基于PSO_WT與改進的CAGA_CNN算法的心音識別研究

李明輝 趙鵬軍 李丕丁

摘? 要： 為探究復雜場景下心音信號的準確識別方案，提出了基于PSO_WT與改進的CAGA_CNN算法融合的方案。首先構(gòu)造PSO_WT對采集的心音數(shù)據(jù)集進行去噪；其次將去噪后的心音數(shù)據(jù)轉(zhuǎn)化為波形圖進行特征提取；再者基于改進的CAGA_CNN網(wǎng)絡對心音信號進行識別。為了驗證本文提出算法的有效性，進行了模型的性能分析以及基于不同的算法模型進行驗證。實驗結(jié)果表明，本文算法具有較好的降噪能力，以及更高的識別精度和收斂速度。

關(guān)鍵詞： PSO_WT； CAGA_CNN； 心音識別； 智能診斷

中圖分類號：TP306+.3? ? ?文獻標識碼：A? ? ? ? 文章編號：1006-8228（2023）06-54-06

Research on heart sound recognition based on PSO_ WT

and improved CAGA_CNN algorithm

Li Minghui1， Zhao Pengjun2， Li Piding1

（1. School of Health Science and Engineering， Shanghai University of Technology， Shanghai 200082， China;

2. Xinhua Hospital， Affiliated to Shanghai Jiaotong University School of Medicine）

Absrtact： In order to explore the accurate recognition scheme of heart sound signals in complex scenes， a new method based on PSO_WT and improved CAGA_CNN algorithm fusion scheme is proposed. PSO_WT is constructed to denoise the collected heart sound data set， the de-noised heart sound data is converted into waveform for feature extraction， and the heart sound signal is recognized based on the improved CAGA_CNN network. The performance of the model is analyzed and verified based on different algorithm models to verify the effectiveness of the proposed algorithm. The experimental results show that it has better noise reduction ability， higher recognition accuracy and convergence speed.

Key words： PSO_WT; CAGA-CNN; heart sound recognition; intelligent diagnosis

0 引言

心血管疾病是死亡率較高的病癥之一，有數(shù)據(jù)顯示，全球有接近75%的國家受到心血管疾病的影響[1]，美國每年死亡率中有將近34.3%的病癥與心腦血管疾病有關(guān)[2，3]。在心音聽診方面，建立一套全面、完整的心音信息自動識別系統(tǒng)對心血管疾病的早期發(fā)現(xiàn)和準確治療具有重要的研究意義[4]。隨著人工智能的快速發(fā)展，智能化的診斷設備越來越符合人們的需求。

根據(jù)研究表明[5]，心音信號蘊藏著大量心電圖不能檢測/反映出的信號，如果可以對將該信號進行充分挖掘以及整合和利用，就可以彌補醫(yī)生聽覺的局限性以及判斷的主觀性。文獻[6]認為，對于冠狀動脈阻塞類疾病只有當阻塞率較高時才會被檢測出。對此，在對心臟相關(guān)疾病檢測中，可以把心音信號作為一個重要的評價指標加以利用。

