江玉柱，張 偉，韓立喜，張 康，李 松，井 賽，張 科，尹曉峰

基于希爾伯特-黃變換和提升小波包相結合的心音信號識別研究

江玉柱，張 偉，韓立喜，張 康，李 松，井 賽，張 科，尹曉峰

目的：研究基于希爾伯特-黃變換和提升小波包相結合的方法對正常和異常心音信號識別的效果。方法：首先用DB6小波對心音信號進行降噪處理，然后用希爾伯特-黃變換分析提取心音信號的時域、頻域特征值，再通過自適應提升小波包提取信號的頻帶能量特征值，最后通過支持向量機對心音信號進行分類識別。結果：對臨床采集的240例異常心音和正常心音進行實驗，正確識別率達到97.2%，且運算速度很快。結論：希爾伯特-黃變換和自適應提升小波包相結合的方法可有效識別正常和各種異常的心音信號，值得推廣應用。

心音識別；希爾伯特-黃變換；小波包；特征提取

0 引言

心音聽診是臨床常用的診斷各種心臟疾病的重要手段。但心音信號中包含很多人耳無法辨識的重要信息，為了實現(xiàn)心音信號的量化研究和揭示聽覺不能識別的信息，心音信號的自動識別和診斷顯得尤為重要。對此許多學者開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]采用小波分析對心音信號進行特征值提取，然后使用人工神經(jīng)網(wǎng)絡進行心音信號的模式識別，其準確率分別達到94.42%和96%。Uguz等[3]通過小波和短時傅里葉變換（short-time Fourier transform，STFT）提取心音信號的特征值，再使用隱馬爾科夫模型對正常心音和異常心音進行分類，得到了92%的特異性和97%的敏感性的結果。劉宇紅等[4]提出基于小波變換域的參數(shù)化雙譜心音信號的分析方法，從而避免了非高斯噪聲對雙譜造成的干擾，使心音信號的模式特征的提取更加準確、有效。張國華等[5]提出采用小波包變換提取心音信號的能量特征值，并對5種心音信號進行了分類。雷鳴等[6]將非線性分形理論應用到孕婦心音信號的分析中，用分形維數(shù)值反映心音信號的復雜程度，為臨床評估孕婦心臟的安全性提供了一個重要依據(jù)。

盡管在心音信號的特征提取和自動識別方面，取得了不少的研究成果，但由于心音信號具有非常復雜的時變特征[7]，單一的時域、頻域或者能量特征都不足以全面反映心音信號，以致影響了信號的分類識別率。為此，先用希爾伯特-黃變換（Hilbert-Huang transform，HHT）提取心音信號的時域和頻域特征值，對心音信號進行7層經(jīng)驗模態(tài)分解（Empirical mode decomposition，EMD），由各層固有模態(tài)函數(shù)（intrinsic mode function，IMF）對心音信號進行重構后，用希爾伯特變換（Hilbert transform，HT）提取心音信號的包絡線，并計算出心音信號的特征值，再通過自適應提升小波包提取心音信號的歸一化頻帶能量特征值，最后采用支持向量機進行5類心音信號的分類識別，其正確識別率達到97.2%。本研究所提取的心音信號特征全面，采用的自適應性提升小波包變換具有很大的靈活性，且易于實現(xiàn)，所以取得了較好的心音信號識別效果。

1 數(shù)據(jù)和方法

1.1 數(shù)據(jù)

所涉及的心音數(shù)據(jù)來自濟南市第五人民醫(yī)院。由臨床經(jīng)驗豐富的醫(yī)生通過“雙盲法”診斷，確診了正常心音和第一心音分裂、第一心音減弱、收縮早期額外音和完全性左束支傳導阻滯等5種聽診中容易混淆的心音信號共240例樣本。其中，男性112例，女性128例；年齡為18～77歲。所采用的錄音設備為MP150，采樣頻率為22 050 Hz，分辨率為16位，速率為43 kbit/s。經(jīng)測試者同意，經(jīng)2位醫(yī)生聽診后，要求測試者平躺，在其平靜的狀態(tài)下進行心音信號錄制，錄制過程由臨床醫(yī)生完成。

1.2 方法

心音信號識別流程（如圖1所示）包括信號的預處理、特征值提取和信號分類識別。

圖1 心音信號識別流程

1.2.1 預處理

考慮到心音信號的頻率在2 Hz～2 kHz之間，所以先對心音信號進行了10倍的降采樣處理，把高于2 kHz的噪聲去除。然后再通過小波對其進行降噪處理，采用的是DB6小波函數(shù)。

