基于物聯網的心音監測系統的設計與實現

楊 波, 張 翠, 李 慶, 趙 旭, 唐 慧

（1.成都信息工程學院物理場生物效應及儀器四川省高校重點實驗室,四川 成都 610225;2.成都信息工程學院計算機學院,四川成都 610225）

0 引言

隨著現代社會生活節奏和飲食模式的改變,心血管疾病已成為常見的多發病,發病率和死亡率一直在上升,嚴重危害著人類的健康。目前缺乏對患有心臟系統疾病如心絞痛、心肌梗塞和高血壓性心臟病等患者的病況進行長期實時監測與預警的有效手段,以至在患者突發心臟疾病時,延誤了最好的治療時機,造成意想不到的后果甚至于死亡[1]。

心血管系統疾病常首先引起心音成分的改變,因此心音分析在臨床診斷中具有重要的意義[2]。心臟的瓣膜和大血管在血流沖擊下形成的振動,以及心臟內血流的加速與減速形成的湍流與渦流及其對心臟瓣膜、心房、室壁的作用所產生的振動,再加上心肌在周期性的心電活動作用下其剛性的迅速增加和減小形成的振動,經過心胸傳導系統到達體表形成了體表心音[2]。心音是人體最重要的聲信號之一,是幅值較小、頻率較低的非平穩的隨機性很強的信號,是反映心臟生理及病理的一項重要指標。

對心音的聽診是診斷心腦血管疾病和呼吸系統疾病的主要手段之一,是臨床上廣泛應用的一種診斷方法,在臨床上聽診器聽診應用非常廣泛。系統在傳統聽診器的基礎上進行了改進,實現了聽診器的電子化和遠程化。國外目前已有的心音監護系統技術比較成熟,但價格昂貴,國內還不可能大范圍地運用。中國現有的通訊基礎設施已基本完善,手機的使用在大部分地區已經相當普及。因此,提出并研發的基于物聯網的心音監護系統在發達地區緩解看病難、住院難,不發達地區緩解醫療資源稀缺,具有推廣應用價值。

圖1 系統的總體框圖

1 遠程心音監護系統總體設計思路

1.1 系統整體結構設計

基于物聯網醫學的遠程心音檢測系統的總體框圖,如圖1所示。

整個系統以3G網絡為橋梁,將醫院監護中心與需要監護的患者人群聯接起來。系統分為家庭端和醫院端兩部分。家庭端是由一部使用3G無線網絡的手機、一臺家用PC機和一部遠程心音采集器構成。用戶通過心音采集器的藍牙與手機藍牙正常通信后,待手機接收顯示的心音波形平穩,測量兩分鐘后將實時檢測的數據通過3G網絡發送至醫院的監護中心。同時,心音采集器藍牙模塊,可以和家中的PC機進行串口通信,用戶打開專用的監護系統軟件檢測自己的心音波形曲線和心率,配戴耳機可聽到自己的心音。客戶端的監護系統軟件還提供不正常心率判斷給出溫馨提示,實現按需實時監測自己的心臟健康狀態。

醫院端主要是一臺遠程監護系統主機,啟動遠程監護系統軟件就可進行遠程監護。軟件的設計是無人值守連續待機,用戶可以隨時將信息上傳到醫院主機上。監護系統主機數據庫實現了患者的信息管理。上班期間醫生可以將未診斷曲線進行診斷并將信息反饋給用戶;緊急情況下的處理給予報警信號,非正常上班期間值班醫生可以及時對心音曲線診斷,并電話通知用戶就診。

