基于香農熵的心音信號檢測方法研究

田文雪

（西安建筑科技大學，陜西 西安 710055）

基于香農熵的心音信號檢測方法研究

田文雪

（西安建筑科技大學，陜西 西安 710055）

對于診斷心血管疾病的多種模態的醫療數據中，作為音頻的心音信號一般在疾病發生病變之前就能表現出異常。文章主要對心音信號進行分析與處理，利用dbN對心音進行頻段劃分，去除心音噪聲，利用香農熵提取心音包絡并利用時間門限檢測心音信號的特征點。

心音信號；dbN；香農熵；檢測；心血管疾病

1 基于dbN小波的心音去噪

本文心音的音頻信息利用普通音樂軟件將其轉換為WAV格式，之后利用MATLAB軟件對心音信號分析與處理。心音信號主要包括兩種噪聲：一種是由環境、設備以及病人呼吸或移動所引起的噪聲；另一種是指心臟收縮或者舒張過程中產生的雜音。文章采用小波算法對心音進行去噪，保留心音信號的主要成分：第一心音以及第二心音。

1.1 利用小波進行心音頻帶劃分

由于心音的特征信號與不同噪聲分布在不同的頻帶，本文選用緊支集正交小波對心音進行頻帶的劃分，dbN小波可以對不同頻率的信號進行分層分解。本文采用緊支集正交小波在階數為6時對心音信號進行分解，根據不同的頻率，對心音信號進行4層分解，每一層的頻率分別為551～1 102 Hz，275～551 Hz，138～275 Hz以及0～138 Hz，這樣心音信號的高頻成分通過該4層分解會被消除掉。經過小波對心音信號按照不同頻帶的劃分，心音的特征信號主要集中在0～138 Hz的頻段內，而噪聲部分主要分布在其他頻段內。在經過db小波對頻帶進行劃分后利用香農熵即可表示心音信號各個波段的特征值。

2 基于香農熵的心音信號特征檢測

2.1 心音信號提取包絡

在去噪后的基礎上對心音進行分段定位，目前研究表明，對心音進行分段定位需要利用包絡提取的方法，該方法能夠清楚地得到心音波形的形狀特征，從而能夠得到心音的不同分段。本文利用香農熵法對心音信號進行包絡提取。

香農熵提取心音包絡步驟如下：

首先對經過預處理后的心音信號進行歸一化。

歸一化后對心音信號進行分段，計算平均香農熵。

其中N表示在特定步長T的信號長度，最后將分段獲得的香農熵再進行歸一化處理。

其中meanEs(t)是歸一化的香農熵均值，S(Es(t))是其標準差。

在對心音進行包絡提取的過程中一般需要考慮包絡是否平滑以及包絡的邊緣是否出現波動這兩個因素。利用香農熵對心音信號進行包絡提取后，提取波形的峰值點，然后對包絡進行歸一化，以時間門的形式來體現心音的能量分布，一般而言，時間門的起點與終點基本可以作為第一心音與第二心音起止點的參考點。以時間門的形式體現心音包絡的能量分布，并對第一心音與第二心音的起止點進行確定。

2.2 檢測結果分析與比較

本文心音音頻數據來源于網上有診斷結果的音頻數據，其中包括二尖瓣膜狹窄、第一第二心音間隔異常、第二心音肥厚，心音分裂等疾病的原始音頻數據以及診斷結果。本文對于心音的檢測中包括第一心音、第二心音的峰值點的幅值以及第一心音與第二心音的起止點位置。

以心音分裂及狹窄為例對以上處理過程進行分析與驗證。對去噪后的心音信號利用小波進行頻段劃分，其結果如圖1所示，最后經過小波的分解與重構，心音去噪后的結果如圖2所示。

圖1 心音頻段劃分結果

利用香農熵進行心音包絡提取以及利用時間門確定第一心音對于第二心音的起點與終點位置。其處理結果如圖3—4所示。

根據以上對心音信號的分析結果，對第一心音、第二心音的起止點以及峰值點位置進行確定。起止點的特征信息中包括時間信息，第一心音與第二心音的時長以及波峰位置，并將其作為后面疾病預測模型的樣本數據參數進行輸入。

3 結語

本文針對心音信號自身所具有的特點，利用小波算法對心音去噪，并利用db 6小波對心音信號進行頻段劃分，采用香農熵提取心音包絡，并用時間門的方式表示心音的起止點位置，從而完成心音特征的檢測。

圖2 去噪后心音信號

圖3 香農能量分布

圖4 S1，S2時間門

[1]任方琴.基于頻域的心音身份識別算法[D].杭州：杭州電子科技大學，2013.

[2]李戰明，韓陽，韋哲，等.基于S變換的心音信號特征提取[J].振動與沖擊，2012（21）：179-183.

[3]陳冠蘭.基于多生理信息融合的心血管疾病檢測技術研究[D].重慶：重慶理工大學，2013.

[4]陳國強.心音信號的提取和處理研究[D].西安：西安電子科技大學，2009.

Research on heart sound signal detection method based on Shannon entropy

Tian Wenxue
（Xi’an University of Architecture and Technology, Xi’an 710055, China）

For medical data that diagnoses a variety of modalities of cardiovascular disease, the heart sound signal as an audio is generally able to exhibit an abnormality before the disease occurring . In this paper, we mainly analyze and deal with the heart sound signal, using the dbN to segment the heart sound and to remove the heart sound noise, extracting the heart sound envelope with Shannon entropy and using the time threshold to detect the characteristic points of the heart sound signal.

heart sound signal; dbN; Shannon entropy; detection; cardiovascular disease

田文雪（1990— ），女，山東日照。