基于希尔伯特-黄变换和提升小波包相结合的心音信号识别研究

2014-03-24 04:53江玉柱韩立喜尹晓峰
医疗卫生装备 2014年10期
关键词:心音波包频带

江玉柱,张 伟,韩立喜,张 康,李 松,井 赛,张 科,尹晓峰

基于希尔伯特-黄变换和提升小波包相结合的心音信号识别研究

江玉柱,张 伟,韩立喜,张 康,李 松,井 赛,张 科,尹晓峰

目的:研究基于希尔伯特-黄变换和提升小波包相结合的方法对正常和异常心音信号识别的效果。方法:首先用DB6小波对心音信号进行降噪处理,然后用希尔伯特-黄变换分析提取心音信号的时域、频域特征值,再通过自适应提升小波包提取信号的频带能量特征值,最后通过支持向量机对心音信号进行分类识别。结果:对临床采集的240例异常心音和正常心音进行实验,正确识别率达到97.2%,且运算速度很快。结论:希尔伯特-黄变换和自适应提升小波包相结合的方法可有效识别正常和各种异常的心音信号,值得推广应用。

心音识别;希尔伯特-黄变换;小波包;特征提取

0 引言

心音听诊是临床常用的诊断各种心脏疾病的重要手段。但心音信号中包含很多人耳无法辨识的重要信息,为了实现心音信号的量化研究和揭示听觉不能识别的信息,心音信号的自动识别和诊断显得尤为重要。对此许多学者开展了大量的研究工作[1-6],并取得了一定成果。Babaei S等[1]和Gupta等[2]采用小波分析对心音信号进行特征值提取,然后使用人工神经网络进行心音信号的模式识别,其准确率分别达到94.42%和96%。Uguz等[3]通过小波和短时傅里叶变换(short-time Fourier transform,STFT)提取心音信号的特征值,再使用隐马尔科夫模型对正常心音和异常心音进行分类,得到了92%的特异性和97%的敏感性的结果。刘宇红等[4]提出基于小波变换域的参数化双谱心音信号的分析方法,从而避免了非高斯噪声对双谱造成的干扰,使心音信号的模式特征的提取更加准确、有效。张国华等[5]提出采用小波包变换提取心音信号的能量特征值,并对5种心音信号进行了分类。雷鸣等[6]将非线性分形理论应用到孕妇心音信号的分析中,用分形维数值反映心音信号的复杂程度,为临床评估孕妇心脏的安全性提供了一个重要依据。

尽管在心音信号的特征提取和自动识别方面,取得了不少的研究成果,但由于心音信号具有非常复杂的时变特征[7],单一的时域、频域或者能量特征都不足以全面反映心音信号,以致影响了信号的分类识别率。为此,先用希尔伯特-黄变换(Hilbert-Huang transform,HHT)提取心音信号的时域和频域特征值,对心音信号进行7层经验模态分解(Empirical mode decomposition,EMD),由各层固有模态函数(intrinsic mode function,IMF)对心音信号进行重构后,用希尔伯特变换(Hilbert transform,HT)提取心音信号的包络线,并计算出心音信号的特征值,再通过自适应提升小波包提取心音信号的归一化频带能量特征值,最后采用支持向量机进行5类心音信号的分类识别,其正确识别率达到97.2%。本研究所提取的心音信号特征全面,采用的自适应性提升小波包变换具有很大的灵活性,且易于实现,所以取得了较好的心音信号识别效果。

1 数据和方法

1.1 数据

所涉及的心音数据来自济南市第五人民医院。由临床经验丰富的医生通过“双盲法”诊断,确诊了正常心音和第一心音分裂、第一心音减弱、收缩早期额外音和完全性左束支传导阻滞等5种听诊中容易混淆的心音信号共240例样本。其中,男性112例,女性128例;年龄为18~77岁。所采用的录音设备为MP150,采样频率为22 050 Hz,分辨率为16位,速率为43 kbit/s。经测试者同意,经2位医生听诊后,要求测试者平躺,在其平静的状态下进行心音信号录制,录制过程由临床医生完成。

