基于EMD和MFCC的舒張期心雜音的分類識別

李宏全, 郭興明, 鄭伊能

(重慶大學 生物工程學院，重慶市醫療電子技術工程研究中心，重慶 400044)

基于EMD和MFCC的舒張期心雜音的分類識別

李宏全, 郭興明, 鄭伊能

(重慶大學 生物工程學院，重慶市醫療電子技術工程研究中心，重慶 400044)

心音信號是一種具有非線性和非平穩特性的振動信號，基于線性時變或時不變模型的特征提取方法勢必會忽略信號的一些內在信息，為了更好的反映心音的本質特征，提出了一種經驗模式分解(Empirical Mode Decomposition，EMD)結合Mel頻率倒譜系數(Mel-Frequency Cepstrum Coefficient，MFCC)的舒張期心雜音的分類識別方法。心音信號經EMD分解得到有限個固有模態函數(Intrinsic Mode Function，IMF)，利用互相關系數準則篩選出主IMF分量，分別提取主IMF分量的MFCC、MFCC的一階差分系數和Delta值，以此作為隱馬爾科夫模型的輸入向量，實現對臨床采集的正常心音和2類舒張期心雜音分類識別，實驗結果表明，該方法能有效的識別心音。

舒張期心雜音；經驗模式分解；Mel頻率倒譜系數；隱馬爾科夫模型

心音是人體重要的生理信號之一，由心肌收縮、心臟瓣膜啟閉和血液撞擊房室壁、大動脈壁等引起的振動所產生的聲音。心雜音是指在正常心音與額外心音之外，在心臟收縮或舒張過程中由層流的血液轉變為湍流或漩渦而沖擊心壁、大血管壁、瓣膜、腱索等使之振動而在相應部位產生的異常聲音。心雜音包含重要的病理信息，對于心血管疾病的診斷具有重要價值[1]。根據雜音在心動周期中發生的時間，可將心雜音分為收縮期雜音、舒張期雜音和連續性雜音。根據雜音的臨床意義，可將心雜音分為病理性雜音和生理性雜音。通常情況下，收縮期雜音可以是病理性的，也可以為生理性的，而舒張期雜音為病理性雜音[1-2]。因此對舒張期心雜音信號進行識別分析對于心臟疾病的診斷具有重要的意義，同時也能避免生理性心雜音對識別結果的影響。

心音的分類識別一直是心音分析領域中的研究熱點，旨在利用分類器根據不同心音中雜音的內在特征判定出不同的心音信號所屬的心臟疾病類型。目前許多學者提出了多種心音的特征提取和分類方法[3-5]，但這些方法大多數建立在心音信號線性時變或時不變模型的基礎上。而心音心雜音為具有非線性和非平穩特性的振動信號，線性的分析方法勢必會忽略信號內部一些重要的信息。

經驗模式分解(Empirical Mode Decomposition，EMD)是一種有效的時頻分析方法，能自適應地將任何信號按頻率由高到低分解成多個固有模態函數(Intrinsic Mode Function，IMF)，每個IMF分量包含原信號不同時間尺度的局部特征，對其分析可以更準確的反映原信號細節特征的相關信息。由于EMD分解是基于信號局部的時變特點，因此它非常適合處理非線性和非平穩信號[6]。故利用EMD對復雜的心音信號進行分解，再從分解得到的IMF分量中提取信號的特征信息更能反映心音的內在本質信息。Mel頻率倒譜系數(Mel-frequency Cepstrum Coefficient，MFCC)基于人耳對不同頻率的語音具有不同的感知能力而提出，具有較好的魯棒性[7]，廣泛應用于語音信號處理并取得較好的識別效果，而心音和語音都是振動信號且具有相似的特點[8]，因此可將其應用于心音特征提取。

本文采用EMD和MFCC相結合的心音特征提取方法，首先對心音進行EMD分解得到不同頻段的IMF分量，利用互相關系數準則篩選出主IMF分量以去除虛假分量，計算主IMF分量的MFCC、MFCC的一階差分系數和Delta值，實現心音信號特征向量的有效提取，然后將特征向量輸入隱馬爾科夫模型(Hidden Markov Model, HMM)分類器實現正常心音和2類舒張期心雜音的分類識別。利用臨床采集到的病例數據進行測試，結果表明所提出的特征提取方法比單獨使用MFCC特征能夠獲得更高的識別率，說明所提方法是有效的，從而為心音信號的分類識別提供一種新的思路。

