馬永華，成謝鋒

（南京郵電大學(xué) 電子科學(xué)與工程學(xué)院，江蘇 南京 210003）

小波和神經(jīng)網(wǎng)絡(luò)在心音識(shí)別中的應(yīng)用

馬永華，成謝鋒

（南京郵電大學(xué) 電子科學(xué)與工程學(xué)院，江蘇 南京 210003）

提出一種心音的特征提取和分類方法，用離散小波變換分解、重構(gòu)產(chǎn)生信號(hào)的細(xì)節(jié)包絡(luò)，進(jìn)而用于提取特征，從預(yù)處理的信號(hào)中提取統(tǒng)計(jì)特性，作為心音分類的特征。多層感知器用于心音的分類，并通過250個(gè)心動(dòng)周期得到驗(yàn)證，算法識(shí)別率達(dá)到92%。

小波；Levenburg-Marquardt；神經(jīng)網(wǎng)絡(luò)

心音是人體最重要的生理信號(hào)之一，長期以來心音聽診一直是醫(yī)生診斷疾病的一種重要手段，它可以提供心血管系統(tǒng)異常的重要信息。

正常的心音包含第一心音（S1）、第二心音（S2）、第三心音（S3）和第四心音（S4）四個(gè)部分，第一心音的頻率主要集中在50 Hz～150 Hz范圍內(nèi)，而第二心音的頻率主要集中在 50 Hz～200 Hz范圍內(nèi)。其中 S1、S2是可以監(jiān)聽到的部分，而S3、S4強(qiáng)度很弱，幾乎聽不到。心音的每一部分對應(yīng)著心臟各器官的功能，如房室瓣的關(guān)閉是產(chǎn)生第一心音的主要因素，半月瓣關(guān)閉是產(chǎn)生第二心音的主要因素。為了有助于檢測疾病，在聽診中監(jiān)聽、分析心音的主要成分：S1、S2。在非正常的心音中，可能還存在S3、S4及雜音等。

在聽診中要檢測的重要特征有心音的韻律、心音成分的相對強(qiáng)度、S2的分裂、雜音等，盡管心音的很多定量描述已經(jīng)得知，但是，僅僅通過聽診很難確定他們的特征，實(shí)際上，聽診僅僅依靠于身體上的某些點(diǎn)，在這些地方，心音很容易聽到，但是需要很多醫(yī)學(xué)經(jīng)驗(yàn)，而且很不容易提取，而計(jì)算機(jī)輔助工具有助于確定這些特征。早期的研究者，已經(jīng)提出個(gè)幾種關(guān)于心音特征提取的方法，ZIN[1]用瞬時(shí)能量和頻譜估計(jì)（IEFE）技術(shù)來提取心音的特征；參考文獻(xiàn)[2]中，特征的提取主要基于歸一化自回歸能量頻譜密度曲線。在特征提取之前，用小波分解來處理心音信號(hào)，通過選取合適的閾值，去除噪聲，從而兩個(gè)特征被提取出來：fmax和fwidth。

當(dāng)今，有很多方法可識(shí)別心音信號(hào)，如參考文獻(xiàn)[2]的SVM技術(shù)；參考文獻(xiàn)[3]提到的基于專家系統(tǒng)的規(guī)則；參考文獻(xiàn)[4]中決策樹支持系統(tǒng)；平滑偽Wigner-Ville分布[5]；參考文獻(xiàn)[6]連續(xù)隱性馬爾可夫模型和神經(jīng)網(wǎng)絡(luò)如：MLP、LVQ、SOM、GAL、RBF 等。

[7]中，心音信號(hào)用小波進(jìn)行預(yù)處理，用信號(hào)的能量作為進(jìn)一步分類的特征。在本文中，提出一種新的方法來提取心音的特征，主要是基于信號(hào)的統(tǒng)計(jì)特征：均值和標(biāo)準(zhǔn)方差，這些信號(hào)特征用多層感知器來分類，用Levenberg-Marquardt算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)在初期的研究中，主要是由于其在Matlab中簡單并且易于得到。本文的研究主要基于正常心音和四種常見的心臟瓣膜失調(diào)的類型：主動(dòng)脈狹窄、主動(dòng)脈返流、二尖瓣狹窄和二尖瓣返流[8]。

1 小波分解與重構(gòu)思想

由于心音中含有噪聲，比如呼吸音、身體的移動(dòng)、皮膚的摩擦音、心音傳感器放置的位置以及其他的環(huán)境噪音。因此有必要對心音進(jìn)行預(yù)處理，去除各種“噪音”，本文主要用小波閾值去噪。小波去噪是在小波分解基礎(chǔ)上的閾值降噪方法。已知時(shí)間信號(hào)f（t），有

