基于小波變換的病灶心音信號識別

李麗，胡方明

西安電子科技大學 生命科學技術學院，陜西 西安 710071

0 前言

在我國，心血管疾病已對國民的健康造成了威脅，生活方式的轉變不僅引發了高血脂、高血壓、高血糖等危險因素，也使心血管疾病呈持續快速上升趨勢，國家每年花費上千億的經費用于心血管防治[1]。在心血管疾病診斷技術中，心音信號分析發揮著十分重要的作用[2]。通過心音診斷技術檢測病灶信號可以實現無創診斷，及早發現疾病并做好早期治療工作。

隨著對小波變換的深入研究，小波變換應用日益廣泛，在心音信號的提取和分析技術中起著重要的作用[3]。小波變換的優點是，能同時對信號時域和頻域進行分析，具有良好的頻域投射特點，因而能夠將心音信號投射到不同尺度中進行能量分析。目前，心音信號基于小波包變換的處理算法復雜度高、處理速度慢，且對硬件要求高，因而實用性不強。本文提出了一種基于小波多尺度分解和能量變換分析的方法，通過對比相應尺度上的正常心音信號和非正常心音信號，準確檢測出病灶信號。本文采用的是計算復雜度低的算法，因此具有較高的檢測效率和實用性。

1 方法原理圖

基于小波變換的病灶心音信號識別方法原理，見圖1。本文首先讀取4個周期長度的心音信號并進行小波變換，再將其投射到不同的頻率段內，不同頻率段信號代表不同的能量分布，計算每層的高頻部分能量及分布，通過對比正常心音和非正常心音的分布來實現對病灶信號的識別。

2 心音信號提取

2.1 心音信號分析

正常心音包括4種成分，分別用S1、S2、S3、S4表示。正常情況下人工聽診能聽到S1和S2，幾乎聽不到S3和S4。聲音S1由二尖瓣和三尖瓣關閉產生，發生在心室收縮初期，是心室收縮期開始的標志。聲音S2由主動脈瓣和肺動脈瓣的關閉產生，發生在心室舒張期，是心室舒張期開始的標志。一旦心臟功能出現異常，心音中將包含S1和S2以外的雜音，這些雜音的頻率成分強度以及頻率的分布都是研究的重點[4]。

通常心音的頻域范圍在 10～1000 Hz 之間，正常心音圖，見圖2。第一心音S1音調低，持續時間長，主要分布在中、低頻范圍，其波峰的低頻范圍為 10～50 Hz，中頻范圍為50～140 Hz。第二心音S2持續時間短，頻率較高，在低、高頻率范圍內都有分布，其波峰的低頻范圍為 10～80 Hz，中頻范圍為 80～200 Hz，高頻范圍為 220～400 Hz[5]。

以前心臟疾病的診斷大部分是利用聽診器，個人主觀因素對診斷結果影響很大，隨著現在高靈敏傳感器的使用和數字化處理技術的發展，利用心音信號進行疾病診斷更加客觀和準確[6]。現代醫學中利用小波變換的處理方式分析比較心音信號，使得心音診斷簡單和準確。本文采用離散多尺度小波變換方法對截取的心音信號進行變換。

圖2 正常心音圖

2.2 離散小波變換

小波變換是信號處理領域中迅速發展的一個新領域，是傅里葉變換之后一個新的里程碑。與傅里葉變化和加窗傅里葉變化相比較，通過伸縮和平移對信號進行多分辨率的分析,很好地解決了時間分辨率和頻率分辨率的矛盾[7]。小波變化分為連續小波變換和離散小波變換，在實際應用中，心音信號經過采集以后為離散的信號f（t），再結合離散小波變換特有的特點進行分析， 小波ψa,b(t )變為：

離散小波變換定義為：

則心音信號通過的離散小波變換分解式為：

離散小波變化后的系數表示式為：

2.3 離散小波變換提取信號

在小波分析中，多分辨率分析是使用不同尺度的正交小波基對信號進行分解的，將信號分解到正交的不同頻段上[8]。Daubechies小波為正交小波，也為雙正交小波，并且為緊支撐，Φ(t)的支撐范圍在t=0-(2N-l)，ψ(t)的支撐范圍在(1-N)-N。小波ψ(t)具有N階消失矩，ψ(Ω)在Ω=0處具有N階零點。Daubechies小波db6的小波與尺度圖形，見圖3～4。

圖3 db6的小波圖形

圖4 db6尺度的圖形

本文心音數據為教學用標準心音音頻，其采樣率為11025Hz，根據心音信號的特點，采用Dabbechies（db6）對心音信號進行7層分解，小波變換的空間劃分示意圖，見圖5；離散小波變換的分解示意圖，見圖6。