常用的心音分類數(shù)據(jù)集主要是PhysioNet/CinC2016[7]和PASCAL[8]。這兩個數(shù)據(jù)集是通過不同數(shù)據(jù)采集設備以及存在不同程度的信號重疊噪聲的原始數(shù)據(jù)。文獻[9]基于PhysioNet數(shù)據(jù)集提出了一種輕量級的CNN網(wǎng)絡模型，以較少的卷積層和全連接層來對心音圖像數(shù)據(jù)進行特征提取。作者首先將心音圖（PCG）信號分割成固定大小的窗口，并對窗口內(nèi)的塊信號通過時頻分析轉(zhuǎn)為時頻圖；然后對時頻圖進行特征提取；最后提出基于遷移學習的方式對PhysioNet數(shù)據(jù)集進行異常檢測。K.Wo?k和A.Wo?k等人為了解決PASCAL數(shù)據(jù)集振幅低、噪聲大等問題，基于ResNet網(wǎng)絡對PASCAL數(shù)據(jù)集進行分類[10]，其最高的識別精度只能達到59.78%。文獻[11]將不同階段的心音信號作為特征取得了一定的效果。文獻[12]提出了心音信號分割算法以及根據(jù)信號能量對信號進行標定，最終提取出了不同周期在時域及頻域上心音的特征數(shù)據(jù)，基于此特征對17中心音進行了精確的分類。文獻[13]基于EMD進行信號特征提取，融合多個特征對5種異常信號進行識別取得了較好的識別性能。常用的心音分類模型有人工神經(jīng)網(wǎng)絡、高斯混合模型、支持向量機等。文獻[14]提出一種加權(quán)可選擇模糊C均值算法對GMM進行改進，其克服了傳統(tǒng)GMM參數(shù)初始化K-means的缺陷。Christian Thomae[15]基于深度神經(jīng)網(wǎng)絡對心音信號進行識別取得了較好的識別效果。H.Hussain[16]等人對心音識別構(gòu)建了隱馬爾可夫模型取得了較高的識別精度。

對于心音識別的研究，研究者大多注重如何獲取心音數(shù)據(jù)的表征特征和如何對噪聲進行抑制。基于此，本文提出了改進的小波心音去噪算法，進而提出基于混沌算法與改進的自適應遺傳算法相結(jié)合，優(yōu)化卷積神經(jīng)網(wǎng)絡（CNN）對心音數(shù)據(jù)譜圖進行識別。

1 算法描述

1.1 提出基于粒子群自適應閾值心音小波去噪算法研究

⑴ 去噪算法概述

由于心音信號是時變、非平穩(wěn)信號，其主要包括第一、二、三、四心音，其中第一、二心音信號較強，第三、四心音信號較弱。心音信號波形圖如圖1所示。基于此，本文提出基于粒子群自適應閾值心音小波去噪算法。

⑵ 離散小波去噪原理

對含有噪聲的心音信號可以用下式中⑴表示：

[yt=xt+n（t）]? ? ?⑴

其中，[y（t）]表示含噪的心音信號，[x（t）]表示真實心音信號，[n（t）]表示噪聲信號，則離散的小波函數(shù)表示為[17]：

[φ?2-j，k?2-jt=2j2φ（2jt-k）]? ⑵

其中，[2-j]表示尺度因子，[k?2-j]表示平移因子。則離散心音小波變換可以表示為：

[WTxj，k=2j2-∞+∞x（t）φ*（t）?（2j?t-k）dt]? ⑶

其中，[φ*（t）]表示[φ（t）]的復共軛。

那么離散小波閾值去噪方法及過程如下：

① 首先，對包含噪聲的心音信號進行小波變換時，選擇較為合適的小波分解基以及對應的小波基函數(shù)；

② 對小波分級的參數(shù)進行閾值選擇：

[wj，k=wj，k，|wj，k≥γ|0，|wj，k<γ|]? ⑷

其中，[γ]表示參數(shù)閾值，[wj，k]是小波分解系數(shù)；

③ 基于公式⑷確定的去噪后的小波系數(shù)去對心音信號進行重構(gòu)，得到重構(gòu)后的心音信號[yt]。

通過以上分析可知，心音信號去噪算法最關(guān)鍵的是對閾值的合適選取，基于此，本文提出了基于粒子群算法對最優(yōu)閾值進行選取。

⑶ 基于粒子群算法對心音去噪最優(yōu)閾值選取

為了使得小波心音去噪算法獲得最佳閾值、防止模型陷入局部最優(yōu)值的情況，本文選取了具有全局搜索能力較好的粒子群算法進行全局尋優(yōu)，并結(jié)合在最小均方誤差條件下找到最佳的閾值[T]。粒子群算法優(yōu)化搜索的流程如下所示[18]：