經(jīng)離散小波變換之后，信號(hào)f（t）被分解為低頻成分和一系列高頻成分wj，k。有效信號(hào)多分布在低頻部分，噪聲則多分布在高頻部分，同時(shí)信號(hào)的系數(shù)要大于噪聲的系數(shù)，于是可以找到一個(gè)合適的值λ作為閾值對高頻部分進(jìn)行去噪。 當(dāng) wj，k小于該閾值時(shí)， 認(rèn)為這時(shí)的 wj，k主要是由噪聲引起的，并置為零；當(dāng)wj，k大于該閾值時(shí)，認(rèn)為這時(shí)的 wj，k主要由信號(hào)引起的，則把這部分的 wj，k直接保留下來（硬閾值方法）或者按某一定量向零收縮（軟閾值方法），然后由新的小波系數(shù)重構(gòu)得到去噪后的信號(hào)。本系統(tǒng)采用Matlab提供的SURE函數(shù)去噪，可以設(shè)置一個(gè)百分比，把高頻系數(shù)中較小的那一部分系數(shù)設(shè)為零，然后再重構(gòu)，達(dá)到消噪的目的。

信號(hào)用離散小波變換來分解和重構(gòu)，小波變換把信號(hào)分解成一些基函數(shù)，這些函數(shù)在時(shí)間和頻率上被局部化，所以很容易適合分析非平穩(wěn)信號(hào)，本文用db2小波分解信號(hào)，D4細(xì)節(jié)如圖1所示。這個(gè)細(xì)節(jié)給出很多關(guān)于S1、S2的信息，對信號(hào)這樣處理的另一原因主要是由于S1、S2的頻率比較低[9]，可對D4細(xì)節(jié)用小波軟閾值去噪，軟閾值門限主要通過啟發(fā)式SURE得到，這些細(xì)節(jié)的系數(shù)通過做db2四層分解得到。此方法有以下步驟：

（1）對信號(hào) f（k）做四層小波分解，提出去 D4細(xì)節(jié)的系 數(shù) wj，k；

（2）通過用啟發(fā)式SURE函數(shù)得到軟閾值門限，對D4 細(xì)節(jié)的系數(shù) wj，k處理得到去噪后的系數(shù)k；

經(jīng)過以上的預(yù)處理后，心音的周期被分割，S1被用作起點(diǎn)。為了辨別哪個(gè)是S1、哪個(gè)是S2，需要找到最長的時(shí)間間隔。最長的時(shí)間間隔是心臟的收縮期，即為S2到S1，舒張期間隔主要是S1與S2之間。對db2小波分解得到的細(xì)節(jié)D2，用同樣的方法進(jìn)行去噪，如圖2所示，利用信號(hào)被分段做進(jìn)一步的特征提取。

2 信號(hào)的特征提取

早期的研究中[7]，在第二水平上用小波分解得到信號(hào)的每一個(gè)周期被分裂成32個(gè)子窗，每個(gè)子窗有128個(gè)離散數(shù)據(jù)，特征向量的元素主要由每個(gè)子窗中信號(hào)的能量形成[10]。同樣的處理過程也可以用在第六水平的小波近似系數(shù)，因此，特征向量的大小為64。

本文提出一種新的方法，經(jīng)過軟閾值去噪后，信號(hào)每個(gè)周期的前2 000的數(shù)據(jù)，被分成20個(gè)幀，每個(gè)幀包括有100個(gè)離散的數(shù)據(jù)，用每個(gè)幀的均值和標(biāo)準(zhǔn)方差來作為信號(hào)的統(tǒng)計(jì)特征，這些特征相對[1-7]所提出的特征很容易計(jì)算，所有這些特征被歸一化，因此在心音信號(hào)中的每個(gè)周期有40個(gè)特征作為神經(jīng)網(wǎng)絡(luò)的輸入。

3 多層感知器神經(jīng)網(wǎng)絡(luò)訓(xùn)練與識(shí)別

為了用多層感知器神經(jīng)網(wǎng)絡(luò)識(shí)別心音，把心音樣本分成五類：正常、主動(dòng)脈狹窄、主動(dòng)脈返流、二尖瓣狹窄和二尖瓣返流。神經(jīng)網(wǎng)絡(luò)用Levenberg-Marquardt算法訓(xùn)練，因?yàn)樗锌焖俚膶W(xué)習(xí)速率。神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)包括40個(gè)輸入、10個(gè)隱含節(jié)點(diǎn)和3個(gè)輸出，如表1所示。第一層和第二層用logsig函數(shù)來作為傳輸函數(shù)，如果輸出值≥0.5將做為1處理，否則為0。