圖5 小波變換的空間劃分示意圖

圖6 離散小波變換的分解示意圖

計算出每層的高頻系數后，再根據心因信號的特點確定分解層數。本文仿真實驗中，對心音進行7層分解，正常心音信號和異常心音的7層系數分布圖，見圖7～8。

從圖中可以看出，噪聲信號主要集中在cd1～cd4中，信號的部分能量也在其中。在5～7層中主要分布信號的能量，可以明顯地看到心音信號能量的分布特點。

3 能量提取與數據分析

3.1 小波重構每層的高頻能量處理

本文通過大量的仿真實驗發現，病灶信號的異常能量主要集中分布在4～7層，具體算法步驟如下。

（1）計算每層的細節系數。本文中L=7，L為層數，利用小波基函數對截取的心音信號進行分解和重構。從前3層中可以看出主要集中的是外界的高頻噪聲，在第4～7層中病灶信號和正常信號的波形發生變化。

（2）對高頻系數重構后計算每層能量。能量和信號之間相關性是信號識別最為重要的兩個判斷指標，由于外界噪聲的影響，數據間的相關性發生較大的變化[9]。因此本文采用能量作為病灶信號的判斷指標。

（3）計算每層能量在總能量中的比重。對能量進行歸一化處理，以減少噪聲對系統算法造成的影響，能量直方圖，見圖9～10；能量趨勢圖，見圖11～12。

通過直方圖，可以很直觀地看到能量心音信號的能量分布特點，而趨勢圖可以明確地觀察到不同心音的能量分布趨勢，直觀并且方便。

（4）進行能量的對比。進行能量的對比可以更好地區分正常和病灶心音信號，正常和病灶信號能量對比分布圖，見圖13。；加噪聲之后的心音能量分布圖，見圖14。

由圖13可以看出，正常和病灶心音可以被直接反映出來，通過計算能量特征向量的相關系數p，可以得出其相關性處于（0～0.97）之間，大量的實驗證明其相關系數處于這個范圍內便可檢測為病灶信號，并且其檢測率為98%，因此，本文提出的算法可以取得很理想的結果。由圖14可以看出，加噪聲和沒加噪聲的正常心音的能量分布圖基本沒有發 生變化，因而得出結論：算法對于隨機噪聲就有良好的抗噪能力。這是本算法突出的優點。

3.2 仿真結果分析

在能量分析對比圖中，可以看到病灶信號和正常心音信號，在前3層并沒有很大的變化，這是由于前端傳感器系統的噪聲，表現為高頻，疊加在任何信號上，因此在小波分解后前3層能量起伏變化很??；在4～7層中信號的能量大小發生較大的變化，通過病灶信號與正常信號的對比，說明病灶信號在4～7層的頻率范圍內能量與正常信號的能量有很大的差異，對比分析后可以準確的識別出病灶信號。本文通過大量的仿真可以得出本算法的識別率可以達到98%以上，具有很好的實用性。本算法還具有一定的抗噪能力，對環境的要求較低，實用性很強，且算法快速準確，適合應用于開發心音檢測方面的便攜式醫療器械。

4 結束語

相比小波包算法提取信號，本文根據心音信號的特點，采用小波基直接對信號進行多尺度分解，極大地減少了計算復雜度，減少了測算時間。利用小波多尺度變換后的能量分布來進行病灶信號的識別，可以極大地降低算法對噪音的敏感度。大量的實驗證明，本文算法對病灶心音的檢測快速、準確，具有很好的市場應用前景。

[1]楊艷妮.心音信號小波變換信號處理心血管疾病[D].西安:陜西師范大學,2007.

[2]王衍文,王海濱,程敬之.心音信號的識別與分類[J].生物醫學工程雜志,1999,(3):1657-1659.

[3]吳延軍,徐涇平,趙艷,等.心音信號處理與識別[J].中國醫療器械雜志,1996,20(5):292-298.

[4]解倩倩.舒張期心音信號在冠心病診斷診斷中的應用[D].呼和浩特:內蒙古大學,2011.

[5]張家亮,江洪,闕大順,等.基于小波的心音信號分析及其特征提取[J].電腦與信息技術,2011,(1):17-20.

[6]謝斌,嚴碧歌,李錦.心音信號的分析方法及其應用[J].現代生物醫學進展,2010,(10):23

[7]王燕,王海濱,劉立漢.基于小波變換的心音信號降噪方法[J].信息與電子工程,2010,(3):303-307.

[8]侯惠亮,李國俠,龐浩.小波變換在微弱生命信號處理中的應用[J].中國醫療設備,2011,26(1):70-72.

[9]張靜遠,張冰,蔣興舟.基于小波變換的特征提取方法分析[J].信號處理,2000,(2):156-162.