① 對所有的粒子進行初始化，即對粒子的速度及位置賦值，以及將個體的最優(yōu)[pBest]當做當前的位置，群體中最有的粒子個體當作當前的[gBest]；

② 在每一代的進化中，計算各個粒子的適應度函數(shù)值；

③ 若當前的適應度值優(yōu)于歷史值，則對歷史的[pBest]進行更新；

④ 若當前適應度值更優(yōu)與全局歷史最優(yōu)值，則對[gBest]進行更新；

⑤ 對每個粒子[i]的第[d]維的速度和位置分別基于式⑸進行更新。

[vdi=w×vdi+c1×randd1×pBestdi-xdi+randd2×（gBestd-xdi）] ⑸

[xdi=xdi+vdi]? ⑹

其中，w是慣量權(quán)重，[c1]和[c2]是加速系數(shù)，[randd1]和[randd2]是在[0，1]上的隨機數(shù)；

⑥ 判斷算法是否達到了終止條件，若沒有，則轉(zhuǎn)到②繼續(xù)執(zhí)行。

本文基于粒子群的小波去噪算法設計：首先，對采集的原始心音信號進行小波變換；然后，建立小波變換系數(shù)MSE下閾值計算函數(shù)；接著，基于粒子群算法對每層的小波系數(shù)進行最佳閾值選取；最后，基于逆變換得到去噪的心音信號。流程如圖2所示。

1.2 提出基于改進的CAGA_CNN網(wǎng)絡進行心音識別

⑴ 自適應遺傳算法

為了獲得較高的心音信號識別精度以及較快的收斂速度，本文引入遺傳算法。其經(jīng)典公式如下：

[Pc=k11fmax-favg，k1≤1.0Pm=k21fmax-favg，k2≤1.0]? ⑺

其中，[Pc]為交叉概率，[Pm]為變異概率，[fmax]為種群的最大適應度，[favg]為種群的平均適應度，[k]是取值范圍在（0，1）的常數(shù)。

通過式⑵發(fā)現(xiàn)，交叉概率[Pc]和變異概率[Pm]是根據(jù)種群的適應度的變化而變化的，但是也存在一些問題：例如當交叉概率和變異概率的增加會導致接近最優(yōu)個體被破壞，使得永遠不會收斂到全局最優(yōu)解。因此，為了解決遺傳算法存在的問題，研究者提出了自適應遺傳算法（Adaptive Genetic Algorithm，AGA），它是對遺傳算法的一種改進。具體改進如下：

[Pc=Pcmax-Pcmax-Pcmin-f'-favgfmax-favg，f'≥favgP'cmax，? f'

[Pm=Pmmax-Pmmax-Pmmin-f'-favgfmax-favg，f'≥favgP'mmax，? f'

其中，[f]表示兩個交叉?zhèn)€體中適應度較大的適應度。由式⑶和式⑷可以看出，本文算法可以較好的解決上述存在的問題。

⑵ 改進的自適應遺傳算法

雖然自適應遺傳算法在一定程度上解決了交叉概率和變異概率停滯不前的狀態(tài)，但是在超參數(shù)調(diào)優(yōu)過程中仍然會陷入局部最優(yōu)解[19，20]。

為了解決此問題，本文提出通過自適應遺傳算法與混沌算法相融合。由于混沌算法自身具有全局遍歷的特性，因此可以很好地解決上述問題。具體是將混沌算法與自適應算法相結(jié)合，對其中具有最高適應度的個體給予一定的步長混沌優(yōu)化搜索，解決自適應遺傳算法可能陷入局部最優(yōu)解的情況，并加速搜索能力。logistic映射迭代公式為：

