而分辨出相 應(yīng)的疾病類型。在現(xiàn)實(shí)的應(yīng)用環(huán)境下，采集到的心音信號通常會伴有多種干擾噪聲，如聽 診器與衣服或皮膚的摩擦聲、背景音樂聲、人的說話聲等，因此這需要心音識別方法具有較 強(qiáng)的魯棒性。為此，歐盟支持的PASCAL(PatternAnalysis,StatisticalModellingand ComputationalLearning)計(jì)劃將噪聲環(huán)境下的心音分段和分類作為2012年度的挑戰(zhàn)任 務(wù)。然而，噪聲環(huán)境下、結(jié)構(gòu)復(fù)雜、非平穩(wěn)的心音信號識別是一個(gè)新興的、較難解決的問題， 目前尚處于研宄的起步階段，缺少系統(tǒng)性的研宄方法。
[0005] 1)現(xiàn)有的心音識別/分類方法大多需要先對輸入心音信號進(jìn)行分段處理，依據(jù) 分段的結(jié)果進(jìn)行特征提取和分類識別，因而其識別性能在很大程度上依賴于心音分段的精 度。然而，嚴(yán)重心臟病患者的心音中通常伴有顯著的心雜音（murmur)，而且在現(xiàn)實(shí)中的心音 采集（聽診）過程中通常伴有噪聲（如聽診器與皮膚或衣服的摩擦音、語音、音樂及其他環(huán) 境噪聲等），這些情況都會大大降低心音分段的精度，從而明顯降低心音識別系統(tǒng)的性能。
[0006] 2)現(xiàn)有的心音識別/分類方法通常以固定時(shí)長來處理心音信號，以便進(jìn)行特征提 取和分類識別。然而在現(xiàn)實(shí)應(yīng)用中所采集的心音信號通常具有較大的變動范圍，這限定了 固定長度識別方法的使用。


【發(fā)明內(nèi)容】

[0007] 要解決的技術(shù)問題：
[0008] 為解決上述心音識別中存在依賴心音分段、不能夠處理變長輸入信號、無法適應(yīng) 于現(xiàn)實(shí)噪聲環(huán)境的特征提取和分類識別的問題，進(jìn)而提供一種基于子帶能量包絡(luò)自相關(guān)特 征的異常心音識別方法。
[0009] 本發(fā)明為解決上述技術(shù)問題采取的技術(shù)方案是：
[0010] 一種基于子帶能量包絡(luò)自相關(guān)特征的異常心音識別方法，由以下步驟實(shí)現(xiàn)：
[0011] 步驟一、將輸入的心音信號進(jìn)行能量標(biāo)準(zhǔn)化處理，然后降采樣為2kHz，并對其采用 6階巴特沃斯濾帶通（20?900Hz)波器對降采樣后的心音信號進(jìn)行帶通濾波以濾除截止頻 率以外的聲音和噪聲，得到預(yù)處理后的信號；
[0012] 步驟二、依據(jù)心音和心雜音信號的頻率分布特點(diǎn)，采用4階Daubechies小波對步 驟一中預(yù)處理后的信號進(jìn)行4層分解，對分解所得到的小波近似子帶系數(shù)a4和細(xì)節(jié)子帶系 數(shù)(12分別進(jìn)行分幀處理并提取均值香農(nóng)能量包絡(luò)，從而得到近似子帶能量包絡(luò)信號Ea和細(xì) 節(jié)子帶能量包絡(luò)信號Ed;
[0013] 步驟三、對步驟二中所得到的近似子帶能量包絡(luò)信號Ea和細(xì)節(jié)子帶能量包絡(luò)信號 Ed分別計(jì)算其自相關(guān)序列，并分別截取兩個(gè)序列的前M個(gè)值作為輸入心音信號的近似子帶 能量包絡(luò)自相關(guān)特征raeRm和細(xì)節(jié)子帶能量包絡(luò)自相關(guān)特征rdeRM，其中M的取值范圍 為：200彡M彡300 ;
[0014] 步驟四、依據(jù)步驟三中所得到的能量包絡(luò)自相關(guān)特征rdPrd分別構(gòu)造作用其上的 兩個(gè)由Rm空間到Re空間的散射映射（diffusionmaps)ita:RM-Re和itd:RM-Re，兩種能量 包絡(luò)自相關(guān)特征ra*rd經(jīng)各自的散射映射變換后的結(jié)果為：力a(ra)GRlPitd(rd)eRe， 其中e〈M，從而實(shí)現(xiàn)降維；然后，再將和Krd)以向量拼接的方式融合在一起，最終 得到心音信號的能量包絡(luò)自相關(guān)特征z;