1.2 方法

心音信号识别流程(如图1所示)包括信号的预处理、特征值提取和信号分类识别。

图1 心音信号识别流程

1.2.1 预处理

考虑到心音信号的频率在2 Hz~2 kHz之间,所以先对心音信号进行了10倍的降采样处理,把高于2 kHz的噪声去除。然后再通过小波对其进行降噪处理,采用的是DB6小波函数。

1.2.2 HHT

HHT由EMD和HT 2个部分组成。其中,EMD可以把用时间尺度表征的信号分解为有限个按频率高低排列的IMF,且IMF分量具有自适应性。但是EMD分解过程中容易产生端点效应[8-10],本文采用文献[10]提出的改进方法抑制端点效应。然后对各IMF分量进行HT,得到每个分量的瞬时频率Wi(n)和幅度Ai(n)。Wi(n)表征信号的局部特征。将各个分量的Wi(n)和Ai(n)的乘积和与Ai(n)幅度和的比值作为心音信号的瞬时频率w(n),即

其中,m代表EMD的层数。瞬时频率能反映心音信号的时频特性,如异常心音信号的杂音或额外音的高频部分会在此参数上直接体现。所以,将N个w(n)的平均值和方差作为心音信号的频域特征值,具体如公式(2)和(3)所示。

其中,k的取值为1~N的整数。

由各层IMF对心音信号进行重构后,用HT提取心音信号的包络线,并计算出心音信号的特征值:心动周期hrt,第一、第二心音时限s1h(第一心音的持续时间),s2h(第二心音的持续时间)。还可以通过计算得到:(1)心率:hr=60 s/hrt;(2)时限比值:s1h/s2h;(3)各心音时限与心动周期比值:s1h/hrt、s2h/hrt等参数。

1.2.3 自适应提升小波包

通过上述特征值可以诊断出患者是否有心率异常、心音分裂、心音增强的现象,但是对于轻微的心音分裂和增强是无法通过以上特征值做出诊断的,所以,本研究通过自适应提升小波包提取心音信号的归一化频带能量特征值。提升小波包的构造过程如下:

(1)分裂:同普通提升小波变换一样,先将信号S分裂为奇数序列So和偶数序列Se。表达式如下:

其中,n是样本中的序列号,Sn是S中的第n个样本。

(2)分解:此过程相当于普通提升小波中的预测和更新过程,通过以下公式可以计算提升小波包分解中m层的各个频带信号。

其中,P和U是提升算子。

(3)重构:此过程是上步分解的逆过程,不同的是,在重构过程中除了要保留重构的频带信号,其他的置为0。计算公式如下:

提升算子P和U采用文献[11]的方法给出,这里不再赘述。

通过分解层中相邻样本点的相关系数Rc(低频)和Rd(高频)[12-14]来确定提升算子的个数,使其自适应心音信号的局部特征。表达式如下:

式中,m为提升小波包分解层数,n为1~(2m-1)之间的整数。当式(5)的值大于式(4)的值,且式(4)的值不小于零时,说明心音信号的局部特征比较强;提升算子P取4,若式(4)的值小于零,说明心音信号在此点的局部特征比较弱,提升算子U取2。同样,心音信号的高频特性由式(6)和式(7)决定。

1.2.4 特征值提取与识别

特征值提取是模式识别的前提与基础,心音信号就是通过上述方法提取特征值并进行识别,其步骤如下:

(1)先对心音信号进行EMD 7层分解,得到各层IMF。

(2)采用HT计算各层的瞬时频率和幅度,进而计算心音信号的瞬时频率w(n),同时计算频域特征值E、δ。

(3)重构心音信号并进行HT变换得到包络线,并计算心音信号的时域特征值 s1h、s2h、hrt、s1h/hrt、s2h/hrt、s1h/s2h组成特征向量M1。

(4)对心音信号进行自适应提升小波包三层分解,并按最小熵标准得到最佳小波包树。(5)对最佳小波包树中的各小波系数进行重构,原信号可以表示为:

(6)计算各频带信号的能量并用能量值构造特征向量且归一化。

(7)由特征向量M1、M2,采用支持向量机对心音信号进行分类识别。

2 实验结果

2.1 心音信号的特征值计算

按照以上步骤,得到5种心音信号的包络线和能量分布图,具体如图2~7所示。

图2 正常心音

图3 第一心音分裂

由图2~6中的(b)图以及图7可知,不同心音信号的包络线和归一化频带能量的分布是不同的,这也是分类识别的依据。由图7可知,正常心音信号在第2频带的能量值最大,而其他4种心音信号均在第1频带的能量值最大。正常心音信号的3~6频带的能量分布比较均匀,而其他4种心音信号的3~6频带的能量值大小不等。第一心音分裂在第4频带能量值比较大,在第5频带的能量值极小。第一心音减弱在第5频带的能量值较大,但在第4和第6频带的能量值相差不大且都比较小。收缩早期额外音在第4频带的能量值较大,而在第3、5、6频带的能量值较小。完全性左束支传导阻滞心音信号的第4频带能量值较大,在第5频带的能量值极小。因此,归一化频带能量的不同分布值可以作为分类识别的特征值。

图4 第一心音减弱

图5 收缩早期额外音

图6 完全性左束支传导阻滞的原信号

图7 能量分布图

另外,按照实验方法和步骤,分别计算了5种心音信号的时域和频域特征参数,具体见表1。

表1 时域和频域特征值

从表1可以看出,第一心音持续时间较长,并且在心动周期中,第一心音所占比值增加,第二心音所占比值减小,具有这种特点的心音信号属于第一心音分裂。而第一心音持续时间较短,并且在心动周期中,第一、第二心音所占比值明显较小,具有这种特点的心音信号属于第一心音减弱。在收缩早期额外音中,s1h、s2h所占心动周期的比值小很多。另外,s2h时限增加,所占心动周期的比值同时增加,s1h、s2h的时限比值减小,这种心音是完全性左束支传导阻滞。由频域特征值E、δ可知,每2种心音信号之间的差异都很小,这也说明这5种心音在听诊时频率相差不是很大,很容易混淆。

2.2 心音信号的分类识别

心音信号识别研究选取了240例样本,从这240例样本中随机抽取180例作为训练样本,剩下60例作为测试样本,其中,正常心音和第一心音分裂、第一心音减弱、收缩早期额外音和完全性左束支传导阻滞都是按照3∶1的比例抽取。根据表1的特征值以及归一化能量特征值,采用支持向量机的工具Libsvm对心音信号进行分类,根据经验选取了高斯径向基函数为核函数,其分类结果见表2。

表2 心音信号分类结果

从表2中可知,对180例心音信号的训练样本进行识别,其中误判的心音信号样本数为5例,正确判别率为97.2%;对60例心音信号的测试样本进行识别,其中误判的心音信号样本数为9例,正确判别率为85%。正常心音易被判为心音分裂或者心音减弱,这是因为比较轻微的心音减弱或心音分裂的特征值与正常心音的特征值比较相近,不易分辨。收缩早期额外音中有第一心音分裂的情况,所以误判为第一心音分裂。完全性左束支传导阻滞没有误判是因为其有第二心音分裂的情况,而其他心音信号无此特征。

3 结论

心音信号识别采用HHT提取信号的时域和频域特征值,并用自适应提升小波包提取心音信号归一化频带能量特征值,然后采用支持向量机进行识别可以减小类可分离性判据因类别过近而准确率下降的误差,训练样本的识别率达到97.2%,比其他方法识别率高,而且该方法运算速度快,有一定的应用价值。

[1]Babaei S,Geranmayeh A.Heart sound reproduction based on neural network classification of cardiac valve disorders using wavelet transforms of PCG signals[J].Compute Biol Med,2009,39(1):8-15.

[2]Gupta C N,Palaniappan R,Swaminathan S.Neural network classification of homomorphic segmented heart sounds[J].Appl Soft Comp,2007,24(7):286-297.

[3]Uguz H,Arlan A,Turkoglu I.A biomedical system based on hidden Markov model for diagnosis of the heart vave diseases[J].Pattern-Recognition Letters,2007,28(4):395-404.

[4]刘宇红,梁俊,胡宇鸿.基于小波变换域的参数化双谱心音信号分析方法的研究[J].信号处理,2004,20(1):5-9.