1 基本理論和方法

1.1 EMD方法原理

EMD是由Huang等提出的一種適用于分析非線性、非平穩信號的時頻分析方法，能將復雜信號分解成有限個IMF分量。每個IMF分量必須滿足兩個條件：①在整個時間序列數據集中極值點的個數和過零點的個數相等或至多相差一個；②極大值包絡線和極小值包絡線在任何一點的均值為零。其原理如下：對于一時間序列信號x(t)，首先確定出信號所有的局部極大值和局部極小值，然后利用三次樣條插值法對極值點進行處理得到極大值和極小值包絡，并求出包絡均值曲線m(t)，用x(t)減去m(t)可得：

(1)

將h1(t)作為新的信號重復k次上述步驟得到h1k(t)，此時標準差SD為:

(2)

若SD≤0.3，令h1k(t)=cc1(t)即為所求的第一個固有模態分量IMF1，則剩余分量r1(t)=x(t)-cc1(t)，對r1(t)繼續重復上述步驟直至rn(t)為一單調函數，則分解過程結束。則此時信號x(t)可表示為

(3)

EMD通過迭代的方法將IMF分量按照頻率由高到低的順序依次從原始信號中分離出來，它們充分體現了原始信號所包含的細節成分。

1.2 隱馬爾科夫模型

HMM是一種在Markov鏈的基礎上發展起來的動態時間序列統計模型，能夠通過較少的樣本訓練出較為可靠的模型，按照模式匹配原理，尋找出與未知信號最為相似的模式作為識別結果[9]，重在表達信號類別內的相似程度，廣泛應用于模式匹配、統計學習和分類識別。

HMM是由兩個隨機過程組成，其中一個隨機過程是描述每個狀態與觀察值之間的統計對應關系，它解決了用短時模型來描述短時平穩段信號的問題；另一個是用Markov鏈來描述狀態的轉移，它解決了每個短時平穩段是如何轉變到下一個短時平穩段的問題，這是基本的隨機過程[10]。一個HMM模型可以記為λ=(N,M,π,A,B)[11]，其中N為模型的狀態數；M為每個狀態所對應的觀察值的數目；π為初始狀態概率矩陣；A為狀態轉移概率矩陣；B為觀察值概率矩陣。對于連續型HMM，B是一組觀察值概率函數，M是高斯混合分量個數。

HMM模型運用于實際應用時，有三個問題需要解決，即：①評估問題：給定觀察值序列O和模型λ，計算產生觀察值序列O的概率，常用的解決方法是前向-后向算法。在心音識別中，該問題可以描述為：給定一未知類型的心音信號和訓練好的幾類心音模型，計算該心音信號與哪類心音模型產生的概率最大，則認為該未知心音信號即是那一類心音；②解碼問題：給定觀察值序列O和模型λ，確定產生觀察值序列O概率最大的路徑，最常用的解決方法是Viterbi算法；③學習問題：根據給定觀察值序列O的訓練集來確定產生該訓練集最大概率的模型λ，常用的解決方法是Baum-Welch算法。

由于心音信號為一維時變序列，且連續混合高斯密度函數HMM模型與離散型HMM模型相比，具有失真小、分類更明顯的優點，因此本文選擇左向右的連續混合高斯密度函數HMM模型。其中狀態數為N=5，高斯混合數為M=4。

2 實驗數據

由心臟瓣膜異常引起的舒張期心雜音包括二尖瓣狹窄(Mitral Stenosis，MS)、主動脈瓣關閉不全(Aortic Insufficiency，AI)、三尖瓣狹窄(Tricuspid Stenosis, TS)和肺動脈瓣關閉不全(Pulmonary Insufficiency, PI)。然而單純性的三尖瓣狹窄是極其罕見的，常常合并主動脈和二尖瓣疾病[12]。肺動脈瓣關閉多由肺動脈擴張導致相對性關閉不全所致，常見于二尖瓣狹窄合并肺動脈高壓。因此本文選擇二尖瓣狹窄和主動脈關閉不全兩類舒張期心雜音作為實驗對象。

實驗數據包含210例心音信號，其中60例二尖瓣狹窄、60例主動脈瓣關閉不全和90例正常心音(Normal Heart Sounds, NHS)。全部病理數據都是經臨床醫生確診的單一性疾病，正常心音信號的測試者均無心血管疾病史。所有心音數據均采用重慶博精醫學信息研究所研制的“運動心力監測儀”在重慶醫科大學附屬醫院采集獲得，其中采樣頻率為11 025 Hz，量化值為8 bit，文件采用wav格式保存。采集信號時，受試者均取端坐位，身體稍前傾，平穩呼吸，心音傳感器置于受試者的心尖區，輕輕均勻用力按壓使其緊貼心尖區皮膚。