[cxn+1=μ?xn?（1-cxn）]? ⑽

⑶ 提出改進的CAGA優(yōu)化CNN進行心音識別

由于CNN在圖像識別的相關(guān)領(lǐng)域具有較好的識別作用，因此本文選取了CNN作為心音識別的主干網(wǎng)絡。同時，為了防止在小樣本場景下模型的泛化能力差、收斂速度慢等問題提出了將混沌算法與自適應遺傳算法相結(jié)合優(yōu)化CNN的網(wǎng)絡結(jié)構(gòu)。此設計最大的難點在于如何將混沌自適應遺傳算法應用到卷積神經(jīng)網(wǎng)絡當中，傳統(tǒng)的做法是將不同神經(jīng)元之間的權(quán)重與偏置當作一個染色體，若這樣對每個參數(shù)都進行訓練就失去了模型加速的意義[21]，因此本文提出將網(wǎng)絡中的卷積層和全連接層當作一個染色體進行調(diào)優(yōu)，這樣的設計大大的減少了染色體的結(jié)構(gòu)規(guī)模，可以達到更快的收斂速度。具體的設計如圖3所示。

改進的混沌自適應遺傳算法優(yōu)化CNN對心音信號進行識別流程圖如圖4所示。

2 實驗結(jié)果與討論

2.1 數(shù)據(jù)來源

常用的心音數(shù)據(jù)主要有兩個，分別是PhysioNet/CinC Challenge2016[22]（記為數(shù)據(jù)集1）以及PASCAL數(shù)據(jù)集[23]（即為數(shù)據(jù)集2）。本文主要使用數(shù)據(jù)集1進行模型的訓練與測試。數(shù)據(jù)集1是由訓練集和測試集兩個部分組成，來自于世界各地臨床以及非臨床環(huán)境下采集的3240條數(shù)據(jù)，其中正常的心音數(shù)據(jù)樣本665個，異常樣本2575個[24]，心音的原始數(shù)據(jù)如圖5所示。

2.2 基于PSO_WT對心音信號去噪

為了檢驗本文提出的PSO優(yōu)化小波去噪算法的效果，本文選取了數(shù)據(jù)集1的兩種信號對其加入隨機噪聲，并利用本文提出的算法進行去噪，再者將其與db5小波、bior5.5小波以及sym5小波進行對比并通過MSE進行分析去噪效果。利用構(gòu)造的心音小波、db5小波、bior5.5小波、sym5小波四種小波對心音信號進行五層分解則：

[s=d1+d2+d3+d4+d5+a5]? ?⑾

其中，[dn]為n階細節(jié)系數(shù)，[a5]是指5近似系數(shù)。由于實際的場景下，心音信號的頻率以及噪聲大多集中在高頻段，因此本文擬使用[d1，d2，d3，d4，d5]進行重構(gòu)，即為[24]：

[s=d2+d3+d4+d5+a5]? ?⑿

對數(shù)據(jù)集1中的正常心音信號與異常心音信號的原始圖像進行四種小波去噪處理，處理結(jié)果如圖6和圖7所示。

經(jīng)過MSE、互相關(guān)系數(shù)R以及信噪比SNR驗證，MSE、互相關(guān)系數(shù)R和信噪比SNR表達式如式⒀～式⒂所示。

① 均方誤差（MSE） 將經(jīng)過小波處理后的信號與同類原始未被處理的信號之間的均方誤差：

[MSE=1ni=1n|xi-x（i）2|]? ⒀

② 互相關(guān)系數(shù)（R） 將經(jīng)過小波去噪后的信號與未被處理的信號之間的互相關(guān)系數(shù)：

[R=cov（x，x）/σxσx]? ⒁

③ 信噪比（SNR） 將原始信號能量與噪聲信號能力之比：

[SNR=10logPsPN]? ⒂

其中，[Ps]表示原始心音信號的能量，[PN]表示噪聲信號的能量。

通過式⒀～式⒂，去噪處理后的結(jié)果整理為表1和表2。

在對數(shù)據(jù)集1進行了四種小波去噪后發(fā)現(xiàn)，異常心音信噪比最大，且整體的誤差較小，與原始信號互相關(guān)系數(shù)較好，其中本文提出的基于PSO_WT去噪算法效果達到了最佳，因此在后續(xù)的心音識別數(shù)據(jù)集本文基于提出的PSO_WT進行心音譜圖轉(zhuǎn)化。