[5]张国华,袁中凡,李彬彬.心音信号特征值提取小波包算法研究[J].振动与冲击,2008,27(7):47-49.

[6]雷鸣,郭兴明,肖守中.非线性分形理论在孕妇心音信号分析中的应用[J].中国生物医学工程学报,2011,30(5):681-684.

[7]全海燕,王威廉.Hilbert-Huang变换及其在心音信号分析中的应用[J].信号处理,2003,19(增刊):312-315.

[8]Claypoole R L,Davis G M,Sweldens W.Nonlinear wavelet transforms for image coding via lifting[J].IEEE Transactions on Image Processing,2003,12(12):1 449-1 459.

[9]Sumeth Y,Akinori N,Waree K.A framework for automatic heart sound analysis without segmentation[J].Biomedical Engineering Online,2011,10(1):10-13.

[10]HUANG Wen-tao,SHEN Zhen,Steven R L,et al.The empirical mode decomposition and the Hilbert spectrum for nonlinear and nonstationary time series analysis[J].Proc R Soc Lond A,1998,454:903-905.

[11]郭兴明,袁志会.基于小波变换和经验模式分解的心音信号研究[J].中国生物医学工程学报,2012,31(1):39-44.

[12]李彬彬,袁中凡,杨春生.改进HHT算法及在心音信号分析中的应用[J].四川大学学报,2007,39(4):160-163.

[13]姜洪开,王仲生,何正嘉.基于自适应提升小波包的故障微弱信号特征早期识别[J].西北工业大学学报,2008,26(2):99-103.

[14]路荣,黄力宇,晋琅.小波包分解脑电复杂性特征提取的注意状态实时识别[J].医疗卫生装备,2013,34(2):1-4,7.

(收稿:2014-01-02 修回:2014-03-31)

Study on heart sound identification based on combined Hilbert-Huang transform and lifting wavelet package

JIANG Yu-zhu,ZHANG Wei,HAN Li-xi,ZHANG Kang,LI Song,JING Sai,ZHANG Ke,YIN Xiao-feng(Institute for Drug and Instrument Control of Jinan Military Area Command,Jinan 250022,China)

ObjectiveTo improve recognition rate of normal and abnormal heart sound signal by the method combing Hilbert-Huang transform and lifting wavelet package.MethodsDB6 wavelet was used to denoise the heart sound signal firstly,then HHT transform was applied to extracting the characteristic values for frequency domain and time domain, and self-adaptive lifting wavelet package was mobilized to acquire the characteristic values of the frequency band energy,finally support vector machine was utilized for the classified recognition of the signals.ResultsTotally 240 cases of abnormal and normal heart sound signals underwent the experiment,with the recognition rate of 97.2%and high calculation speed.ConclusionHHT combined with lifting wavelet package can recognize kinds of normal and abnormal heart sound signals,and thus is worth popularizing practically.[Chinese Medical Equipment Journal,2014,35(10):16-20]Key wordsheart sound identification;Hilbert-Huang transform;wavelet packet;characteristics extraction

R318;R540.4

A

1003-8868(2014)10-0016-05

10.7687/J.ISSN1003-8868.2014.10.016

江玉柱(1965—),男,副所长,高级工程师,主要从事军事卫生装备质量控制及医学计量方面的研究工作,E-mail:jyz91572@sina.com。

250022济南,济南军区联勤部药品仪器检验所(江玉柱,张 伟,韩立喜,张 康,李 松,井 赛,张 科,尹晓峰)

张 伟,E-mail:zhangwei1613@126.com

猜你喜欢
心音波包频带
基于支持向量机和小波包变换的EOG信号睡眠分期
Wi-Fi网络中5G和2.4G是什么?有何区别?
基于Bark域的电子耳蜗频带划分分析和拟合研究
原子双阱势中电子波包的非绝热操控
单音及部分频带干扰下DSSS系统性能分析
基于双阈值的心音快速分段算法及其应用研究
双声道心音能量熵比的提取与识别研究
基于香农熵的心音信号检测方法研究
基于小波包变换的乐音时—频综合分析程序的开发
LTE-U