基于心音周期性的自動分段研究

許莉莉，郭學謙

首都醫科大學 生物醫學工程學院，臨床生物力學應用基礎研究北京市重點實驗室，北京 100069

引言

有研究表明，某些心血管疾病在心電圖表現出異常之前，就出現心臟雜音和心音變異。雜音的出現和心音變異包含著豐富的病理信息[1]。因此，心音信號可作為臨床輔助評估心臟功能狀態的基本參數。人體心音信號是心動周期中，心臟瓣膜的開關、肌腱和肌肉的舒張、血流的沖擊以及血管壁的振動而產生的一種復合音，一個心動周期中包括4個心音，通常稱為S1（第一心音）、S2、S3和S4，多數情況下只能聽見S1和S2[2]。

心音信號分析處理的首要任務就是提取獨立的心動周期。現有的心音分段方法有兩類，一類是以心電圖作為參考進行分段，這類方法效果較好，但對硬件要求高，具有很大的局限性[3]；另一類方法以心音包絡為基礎進行分段，目前大多報道采用的都是此類方法[4-6]。這類方法多采用HHT變換或者小波變換提取心音樣本的能量信息，導致包絡不平滑或者分段模糊。事實上，心音的分段無論采取什么樣的方法也脫離不了心音信號本身的周期性[7]。心音是非平穩的類周期信號，即使出現雜音或者發生異常，一般也體現出明顯的周期性，2例異常的心音和一例正常心音，見圖1。本文正是基于心音信號的周期性自動提取心動周期。

1 算法介紹

1.1 形態濾波提取心音包絡

數學形態學在二維圖像處理中應用非常廣泛，它包括4種基本運算：膨脹、腐蝕、開運算和閉運算，是利用一個結構元素去探測圖像，去量度和提取圖像中的對應形狀以達到對圖像分析和識別的目。正因為數學形態學是分析圖形幾何形狀和結構的數學方法，近年來它也被用于提取一維信號的包絡[8-11]。

圖1 心音信號

將數學形態學推廣到一維信號處理，其基本的膨脹、腐蝕、開運算和閉運算定義如下[11]：設F，S分別為一維信號和一維結構元素，其長度分別為N和M，一般N＞M，則F被S膨脹為：

其中n=M,…, N; m=0,…M-1。具體的運算過程為：平移結構元素至n點處，將結構元素與信號序列對應數據點相加，取相加結果的最大值。由上述運算可知，一維信號前端的M個數據點未進行膨脹。

F被S腐蝕：

式中n=0,…,N-M; m=0,…M-1。具體的運算過程為：平移結構元素至n點處，信號序列與結構元素對應數據點相減，取相減結果的最小值。由上述運算可知，一維信號末端的M個數據點未進行腐蝕運算。

開運算是指對一維信號先腐蝕再膨脹，閉運算則是指對信號先膨脹再腐蝕。

本文所用心音樣本長度均為5 s，一個心動周期的平均時間約為0.8 s，一個5 s的心音樣本應該包含6個左右心動周期。考慮到心動過緩導致的心音變異等，本文對一個樣本提取4個心動周期的信息。將原始心音信號基線置零，再將信號按基線取絕對值，最后將整段信號按強度歸一化處理，即“全波整流”。為了減少每次處理的數據量，將信號下采樣至1102.5 Hz。預處理后的心音信號，采用閉運算提取其包絡。閉運算先采用結構元素膨脹，填充信號內相鄰峰值間的細小溝壑；再采用結構元素腐蝕，平滑峰值間的細小突出。經過預處理與閉運算后，獲得一維心音信號的包絡，見圖2。

1.2 相關計算提取峰位

信號處理中，相關函數的應用廣泛，包括信號中隱含周期性的檢測、噪聲中信號的提取等[12-13]。其定義如下：

圖2 一維心音信號包絡

相關計算進一步平滑了心音信號包絡上的毛刺、溝壑。經過形態學閉運算提取的心音包絡仍然帶有毛刺，并不適合做進一步的周期提取。為了突出信號的周期性，用于自動分段，本文采用一種自適應的相關計算，突出其峰值位置。即提取每個心音信號各自的主峰片段與整個包絡做相關運算，則整個信號中與主峰形狀相似的峰位將被突出。以圖2a為例，圖中主峰為持續時間較長的方形峰，提取該方形峰與圖2a整段包絡做相關計算后，方形峰起始位置成為相關系數極值位置，見圖3。

圖3 提取主峰片段進行相關運算結果

1.3 基于周期性的自動分段

心音自動分段是基于心音信號的周期性。一般來說，每個心動周期中，峰值的間期相對穩定而各不相同。在圖2中標記出相關計算后的局部極值，按順序標記為P1，P2，…。首先將P1看作第1個心動周期的第一個峰值，將P2看作第2個心動周期的第一個峰值，兩者之間的時間為一個心動周期T1；將P3看作第3個心動周期的第一峰，P2和P3之間的時間間隔，為第二個心動周期T2，T2應與T1大致相等，若兩者大致相同，則相應的P4與P3，P5與P4之間的時間間隔大致相同，若T2應與T1明顯不同，說明P2可能是第1個心動周期的第二個峰，此時，將T1改為T11，T2改為T12；將P3標記為第2個心動周期的第一個峰，P4標記為第2個心動周期的第二個峰，P5標記為第3個心動周期的第一個峰，分別記錄P3P4間隔為T21、P4P5間隔為T22，若T21與T11，T22與T12大致相同，則相應的P5P6、P7P8之間的間隔大致相同，P6P7、P8P9之間的間隔大致相同；若T21與T11、T22與T12明顯不同，說明P3是第1個心動周期的第三個峰，則P4、P5、P6分別看作第2個心動周期的第一、二、三峰；將P3P4之間的間隔改為T13，將P4P5、P5P6、P6P7之間的間隔分別標記為T21、T22、T23，比較T21與T11、T22與T12、T23與T13是否大致相同，依次類推。確定出每個心動周期的長度，從而自動標記出每個心動周期的起始位置，見圖4。如圖4a所示，圖中菱形標記為前5個心動周期的起點。