1.2 系統硬件總體設計

心音信號采集器硬件的框圖,如圖2所示。

心音信號采集器通過聲敏傳感器采集心音信號,采集的信號經前置放大、濾波、電平抬升電路傳送至單片機,然后經藍牙模塊通過串口發送至手機。聲敏傳感器探頭由NE5532芯片的提供一個恒流源來供給電源,當有聲音被采集的時候,探頭阻值發生變化,產生電壓波形。前置放大電路用儀表放大器AD620搭建,該芯片具有低噪聲、使用簡單、精確度高、低功耗、低輸入偏置電流等優點,非常適合醫療儀器的使用。用NE5532加外圍電阻分別設計了50Hz的陷波器,10～300Hz的帶通濾波器。鑒于心音的頻率范圍是5～600Hz[3],為便于后續的信號處理,得到較純凈的心音信號,取心音包絡,所以將濾波電路的截止頻率設置為20～300Hz。電平抬升電路主要是便于單片機采集,所以此處加一個電平抬升電路（0～5V）,經過NE5532放大2倍輸出至單片機。本設備選用STC的增強型51單片機芯片STC12C5A60S2。該芯片具有是高速、低功耗和超強抗干擾的特點,指令代碼完全兼容傳統8051,并且自帶8路高速1位A/D轉換。該芯片主要完成對采集的心音模擬信號進行A/D轉換并發送至藍牙模塊。心音信號采集器采用兩節五號電池供電。

遠程心音采集器電路原理圖,如圖3所示。

圖2 設備硬件框圖

圖3 電路原理圖

1.3 監護軟件總體設計

系統的軟件部分包括客戶端監護軟件和醫院中心監護軟件,兩者在模塊功能上有較大的差異。客戶端監護軟件模塊包括串口通信實時采集數據、數字濾波、心音曲線波形顯示、播放心跳聲音、求取瞬時心率并顯示、心音數據保存與波形重繪幾個部分,目的是方便用戶對自身心臟健康狀況的監測。而醫院中心監護軟件是一套專門針對本系統的包括醫務工作人員管理、患者病歷管理、心音波形與聲音實時播放、波形重繪、心音數據保存與數據分析等功能的系統管理軟件,目的是提供較為全面的病歷資料方便醫院對就診病人病情的精確診斷。

監護軟件的核心部分是心音波形的動態實時顯示與重繪、心跳聲音的同步實時播放以及瞬時心率的計算。給出客戶端監護軟件界面,如圖4所示。

1.3.1 心音的希爾伯特黃變換的濾波與去噪

心音信號屬于強噪聲背景下的十分微弱的人體生理特征信號,心音采集時極易混入各種噪聲信號,心音信號中的噪聲主要包括舒張期或收縮期存在的雜音以及由呼吸、心尖搏動、采集設備的心音傳感器探頭與皮膚摩擦、及其他環境因素引起的噪聲,這些噪聲不利于心音信號的提取,因此有必要對心音信號進行濾波處理,但僅靠采集系統硬件濾波不能完全解決心音信號的干擾,還需要對心音信號進行數字濾波,保留心音的基本特征成分即第一心音（S1）和第二心音（S2）,S1、S2的頻率集中在 50～200Hz[4]。

目前,準確提取心音信號的算法成為生理信號研究的熱點。全海燕等提出了基于小波多分辨率分析的心音分段算法,這種算法步驟繁瑣,計算量大,編程復雜。周靜提出了歸一化平均香農能量分布的分段方法,這種方法能夠很好地得出心音信號的能量分布圖,但由于是對心音信號進行分段計算,得到的分段情況并不理想。姚曉帥等提出了基于數學形態學的心音分段方法,這種方法的關鍵是選取合適的結構元素,而針對多種多樣的、復雜多變的心音信號,很難找到一個適合各種信號的結構元素。趙治棟等利用小波閾值濾波技術和希爾伯特變換提取心音信號的包絡,但選取閾值的過程過于繁瑣,耗時較長[5-6]。近來,Norden E.Huang等人提出了一種新的信號分解算法—經驗模式分解法（Empirical Mode Decomposition,EMD）[7]。經驗模式分解法的目的是將非線性非平穩信號分解為一系列表征信號特征時間尺度的固有模態函數[8],這些模態函數能夠很好地反映信號在任何時間局部的頻率特征,根據希爾伯特黃變換[9-10]的關鍵部分[11]經驗模態分解方法對心音信號濾波去噪,從分解的k個固有模態函數中提取出平均瞬時頻率在50～200Hz的固有模態函數,對保留的固有模態函數求和得到所需的信號。