1.2.2 HHT

HHT由EMD和HT 2個部分組成。其中，EMD可以把用時間尺度表征的信號分解為有限個按頻率高低排列的IMF，且IMF分量具有自適應性。但是EMD分解過程中容易產(chǎn)生端點效應[8-10]，本文采用文獻[10]提出的改進方法抑制端點效應。然后對各IMF分量進行HT，得到每個分量的瞬時頻率Wi（n）和幅度Ai（n）。Wi（n）表征信號的局部特征。將各個分量的Wi（n）和Ai（n）的乘積和與Ai（n）幅度和的比值作為心音信號的瞬時頻率w（n），即

其中，m代表EMD的層數(shù)。瞬時頻率能反映心音信號的時頻特性，如異常心音信號的雜音或額外音的高頻部分會在此參數(shù)上直接體現(xiàn)。所以，將N個w（n）的平均值和方差作為心音信號的頻域特征值，具體如公式（2）和（3）所示。

其中，k的取值為1～N的整數(shù)。

由各層IMF對心音信號進行重構后，用HT提取心音信號的包絡線，并計算出心音信號的特征值：心動周期hrt，第一、第二心音時限s1h（第一心音的持續(xù)時間），s2h（第二心音的持續(xù)時間）。還可以通過計算得到：（1）心率：hr=60 s/hrt；（2）時限比值：s1h/s2h；（3）各心音時限與心動周期比值：s1h/hrt、s2h/hrt等參數(shù)。

1.2.3 自適應提升小波包

通過上述特征值可以診斷出患者是否有心率異常、心音分裂、心音增強的現(xiàn)象，但是對于輕微的心音分裂和增強是無法通過以上特征值做出診斷的，所以，本研究通過自適應提升小波包提取心音信號的歸一化頻帶能量特征值。提升小波包的構造過程如下：

（1）分裂：同普通提升小波變換一樣，先將信號S分裂為奇數(shù)序列So和偶數(shù)序列Se。表達式如下：

其中，n是樣本中的序列號，Sn是S中的第n個樣本。

（2）分解：此過程相當于普通提升小波中的預測和更新過程，通過以下公式可以計算提升小波包分解中m層的各個頻帶信號。

其中，P和U是提升算子。

（3）重構：此過程是上步分解的逆過程，不同的是，在重構過程中除了要保留重構的頻帶信號，其他的置為0。計算公式如下：

提升算子P和U采用文獻[11]的方法給出，這里不再贅述。

通過分解層中相鄰樣本點的相關系數(shù)Rc（低頻）和Rd（高頻）[12-14]來確定提升算子的個數(shù)，使其自適應心音信號的局部特征。表達式如下：

式中，m為提升小波包分解層數(shù)，n為1～（2m-1）之間的整數(shù)。當式（5）的值大于式（4）的值，且式（4）的值不小于零時，說明心音信號的局部特征比較強；提升算子P取4，若式（4）的值小于零，說明心音信號在此點的局部特征比較弱，提升算子U取2。同樣，心音信號的高頻特性由式（6）和式（7）決定。

1.2.4 特征值提取與識別

特征值提取是模式識別的前提與基礎，心音信號就是通過上述方法提取特征值并進行識別，其步驟如下：

（1）先對心音信號進行EMD 7層分解，得到各層IMF。

（2）采用HT計算各層的瞬時頻率和幅度，進而計算心音信號的瞬時頻率w（n），同時計算頻域特征值E、δ。

（3）重構心音信號并進行HT變換得到包絡線，并計算心音信號的時域特征值 s1h、s2h、hrt、s1h/hrt、s2h/hrt、s1h/s2h組成特征向量M1。

（4）對心音信號進行自適應提升小波包三層分解，并按最小熵標準得到最佳小波包樹。（5）對最佳小波包樹中的各小波系數(shù)進行重構，原信號可以表示為：

（6）計算各頻帶信號的能量并用能量值構造特征向量且歸一化。

（7）由特征向量M1、M2，采用支持向量機對心音信號進行分類識別。

2 實驗結果

2.1 心音信號的特征值計算

按照以上步驟，得到5種心音信號的包絡線和能量分布圖，具體如圖2～7所示。

圖2 正常心音

圖3 第一心音分裂

由圖2～6中的（b）圖以及圖7可知，不同心音信號的包絡線和歸一化頻帶能量的分布是不同的，這也是分類識別的依據(jù)。由圖7可知，正常心音信號在第2頻帶的能量值最大，而其他4種心音信號均在第1頻帶的能量值最大。正常心音信號的3～6頻帶的能量分布比較均勻，而其他4種心音信號的3～6頻帶的能量值大小不等。第一心音分裂在第4頻帶能量值比較大，在第5頻帶的能量值極小。第一心音減弱在第5頻帶的能量值較大，但在第4和第6頻帶的能量值相差不大且都比較小。收縮早期額外音在第4頻帶的能量值較大，而在第3、5、6頻帶的能量值較小。完全性左束支傳導阻滯心音信號的第4頻帶能量值較大，在第5頻帶的能量值極小。因此，歸一化頻帶能量的不同分布值可以作為分類識別的特征值。