表1 神經(jīng)網(wǎng)絡(luò)的目標(biāo)輸出

選取250個(gè)心音做實(shí)驗(yàn)，150個(gè)周期用于訓(xùn)練數(shù)據(jù)，100個(gè)周期用于測試數(shù)據(jù)。

4 實(shí)驗(yàn)與識(shí)別結(jié)果

本文的方法用于識(shí)別四種異常心音和正常心音，識(shí)別的結(jié)果可以達(dá)到92%，對于錯(cuò)誤的訓(xùn)練率是10-4，基于錯(cuò)誤的性能，網(wǎng)絡(luò)能夠通過恰當(dāng)?shù)膶W(xué)習(xí)滿足輸出目標(biāo)如圖3所示，對于每個(gè)例子的分類性能顯示如表2所示。

圖3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程

表2 識(shí)別性能

本文用簡單的特征提取步驟和標(biāo)準(zhǔn)的MLP網(wǎng)絡(luò)識(shí)別方法，能夠達(dá)到參考文獻(xiàn)[1-2]同樣的識(shí)別效果，且所用的統(tǒng)計(jì)特性易于計(jì)算、識(shí)別效果好。本文所提的基于小波分解和MLP網(wǎng)絡(luò)方法適合識(shí)別心音，但是這僅僅是初步的研究，還需分析更多的心音，用于心音身份識(shí)別的方法有待更進(jìn)一步分析和提高。

參考文獻(xiàn)

[1]ZIN Z M，SALLEH S H S，SHA’AMERI A Z.The design ofheartclassification system.InternationalSymposium on signalprocessing and itsapplications（ISSPA）[C].IEEE，Kuala Lumpur，Malaysia，2001.

[2]JIANG Z，CHOI S，WANG H.A new approach on heart murmurs classification with SVM technique. 2007 International Symposium on Information Technology Convergence[C].IEEE computer society，2007.

[3]SHARIF Z，DALIMAN S，SHA’AMERI A Z，et al.An expert system approach for classification of heart sounds and murmurs.International Symposium on Signal Processing and Its Applications（ISSPA）[C]，IEEE，Kuala Lumpur，Malaysia，2001.

[4]PAVLOPOULOS S A，STASIS A C，LOUKIS E N.A decision tree-based method for the differential of aortic stenosisfrom mitralregurgitation using heartsounds[C].Computers in Cardiology，2003.

[5]JAVED F，VENKATACHALAM P A.A signal processing module for the analysis of heart sounds and heart murmurs.international MEMS conference 2006[C]，IOP Publishing，Conference Series 34（2006）.

[6]UGUZ H，ARSLAN A，TURKOGLU I.A biomedical system based on hidden markov model for diagnosis of the heart valve diseases[J].Elsevier，Pattern Recognition Letters 2007（28）：395-404.

[7]SAY O，DOKUR Z，OLMEZ T.Classificationofheart sounds by using wavelets transform.in proceedings of the second jointEMBS/BMES conference[C]，Houston，TX，USA，2000.

[8]SOUNDS H，CYCLE C，CHANGESV.[Online].AnAvailable at： http： //www.texasheartinstitute. org/Education/CME/explore/events/eventdetail_5469.cfm，2006.

[9]HUIYING L， SAKARIL， IIRO H.A heartsound segmentation algorithm using waveletdecomposition and reconstruction.in proceedings-19thinternational conference IEEE/EMBS[C]，Chicago，IL.USA，1997.

[10]成謝鋒，陶冶薇，張少白，等.獨(dú)立子波函數(shù)和小波分析在單路含噪信號(hào)中的應(yīng)用研究[J].模型與關(guān)鍵技術(shù)[J].電子學(xué)報(bào)，2009（7）：1522-1528.

Identification of heart sounds using wavelets and neural networks

Ma Yonghua，Cheng Xiefeng

（Department of Electronic Science and Engineering，Nanjing University of Posts and Telecommunications，Nanjing 210003，China）

A heart sound feature extraction and classification method has been developed.It used the discrete wavelet decomposition and reconstruction to produce the envelopes of details of the signals for further extracting the features.Some statistical variables were extracted from the processed signals and used as the features for the heart sounds classification.A multilayer perceptron neural network has been used for classification of heart sounds.The performance of the proposed method has been evaluated using 250 cardiac periods from heart sound simulator.The proposed technique produced high classification rate of 92%correct identification.

wavelets；Levenburg-Marquardt；neural network

TN911.7

A

1674-7720（2011）01-0072-03

2010-06-12）

馬永華，男，1983年生，碩士研究生，主要研究方向：智能信息系統(tǒng)與應(yīng)用。

成謝鋒，男，1955年生，碩士生導(dǎo)師，教授，主要研究方向：數(shù)字信號(hào)處理、EDA技術(shù)、電子技術(shù)、通信工程。