圖4 客戶端監護軟件界面

測試需要在安靜環境下進行,受試者一小時內精神放松且無劇烈運動,靜坐并將心音傳感器的探頭輕輕貼置于心臟跳動的位置。取一例正常心音信號進行降噪處理來驗證降噪效果。圖5～圖7中,橫坐標表示信號長度,圖中顯示了5120個點,縱坐標表示信號幅度,原始心音信號如圖5所示;經EMD分解的前5個IMF1-IMF5及趨勢項res如圖6所示;降噪后的心音信號如圖7所示。

由于EMD分解總是按照特征時間尺度由小到大的順序將信號的頻率從高到低分離出來,各個IMF包含的噪聲強度也逐漸減弱,幾乎可認為低頻部分IMF就是所需要的有用信號,即低頻分量。而從分解的IMF波形可以看出,第一個固有模態函數IMF1是從原始心音信號中分解出的頻率最高,波長最短,幅度較大,可認定其含有的高頻噪聲成分較大,比如心臟收縮期或舒張期雜音。依次下去,IMF分量的頻率越來越低,波長越長,幅度明顯降低,這種分布情況是由 EMD的分解特性決定的,表明EMD分解的前幾個固有模態函數包含了心音信號的最顯著信息。對50～200Hz的固有模態函數相加求和即為降噪后的信號,這里取IMF2～IMF5以及趨勢項相加重構出降噪后的期望信號。從圖5（c）可以很好地確定S1、S2的峰值,便于瞬時心率的計算。

圖5 原始心音信號

圖6 原始心音信號經EMD分解的前5個IMF1-IM F5及趨勢項res

圖7 降噪后的信號

可以看出,采用的濾波算法能夠獲得較滿意的效果。醫生根據醫院中心監護軟件顯示的心音圖譜進行分析診斷,并將健康狀況反饋給用戶。

1.3.2 心率的特點與瞬時心率的計算

心率即心臟收縮的頻率,指單位時間內心臟搏動的次數,單位為跳/分（bpm）。心率隨著年齡的增長而減慢,健康胎兒的心率范圍為120～160bpm,兒童為 110～120bpm,成人為 60～100bpm,而老年人可慢至55～75bpm[12]。心率（HR）計算方法為

其中,fs為心音采樣率,為相鄰的兩個S1間數據個數。

目前,系統已采集心音13例,并對13例受試者進行一周內同一時間段的連續測試,選取一例數據做說明,取信號中間部分的2s時間進行心率計算。本系統設定的心音采樣率 fs220Hz,計算該受試者3s時間（約為3～4個心音周期）內的相鄰S1間的數據點數 NΔs1s1約為167,即求得瞬時心率約為79跳/分,與測試該受試者在同一狀態下的脈搏,取三次平均數約為78跳/分相比較,可見相對誤差較小。并且,文中的算法對采集的13例心音信號進行平均瞬時心率的計算均得到了正確的結果。