3 心音特征參數提取及分析

3.1 預處理

心音是一種微弱的生理信號，在采集的過程中非常容易受人為或環境中噪聲的干擾，從而影響特征參數提取的準確性，因此有必要對采集的心音信號進行消噪處理以突出其特征。對于心音信號去噪，小波變換是一種非常有效的方法[13]，為此本文采用能量集中度高、時間局部性好的db6小波[14]、‘sqtwolog’閾值和5層分解的方法對采集的心音消噪，如圖1所示，一例臨床采集的主動脈瓣關閉不全心音信號去噪前后的效果對比，此方法能夠較好的保留心音的主要成分。

圖1 一例原始的主動脈關閉不全和消噪后的主動脈關閉不全

3.2 MFCC特征提取

人耳對不同頻率f的語音具有不同的感知能力，Mel頻率正是為了描述這種感知特性而提出，它與頻率f成非線性關系。MFCC則利用Mel頻率與f之間的關系，從Mel尺度頻率域提取的一種倒譜系數，是語音相關識別研究中常用的特征參數[15]。其提取流程如下圖2所示，具體過程為：

(1) 對經小波去噪后的心音信號s(n)預加重處理，以增強心音的高頻成分，然后分幀、2加窗得到每幀心音的時域信號x(n)，其中窗為哈明窗，幀長25 ms，幀移10 ms。

(2) 將時域信號x(n)經離散傅里葉變換得到線性頻譜X(k)。轉換公式為

(4)

式中，N為傅里葉變換的點數。

(3) 將線性頻譜X(k)通過一組Mel尺度的三角形濾波器組(即Mel頻率濾波器組)得到Mel頻譜，并通過對數能量的處理得到對數頻譜S(m)。

(5)

式中：M=24為濾波器組的個數；Hm(k)為每個濾波器的傳遞函數。

(4) 將S(m)經離散余弦變換變換到倒譜域，即可得到MFCC，計算公式為

(6)

圖2 MFCC提取過程

由于濾波器的個數是24，則可得到24維的MFCC倒譜系數，有相關實驗表明最前若干維以及最后若干維的MFCC系數對信號的區分性能最大[16]，因此本文取前12維的MFCC系數。

3.3 MFCC的一階差分系數特征提取

在提取MFCC以后即可計算其一階差分系數，將其記為△MFCC，其計算公式為

(7)

式中：c(n)為一幀心音信號的MFCC特征參數序列；k為常數，通常取2。由式(7)可以看出△MFCC為信號幀MFCC特征參數前后四幀的線性組合。

3.4 Delta特征提取

對MFCC特征向量序列在時序方向上做一次傅里葉變換，便可得到對應于MFCC特征的Delta特征，Delta特征反映的是信號幀間的動態特性，也稱作是二維系數或速度系數，其計算過程可簡化為

(8)

式中：D(t)表示第t幀MFCC特征的Detla特征；Θ表示第t幀時序變化的信號幀的數量。

3.5 基于EMD和MFCC的特征提取

3.5.1 主IMF分量的選取

對一例經小波去噪后的主動脈瓣關閉不全的心音信號進行EMD分解，其分解結果見圖3。

圖3 一例主動脈瓣關閉不全的EMD分解圖

從圖3中看出主動脈瓣關閉不全的舒張期心雜音信號經EMD分解成了按照頻率由高到低排列的11個IMF分量和1個殘余分量，不同的IMF分量包含不同的時間尺度。由于不同的心音信號的頻率范圍有所差異，則不同的心音信號所分解出來的IMF個數也不同，而原始信號最主要的本質信息往往集中體現在某幾個IMF分量上，加上虛假分量的存在，因此必須對IMF分量進行篩選?；ハ嚓P函數是判斷在頻域內兩個信號是否相關的一個指標，它可以用來確定目標信號有多大可能性來自于輸入信號。故可采用互相關系數準則對IMF分量篩選，即計算每階IMF分量與原消噪后的心音信號之間的互相關系數，選擇系數較大的IMF分量作為主IMF分量。正常心音信號和2類舒張期心音信號的互相關系數平均值如表1所示，前4階IMF分量的互相關系數均大于0.1，而其它高階的IMF分量的互相關系數的均在0.01或更小的值，一般情況認為，互相關系數大于0.1即可認為兩個信號之間具有較強的相關性，則前四階IMF分量與原去噪后的心音信號具有較強的相關性，因此選擇IMF1～IMF4作為主IMF分量。

表1 各IMF分量與原去噪后的心音信號的互相關系數

Tab.1 Mutual correlation coefficients between the IMF components and the original de-noised signals