2.3 基于CAGA優(yōu)化CNN進行心音識別

⑴ 實驗環(huán)境

本實驗在PyTorch1.8.1（Python3.7.10+cu10.2）上運行，并在NVIDIA GeForce RTX 2080Ti*2的圖形處理單元（GPU）上訓練了150個epoch。使用的是帶有Intel?CoreTMi9-9820x CPU@3.30GHz x20處理器的臺式機，64位linux操作系統(tǒng)Ubuntu18.04。具體實驗環(huán)境信息如表3和表4所示。

⑵ 心音識別結(jié)果

本實驗模型訓練和測試在數(shù)據(jù)集1上進行，訓練集、驗證集和測試集是按照5：3：2的比例隨機劃分，圖像像素大小為256×256，迭代次數(shù)epoch為150次。首先，根據(jù)本文提出的CAGA_CNN網(wǎng)絡框架進行模型訓練；然后對訓練好的模型進行微調(diào)，提高模型的識別性能，心音識別的結(jié)果如下所示：

由于PhysioNet數(shù)據(jù)集本身具有重疊噪聲，因此會嚴重影響心音信號的識別效果。與正常的檢測對比，該數(shù)據(jù)整體的識別準確率較低。通過表4可以發(fā)現(xiàn)，本文提出的CAGA優(yōu)化CNN在識別的精確度上優(yōu)于傳統(tǒng)CNN，取得了較好的識別性能。

⑶ 模型性能分析

為了對于模型的性能進行分析，本文分別對傳統(tǒng)的CNN網(wǎng)絡以及本文提出的CAGA_CNN網(wǎng)絡進行迭代150次，探討所提出網(wǎng)絡模型與傳統(tǒng)的網(wǎng)絡模型的準確率、損失率和收斂速度的變化情況。分析結(jié)果如圖8所示。

對心音識別精度及損失圖對比圖

通過圖8發(fā)現(xiàn)，①本文提出的算法在識別的準確率上得到了大大的提高，模型的損失在一定的程度上有所改善；②本文提出的網(wǎng)絡模型在迭代14次已經(jīng)達到了收斂，表明提出的算法具有較快的收斂速度。

3 結(jié)論

為了提出較好的心音去噪算法及心音識別模型本文提出了基于PSO_WT與改進的CAGA_CNN算法對心音識別，主要工作如下：

首先，本文選取了不同場景下采集的、具有重疊噪聲的PhysioNet數(shù)據(jù)集進行實驗；其次，首次搭建PSO_WT算法對心音信號進行去噪處理；最后，提出改進的CAGA_CNN網(wǎng)絡對心音信號進行識別；實驗結(jié)果表明，本文提出的算法具有較好的識別性能和較快的收斂時間。

參考文獻（References）：

[1] S. Latif， M. Y. Khan， A. Qayyum， J. Qadir， M. Usman， S.

M. Ali， et al.， "Mobile technologies for managing non-communicable diseases in developing countries，" in Mobile applications and solutions for social inclusion， ed： IGI Global，2018：261-287

[2] M. E. Chowdhury， K. Alzoubi， A. Khandakar， R. Khallifa，

R. Abouhasera， S. Koubaa， et al.， "Wearable real-time heart attack detection and warning system to reduce road accidents，" Sensors，2019，19：2780

[3] M. E. Chowdhury， A. Khandakar， K. Alzoubi， S. Mansoor，

A. M Tahir， M. B. I. Reaz， et al.， "Real-Time Smart-Digital stethoscope system for heart diseases monitoring，" Sensors，2019，19：2781

[4] Kao W C，Wei C C.Automatic phonocardiograph signal

analysis for detecting heart valve disorders[J].Expert Systems with Applications： An International Journal，2011，38（6）：6458-6468

[5] 周酥.心音信號特征分析及其在輔助診斷中的價值[D].

碩士，廣州：華南理工大學，2012

[6] 羅鍵中，羅林.心臟聽診[M].北京：人民衛(wèi)生出版社，2001：

3-35

[7] U. Alam， O. Asghar， S. Q. Khan， S. Hayat， and R. A.