2 結果和討論

系統對13例年齡在20到50歲的成年人進行了盲測試,其中有若干人心率異常,只有被測者本人知曉,測試人員并不知情。實驗測試結果顯示其中11人心率正常,2人不正常。經2名疑似異常者確認實驗測試結果正確。其中一名為23歲男性,兩年前在四川省警官總醫院確診患有心率不齊,軟件統計其心率在90到146之間波動,且從所顯示的心音波形可以明顯看出其沒有固定周期性;另一名為35歲女性,患有心動過緩,軟件統計顯示其心率為47次/分,仔細觀察會發現其心音波形之間的間隔時間比正常人稍長。11例健康被測者的瞬時心率計算正確率為96.3%。實驗結果表明希爾伯特黃變換的關鍵部分經驗模式分解方法能較好的滿足實時心音信號的去噪要求,提供準確可靠的心音數據,該系統的設計適合心音信號的實驗性研究,為心血管疾病提供輔助性診斷,據有很好的應用前景,從而使心音檢測系統得到廣泛推廣和應用。由于對EMD算法的研究還沒有在實時處理信號要求上深入,加上EMD算法本身還有一定的缺陷,比如篩法和邊界處理問題,因而還待參考各種優化算法,總結出實時EMD改進算法,也是本課題下一步的研究工作。

3 結束語

傳統的心血管檢測大都要求被測試者到指定的地方由專業人員進行檢測。對于在特定的場合進行測試的運動員和行動不便的孕婦,以及需長期監測心臟疾病的患者,無疑在生活和經濟上給他們帶來困擾[13]。傳統聽診器難以捕捉一些微弱的生理聲信號且診斷結果容易受聽診者主觀經驗的影響,難以定量分析,因而準確性較差[13],較易造成誤判[14-15]。傳統心音學與數字信號處理的算法結合,為運用心音分析準確診斷心臟相關疾病提供了必要的手段。系統實現了家庭心音信號采集與電信網絡相結合的遠程心音監護,跨越心血管疾病監護時間和空間的障礙。醫院服務器的數據傳輸系統采用移動通信網和Internet網相結合的方式,在給患者帶來便利的同時,無需對醫院現有的信息系統進行大規模的改變,從而降低了系統的使用成本。

[1] 王海濱,江鐘偉,董秀成.基于聽診器的心音采集解析系統[J].生物醫學工程學雜志,2009,26（2）:282-287.

[2] 吳延軍,徐涇平,趙艷.心音信號的產生與傳導機制[J].生物醫學工程學雜志,1996,13（3）:280-288.

[3] 董承瑯,陶壽淇,陳灝珠.實用心臟病學[M].上海:科學技術出版社,1996:971-974.

[4] XU Chengbin.The Theory of Phonocardiogram[M].Beijing:Science Press,1982.

[5] 林勇,許曉飛.基于經驗模式分解的心音自動分段算法[J].中國生物醫學工程學報,2008,27（4）:485-489.

[6] Millette and Baddour.Signal processing of heart signals for the quantification of non-deterministic events[J].BioMedical Engineering OnLine,2011,10:1-23.

[7] Ari S,Saha G.Classification of heart sounds using empirical mode decomposition based features[J].International Journal of Medical Engineering and Informatics 2008,1:91-108.

[8] FLANDRINP,RILLING G,GONCALVES P.Empirical mode decomposition as a filter bank[J].IEEE Signal Processing Letters,2004,11（2）:112-114.

[9] HUANG N E,SHEN Zheng.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J].Proc R.Soc London A,1998,454:899-995.

[10] 許曉飛,林勇,嚴彬彬.基于希爾伯特-黃變換的心音包絡提取[J].航天醫學與醫學工程,2008,21（20）:134-136.

[11] 譚善文,秦樹人,湯寶平.Hilbert-Huang變換的濾波特性及其應用[J].重慶大學學報,2004,27（2）:9-12.

[12] 盧山.基于時頻分析的心率變異性研究[D].重慶:重慶大學,2004.

[13] 施劍鋒.心音呼吸音可視電子聽診系統[D].杭州:浙江大學,2007.

[14] Michael A.Chizner,Cardiac auscultation:Rediscovering the Lost Art,Current[J].Problems in Cardiology,2008,33（7）:326-408.

[15] Martínez-Cabeza-de-Vaca-Alajarín,J.,Ruiz Merino,R.Efficient method for events detection in phonocardiographic signals[J].In Proceedings of SPIE.2005,5839:389-409.