[0015] 步驟五、依據(jù)步驟一至四所述的特征提取過程，對訓(xùn)練集數(shù)據(jù)中L個(gè)心音信號進(jìn) 行特征提取得到L個(gè)心音能量包絡(luò)自相關(guān)特征，并結(jié)合每個(gè)心音信號的類別標(biāo)識信 息Yi得到訓(xùn)練集;然后，以支撐向量機(jī)（SVM)為分類器訓(xùn)練分類模型，從而完成模 型訓(xùn)練過程；
[0016] 步驟六、依據(jù)步驟一至四所述的特征提取過程，對測試數(shù)據(jù)中J個(gè)心音信號進(jìn)行 特征提取得到j(luò)個(gè)心音能量包絡(luò)自相關(guān)特征Prt1 輸入到由步驟五中訓(xùn)練得到 分類模型中進(jìn)行分類。
[0017] 步驟三中，依據(jù)下式計(jì)算近似子帶能量包絡(luò)自相關(guān)特征^和細(xì)節(jié)子帶能量包絡(luò)自 相關(guān)特征rd

【權(quán)利要求】
1. 一種基于子帶能量包絡(luò)自相關(guān)特征的異常心音識別方法，其特征在于它由以下步驟 實(shí)現(xiàn)： 步驟一、將輸入的心音信號進(jìn)行能量標(biāo)準(zhǔn)化處理，然后降采樣為2kHz，并對其采用6階 巴特沃斯濾帶通波器對降采樣后的心音信號進(jìn)行帶通濾波以濾除截止頻率以外的聲音和 噪聲，得到預(yù)處理后的信號； 步驟二、依據(jù)心音和心雜音信號的頻率分布特點(diǎn)，采用4階Daubechies小波對步驟一 中預(yù)處理后的信號進(jìn)行4層分解，對分解所得到的小波近似子帶系數(shù)a4和細(xì)節(jié)子帶系數(shù)d2 分別進(jìn)行分幀處理并提取均值香農(nóng)能量包絡(luò)，從而得到近似子帶能量包絡(luò)信號EJP細(xì)節(jié)子 帶能量包絡(luò)信號Ed; 步驟三、對步驟二中所得到的近似子帶能量包絡(luò)信號Ea和細(xì)節(jié)子帶能量包絡(luò)信號Ed 分別計(jì)算其自相關(guān)序列，并分別截取兩個(gè)序列的前M個(gè)值作為輸入心音信號的近似子帶能 量包絡(luò)自相關(guān)特征raeRM和細(xì)節(jié)子帶能量包絡(luò)自相關(guān)特征rdeRM，其中M的取值范圍 為：200彡M彡300 ; 步驟四、依據(jù)步驟三中所得到的能量包絡(luò)自相關(guān)特征匕和rd分別構(gòu)造作用其上的兩個(gè) 由RM空間到R6空間的散射映射$a:RM-R6和$d:RM-R6,兩種能量包絡(luò)自相關(guān)特征^和 rd經(jīng)各自的散射映射變換后的結(jié)果為：力a(ra)GRe和力d(rd)GRe，其中e〈M，從而實(shí)現(xiàn)降 維；然后，再將ih(ra)和ih(rd)以向量拼接的方式融合在一起，最終得到心音信號的能量 包絡(luò)自相關(guān)特征z; 步驟五、依據(jù)步驟一至四所述的特征提取過程，對訓(xùn)練集數(shù)據(jù)中L個(gè)心音信號進(jìn)行特 征提取得到l個(gè)心音能量包絡(luò)自相關(guān)特征，并結(jié)合每個(gè)心音信號的類別標(biāo)識信息 yi得到訓(xùn)練集;然后，以支撐向量機(jī)為分類器訓(xùn)練分類模型，從而完成模型訓(xùn)練過 程； 步驟六、依據(jù)步驟一至四所述的特征提取過程，對測試數(shù)據(jù)中j個(gè)心音信號進(jìn)行特征 提取得到J個(gè)心音能量包絡(luò)自相關(guān)特征{zrt;將{d,輸入到由步驟五中訓(xùn)練得到分類 模型中進(jìn)行分類。
2. 根據(jù)權(quán)利要求1所述的一種基于子帶能量包絡(luò)自相關(guān)特征的異常心音識別方法，其 特征在于步驟三中，依據(jù)下式計(jì)算近似子帶能量包絡(luò)自相關(guān)特征1^和細(xì)節(jié)子帶能量包絡(luò)自 相關(guān)特征rd