心音類型各IMF分量與原去噪后心音信號之間的互相關系數IMF1IMF2IMF3IMF4IMF5≥IMF6NHS0．4790．7620．2880．1030．019<0．01AI0．4430．3710．2130．1110．012<0．01MS0．8010．5230．2990．1530．013<0．01

3.5.2 基于IMF和MFCC的特征提取

在確定了主IMF分量即IMF1～IMF4后，分別對每個IMF分量單獨提取12維的特征參數MFCC、△MFCC及Delta值，經組合形成三個特征向量EMD+MFCC、EMD+MFCC+△MFCC及EMD +MFCC+Delta，分別簡記為E+MFCC、E+M+△MFCC和E+M+Delta，他們的維數分別為48維、96維和96維，以此作為HMM識別模型的輸入向量。圖4顯示了從三類心音信號的主IMF分量第一幀中提取48維的MFCC。

4 識別結果及分析

為了評價所提出算法的有效性，對采集的210例心音數據按訓練樣本與測試樣本1∶2的比例進行實驗，即70例心音信號用于訓練HMM模型，余下的140例信號(正常心音信號60例，主動脈瓣關閉不全40例，二尖瓣狹窄40例)用于測試。程序運行平臺為Windows 7 系統，CPU：Intel T6400 2.0 GHz，RAM：2 GB。采用狀態數為5和高斯混合數為4的HMM識別模型作為分類器，其不同特征提取方法的識別結果如表2所示。

圖4 主IMF分量中提取的第一幀48維的MFCC

表2 不同特征提取方法的識別結果

對表2縱向分析可知，特征參數MFCC的識別率最低僅為85.71%，而采用所提出的三種特征值提取方法所提取的特征參數的識別率均在90%及以上，均優于單獨使用MFCC作為特征參數的識別率，說明復雜的心音信號經EMD分解后，再從分解得到的IMF分量中提取特征信息更能反映心音信號的本質特征。針對所提出的三種特征提取方法，E+MFCC 獲得了最低的識別率，E+M+Delta獲得了最高的識別率95.71%，因為MFCC僅反映了心音信號的靜態特性，忽略心音信號的動態特性，而△MFCC能夠反映心音信號的動態特性，將兩者結合可更好的反映信號的特征信息，故特征參數E+M+△MFCC的識別率高于E+MFCC；MFCC、△MFCC均只考慮了幀內的關系，并未考慮到幀與幀之間的動態聯系，參數Delta值能夠反映信號幀間的時變特性，有助于提高識別率，因此特征參數E+M+Delta獲得了最高的識別率。

表3 不同分類器的識別結果

針對分類方法，選擇具有較優學習性能和較強分類能力的BT-SVM與本文的HMM進行對比，其中SVM的核函數選取RBF，決定其性能的兩個參數懲罰因子和核參數的取值均為2，特征向量選取E+M+Delta，其識別結果如表3所示。結果表明HMM模型獲得了比SVM更佳的識別性能，這與文獻[11]的結論一樣。雖然其訓練時間要稍長于SVM，但也在合理范圍之內。綜上，HMM更適用于對本文所提取的特征參數進行分類識別。

5 結 論

心音是一種具有非線性和非平穩性的振動信號，針對基于線性時變或時不變模型的心音特征提取方法不能充分體現心音的內在的特征信息，提出了基于EMD和MFCC相結合的舒張期心雜音信號的分類識別方法。小波去噪后的原始心音信號經EMD分解成有限個IMF分量，這些IMF分量充分體現信號的局部特征信息，實現信號的特征信息的分離。然后提取主IMF分量的MFCC、△MFCC及Detla值，經特征組合形成E+MFCC、E+M+△MFCC和E+M+Delta三個特征向量，結合HMM分類器對臨床采集到的210例心音信號進行試驗分析，得到了比單獨使用MFCC作為特征向量更高的識別率。同時將本文采用的HMM與SVM進行對比，其結果表明針對于本文所提出的特征參數，HMM比SVM具有更優的識別性能。因此，本文提出的三種特征值提取方法能夠有效的對心音進行分類識別，為心音信號的分類識別提供了一種新的方法，對進一步實現心臟疾病的臨床輔助診斷具有重要價值。

[1] 陳文彬，潘祥林，康熙雄，等. 診斷學[M]. 北京：人民衛生出版社，2008：137-147.

[2] GHAREHBAGHI A, BORGA M, SJ?BERG B J, et al. A novel method for discrimination between innocent and pathological heart murmurs[J]. Medical Engineering & Physics, 2015, 37(7): 674-682.