圖4 峰位的后處理結果

1.4 峰位的后處理

每一個心動周期被標記出來以后，在周期內根據心音的生理學特征調整S1和S2的位置。根據心電圖資料：心臟收縮期的持續時間即S1結束到S2開始，小于舒張期的持續時間即S2結束到S1開始；心臟收縮期的時間基本穩定，當心動過速時，舒張期縮短，以致收縮期和舒張期的時間幾乎相等，此時S1增強，S2減弱[11,14-15]。

當一個心動周期中，有兩個以上的峰值，則根據4個周期內相應峰位的平均幅值，留取最強的兩個峰位，利用S1S2間距小于S2S1間距來判斷，兩者間距相差0.1 s以上，間距小的是S1S2；兩者間距相差0.06 s以下，取周期內幅值強的為S1。處理后，每個心動周期內的心音標記如圖4b所示，三角形標記為每個心動周期的的S1，方形標記為S2。

2 結果和討論

本研究采用的心音有兩部份來源，共48例，其中10例異常心音從互聯網下載，其采樣頻率為22050 Hz[16]；另外38例采自由北京市宣武醫院體檢顯示無心血管疾病的健康人群。心音信號采集時將HKY-60C 型心音傳感器（合肥華科電子技術研究所研制）放在心尖區，在家用電腦上通過Cool Edit Pro2.0軟件直接錄制，采樣頻率為11025 Hz。實驗中對上述每例心音提取兩個時長5 s的樣本，共96個樣本進行了自動分段和S1、S2的識別，其結果由北京友誼醫院的專家進行鑒定。實驗結果表明該算法對于正常心音的分段以及S1、S2的識別正確率達到100%。對于異常心音，如圖1a所示，經相關計算后周期內只有一個極大值，未計入正確率計算外，還有一例收縮中期出現的喀啦音因幅值較高，未被正確識別外，其他異常心音均能正確分段且識別出S1、S2，算法對異常心音的正確率為89%。

該算法將數學形態學和主峰片段相關計算相結合自動提取心音信號的包絡，標記出心動周期的起點，回避了其他算法中由于包絡不平滑，毛刺等對后期處理的問題[17]，能夠快速便捷的對心音信號進行分段和識別，為后期提取心音信號的各類特征進行心音正常和異常識別提供了基礎。

3 結論

本文基于人體心音信號的周期性，提出了數學形態學運算提取心音包絡，并提取包絡各自的主峰片段與信號進行相關計算以突出心音周期性的方法，對心音信號進行了基于周期性的自動分段。經過48例心音共96個樣本的檢驗，該算法能有效地進行心音分段，并正確識別出每個心動周期中的S1和S2峰，可用于心音正常和異常識別的前期特征提取。

[1] Solomon LW.Yale university school of medicine heart book[J].Yale J Biol Med,1992,65(5):537.

[2] 羅建仲,羅琳.心臟聽診[M].北京:人民衛生出版社,2000.

[3] Lehner RJ,Rangayyan RM.A three-channel microcomputer system for segmentation and characterization of the phonocardiogram[J].IEEE Trans Biomed Eng,1987,34(6):485-489.

[4] 陳潔,侯海良,羅良才,等.一種新的HHT在心音包絡提取中的應用[J].中國醫學物理學雜志,2012,29(2):3272-3275.

[5] 李江,李曉玉.基于HHT的心音分段和醫學指標提取[J].控制工程,2015,22(1):164-169.

[6] 胡曉,王威廉.基于小波變換心音定位[J].生物醫學工程與臨床,2002,6(4):181-184.

[7] 武偉寧,陳若珠.基于周期提取的心音分段方法[J].北京生物醫學工程, 2015,34(1):59-63.

[8] 張笑東,蒲寶明,霍紅,等.均值濾波和形態學在振蕩脈搏波提取中的應用[J].計算機系統應用,2016,25(2):157-161.

[9] 張柯欣,王雪峰,魏巍,等.基于數學形態學的病理性附加肺音時頻譜圖分析[J].中華中醫藥學刊,2016,34(7):1550-1552.

[10] 高艷,胡陽.基于數學形態學方法的心電圖波形分離技術[J].生物醫學工程雜志,2001,18(1):55-59.

[11] 郭興明,陳劍,肖守中.基于數學形態學的心音信號識別方法[J].生物醫學工程學雜志,2004,1221(5):832-835.

[12] 徐維超.相關系數研究綜述[J].廣東工業大學學報,2012,29(3):12-17.

[13] 葛新成,羅大成,曹勇.相關函數在數字信號處理中的應用[J].電光與控制,2006,13(6):78-80.

[14] 吳玉春,楊亞萍,鄧北川.心音信號分段規則的探討[J].北京生物醫學工程,2014,33(5):524-526.

[15] 高攀.基于心音的病理特征研究[D].秦皇島:燕山大學,2012.

[16] 許曉飛,林勇.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(2):134-136.

[17] 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):485-488.