圖4 第一心音減弱

圖5 收縮早期額外音

圖6 完全性左束支傳導阻滯的原信號

圖7 能量分布圖

另外，按照實驗方法和步驟，分別計算了5種心音信號的時域和頻域特征參數(shù)，具體見表1。

表1 時域和頻域特征值

從表1可以看出，第一心音持續(xù)時間較長，并且在心動周期中，第一心音所占比值增加，第二心音所占比值減小，具有這種特點的心音信號屬于第一心音分裂。而第一心音持續(xù)時間較短，并且在心動周期中，第一、第二心音所占比值明顯較小，具有這種特點的心音信號屬于第一心音減弱。在收縮早期額外音中，s1h、s2h所占心動周期的比值小很多。另外，s2h時限增加，所占心動周期的比值同時增加，s1h、s2h的時限比值減小，這種心音是完全性左束支傳導阻滯。由頻域特征值E、δ可知，每2種心音信號之間的差異都很小，這也說明這5種心音在聽診時頻率相差不是很大，很容易混淆。

2.2 心音信號的分類識別

心音信號識別研究選取了240例樣本，從這240例樣本中隨機抽取180例作為訓練樣本，剩下60例作為測試樣本，其中，正常心音和第一心音分裂、第一心音減弱、收縮早期額外音和完全性左束支傳導阻滯都是按照3∶1的比例抽取。根據(jù)表1的特征值以及歸一化能量特征值，采用支持向量機的工具Libsvm對心音信號進行分類，根據(jù)經(jīng)驗選取了高斯徑向基函數(shù)為核函數(shù)，其分類結果見表2。

表2 心音信號分類結果

從表2中可知，對180例心音信號的訓練樣本進行識別，其中誤判的心音信號樣本數(shù)為5例，正確判別率為97.2%；對60例心音信號的測試樣本進行識別，其中誤判的心音信號樣本數(shù)為9例，正確判別率為85%。正常心音易被判為心音分裂或者心音減弱，這是因為比較輕微的心音減弱或心音分裂的特征值與正常心音的特征值比較相近，不易分辨。收縮早期額外音中有第一心音分裂的情況，所以誤判為第一心音分裂。完全性左束支傳導阻滯沒有誤判是因為其有第二心音分裂的情況，而其他心音信號無此特征。

3 結論

心音信號識別采用HHT提取信號的時域和頻域特征值，并用自適應提升小波包提取心音信號歸一化頻帶能量特征值，然后采用支持向量機進行識別可以減小類可分離性判據(jù)因類別過近而準確率下降的誤差，訓練樣本的識別率達到97.2%，比其他方法識別率高，而且該方法運算速度快，有一定的應用價值。

[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]劉宇紅，梁俊，胡宇鴻.基于小波變換域的參數(shù)化雙譜心音信號分析方法的研究[J].信號處理，2004，20（1）：5-9.

[5]張國華，袁中凡，李彬彬.心音信號特征值提取小波包算法研究[J].振動與沖擊，2008，27（7）：47-49.

[6]雷鳴，郭興明，肖守中.非線性分形理論在孕婦心音信號分析中的應用[J].中國生物醫(yī)學工程學報，2011，30（5）：681-684.

[7]全海燕，王威廉.Hilbert-Huang變換及其在心音信號分析中的應用[J].信號處理，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]郭興明，袁志會.基于小波變換和經(jīng)驗模式分解的心音信號研究[J].中國生物醫(yī)學工程學報，2012，31（1）：39-44.

[12]李彬彬，袁中凡，楊春生.改進HHT算法及在心音信號分析中的應用[J].四川大學學報，2007，39（4）：160-163.

[13]姜洪開，王仲生，何正嘉.基于自適應提升小波包的故障微弱信號特征早期識別[J].西北工業(yè)大學學報，2008，26（2）：99-103.

[14]路榮，黃力宇，晉瑯.小波包分解腦電復雜性特征提取的注意狀態(tài)實時識別[J].醫(yī)療衛(wèi)生裝備，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，副所長，高級工程師，主要從事軍事衛(wèi)生裝備質量控制及醫(yī)學計量方面的研究工作，E-mail：jyz91572@sina.com。

250022濟南，濟南軍區(qū)聯(lián)勤部藥品儀器檢驗所（江玉柱，張 偉，韓立喜，張 康，李 松，井 賽，張 科，尹曉峰）

張 偉，E-mail：zhangwei1613@126.com