[4] BABAEI S, GERANMAYEH A. Heart sound reproduction based on neural network classification of cardiac valve disorders using wavelet transforms of PCG signals[J]. Computers in Biology and Medicine, 2009, 39(1): 8-15.

[5] ZHENG Y, GUO X, DING X. A novel hybrid energy fraction and entropy-based approach for systolic heart murmurs identification[J]. Expert Systems with Applications, 2015, 42(5):2710-2721.

[6] HUANG N E, SHEN Z, LONG S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[C]// Proceedings of the Royal Society of London A: Mathematical Physical and Engineering Sciences. The Royal Society, 1998, 454(1971): 903-995.

[7] 余建潮，張瑞林. 基于MFCC和LPCC的說話人識別[J]. 計算機工程與設計，2009, 30(5):1189-1191.

YU Jianchao, ZHANG Ruilin. Speaker recognition method using MFCC and LPCC features[J]. Computer Engineering and Design, 2009, 30(5):1189-1191.

[8] HUSSAIN S, KAMARULAFIZAM I, NOOR A M, et al. Classification of heart sound based on multipoint auscultation system[C]// IEEE. 2013 8th International Workshop on Systems, Signal Processing and their Applications (WoSSPA), 2013: 174-179.

[9] 柳新民，劉冠軍，邱靜. 基于HMM-SVM的故障診斷模型及應用[J]. 儀器儀表學報，2006, 27(1):45-48.

LIU Xinmin, LIU Guanjun, QIU Jing. Hybrid HMM and SVM approach for fault diagnosis[J]. Chinese Journal of Scientific Instrument, 2006, 27(1): 45-48.

[10] 趙力.語音信號處理[M]. 北京：機械工業出版社，2003：98-100.

[11] ZHAI G, CHEN J, LI C, et al. Pattern recognition approach to identify loose particle material based on modified MFCC and HMMs[J]. Neurocomputing, 2015, 155: 135-145.

[12] SAITO T, HORIMI H, HASEGAWA T, et al. Isolated tricuspid valve stenosis caused by infective endocarditis in an adult: report of a case[J]. Surgery Today, 1993, 23(12): 1081-1084.

[13] CHENG X F, ZHANG Z. Denoising method of heart sound signals based on self-construct heart sound wavelet[J]. AIP Advances, 2014, 4(8): 087108.

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

ZHANG Guohua, YUAN Zhongfan, LI Binbin. Resear on wavelet packet algorithm for feature extraction of heart sound signal[J]. Journal of Vibration and Shock, 2008, 27(7):47-49.

[15] 張文英，郭興明，翁漸. 改進的高斯混合模型在心音信號分類識別中應用[J]. 振動與沖擊，2014, 33(6):29-34.

ZHANG Wenying, GUO Xingming, WEN Jian. Application of improved GMM in classification and recognition of heart sound[J]. Journal of Vbration and Sock, 2014, 33(6):29-34

[16] 蔡蓮紅，黃德智，蔡銳. 現代語音技術基礎與應用[M]. 北京：清華大學出版社，2003:236-238.

Classification and recognition of diastolic heart murmurs based on EMD and MFCC

LI Hongquan， GUO Xingming， ZHENG Yineng

(Chongqing Engineering Research Center for Medical Electronic Technology, College of Bioengineering, Chongqing University, Chongqing 400044, China)

Heart sound is a kind of vibration signals with characteristics of nonlinearity and non-stationarity. So the feature extraction methods based on linear time-variant or time-invariant models are bound to ignore some important internal information of heart sound signals. To better reveal the essential features of heart sound signals, a new feature extraction method based on the empirical mode decomposition (EMD) and Mel-frequency cepstral coefficient (MFCC) was proposed to classify diastolic heart murmurs. Firstly, the heart sounds were decomposed into finite intrinsic mode functions (IMFs) with EMD. Then the main IMF components were selected with the mutual correlation coefficient criterion. The main IMF components’ MFCCs, MFCCs’ first-order difference coefficients and Delta values were extracted, respectively. Finally, those were taken as input vectors of a hidden Markov model (HMM) to classify and identify normal heart sounds (NHSs) and two kinds of diastolic heart murmurs acquired from clinic. The test results showed that the proposed method can be used to distinguish the three types of heart sound signals effectively.

diastolic heart murmurs; empirical mode decomposition (EMD); Mel-frequency cepstral coefficient (MFCC); hidden Markov model

國家自然科學基金(31570003)

2016-02-24 修改稿收到日期：2016-04-06

李宏全 男，碩士生，1989年生

郭興明 男，教授，博士生導師，1964年生

R318.04

A

10.13465/j.cnki.jvs.2017.11.002