式中： 當(dāng)x取"a"時(shí)，Ex(n)表示近似子帶能量包絡(luò)信號，當(dāng)x取"d"時(shí)，Ex(n)表示細(xì)節(jié)子帶 能量包絡(luò)信號，n為能量包絡(luò)信號的時(shí)間索引，m為時(shí)間索引的偏移量。
3. 根據(jù)權(quán)利要求1或2所述的一種基于子帶能量包絡(luò)自相關(guān)特征的異常心音識別方 法，其特征在于步驟四中散射影射Re和步d:RM-Re的構(gòu)造過程為：在構(gòu)造散射影 射！^和步^寸，除所采用的特征集合不同外，其構(gòu)造過程完全相同，因此統(tǒng)一表示為散射影 射步，并以表示由L個(gè)心音信號中提取出的能量包絡(luò)自相關(guān)特征，ri為近似子帶能 量包絡(luò)自相關(guān)特征ra或細(xì)節(jié)子帶能量包絡(luò)自相關(guān)特征rd;散射影射！D的構(gòu)造過程包含以 下四個(gè)步驟： 步驟四（一）、構(gòu)造特征集Q= 上的轉(zhuǎn)移矩陣P; 步驟四（二）、對轉(zhuǎn)移矩陣P進(jìn)行特征值分解以得到散射影射步； 步驟四（三）、對散射影射步進(jìn)行擴(kuò)散以使其可以應(yīng)用于新數(shù)據(jù)。
4. 根據(jù)權(quán)利要求3所述的一種基于子帶能量包絡(luò)自相關(guān)特征的異常心音識別方法，其 特征在于步驟四（一）中使用如下方法構(gòu)造特征集上的轉(zhuǎn)移矩陣P:采用高斯核函 數(shù)度量特征集中任意兩個(gè)特征1^和rj間的相似關(guān)系w(ri,rj:
其中：S為核寬；則特征集上的轉(zhuǎn)移矩陣P定義為P=D_1ff 其中：矩陣W中的元素定義為Wu=w(ri，rp，對角陣D的對角元素定義為
5. 根據(jù)權(quán)利要求4所述的一種基于子帶能量包絡(luò)自相關(guān)特征的異常心音識別方法，其 特征在于步驟四（二）中使用如下方法對轉(zhuǎn)移矩陣P進(jìn)行分解并得到散射影射步： 對轉(zhuǎn)移矩陣P進(jìn)行特征值分解：
其中：U= [Ui,. . .，uK]和V= [Vi,. . .，vK]分別為轉(zhuǎn)移矩陣P的右特征向量和左特征 向量，S是由P的特征值所構(gòu)成的對角陣列，即S=diag(A. . .，AK);則對特征集中的任 意特征rGD，其散射映射定義為：步（r)=[入此(r)，…，人KuK(r)]。
6. 根據(jù)權(quán)利要求5所述的一種基于子帶能量包絡(luò)自相關(guān)特征的異常心音識別方法，其 特征在于步驟四（三）中使用如下方法對散射影射步進(jìn)行擴(kuò)散以使其可以應(yīng)用于新數(shù)據(jù)： 對任意特征12，其散射映射由下式得到
7. 根據(jù)權(quán)利要求1、2、4、5、或6所述的一種基于子帶能量包絡(luò)自相關(guān)特征的異常心 音識別方法，其特征在于步驟四不同能量包絡(luò)自相關(guān)特征rdPrd的散射映射！Da(ra)和 !td(rd)按下式進(jìn)行融合得到能量包絡(luò)自相關(guān)特征Z:
8. 根據(jù)權(quán)利要求3所述的一種基于子帶能量包絡(luò)自相關(guān)特征的異常心音識別方法，其 特征在于步驟四不同能量包絡(luò)自相關(guān)特征ra*rd的散射映射！Da(ra)和！Dd(rd)按下式進(jìn) 行融合得到能量包絡(luò)自相關(guān)特征Z:
【文檔編號】A61B7/04GK104473660SQ201410835394
【公開日】2015年4月1日 申請日期:2014年12月29日 優(yōu)先權(quán)日:2014年12月29日
【發(fā)明者】鄧世文, 韓紀(jì)慶, 唐黎明, 鄭鐵然, 鄭貴濱, 張文杰 申請人:哈爾濱師范大學(xué)