Malik， "Cardiac auscultation： an essential clinical skill in decline，" British Journal of Cardiology，2010，17：8

[8] G. D. Clifford， C. Liu， B. Moody， D. Springer， I. Silva， Q.

Li， et al.， "Classification of normal/abnormal heart sound recordings： The PhysioNet/Computing in Cardiology Challenge 2016，" in 2016 Computing in Cardiology Conference （CinC），2016：609-612

[9] Khan K N， Khan F A， Abid A， et al. Deep learning based

classification of unsegmented phonocardiogram spectrograms leveraging transfer learning[J].Physiological Measurement，2021，42（9）：095003（17pp）

[10] K. Wo?k and A. Wo?k， "Early and remote detection of

possible heartbeat problems with convolutional neural networks and multipart interactive training" IEEE Access，2019，7：145921-145927

[11] 成謝鋒，陳亞敏.S1和S2共振峰頻率在心音分類識別中的

應用[J].南京郵電大學學報（自然科學版），2017，37（5）：7-12

[12] 吳云飛，周煜，陳天浩，等.基于自相關(guān)函數(shù)的心音周期提取

和識別[J].計算機與數(shù)字工程，2017，45（10）：2068-2073

[13] 郭興明，何彥青，盧德林，等.平移不變小波在心音信號去噪

中的應用[J].計算機工程與應用，2014，50（24）：209-212

[14] 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

[15] Thomae C， Dominik A. Using deep gated RNN with a

convolutional front end for end-to-end classification of heart sound[C].Computing in Cardiology Conference. IEEE，2017

[16] Shhussain H， Mohamad M M， Zahilah R， et al.

Classification of Heart Sound Signals Using Autoregressive Model and Hidden Markov Model[J]. Journal of Medical Imaging & Health Informatics，2017，7（4）：755-763

[17] 周克良，邢素林，聶叢楠.基于自適應閾值小波變換的心音

去噪方法[J].廣西師范大學學報（自然科學版），2016，34（1）：19-25

[18] 何之煜.基于異構(gòu)粒子群算法的LKJ輔助駕駛優(yōu)化研究[J].

鐵道標準設計，2022（12）：1-7

[19] Wang J D，Chen Y Q，Hao S J，et al.Deep learning for

sensor-based activity recognition：A survey[J].Pa-ttern Recognition Letters，2019，119：11-13

[20] 萬鵬，趙竣威，朱明，等.基于改進Res Net50模型的大宗淡

水魚種類識別方法[J].農(nóng)業(yè)工程學報，2021，37（12）：159-168

[21] 蔣留兵，潘波，吳岷洋，等.基于FT＿SSIM和ICAGA＿CNN

在小樣本場景下雷達動作識別方法研究[J].計算機應用研究，2022，39（4）：1105-1110

[22] PhysioNet/CinC Challenge 2016. https：//physionet.org/

physiobank/database/challenge/2016/.

[23] Bentley， P. and Nordehn， G. and Coimbra， M. and

Mannor， S.： The PASCAL Classifying Heart Sounds Challenge 2011（CHSC2011） Results.http：//www.peterjbentley.com/heartchallenge/index.html.

[24] 李天雅.基于深度學習網(wǎng)絡的心音信號分類識別的研究[D].

碩士，華南理工大學，2018

[25] S.-W. Deng and J.-Q. Han， "Towards heart sound

classification without segmentation via autocorrelation feature and diffusion maps，" Future Generation Computer Systems，2016，60：13-21

[26] W. Zhang， J. Han， and S. Deng， "Heart sound

classification based on scaled spectrogram and tensor decomposition，" Expert Systems with Applications，2017，84：220-231

[27] V. Sujadevi， K. Soman， R. Vinayakumar， and A. P.

Sankar， "Deep models for phonocardiography （PCG） classification，" in 2017 International Conference on Intelligent Communication and Computational Techniques （ICCT），2017：211-216

[28] W. Zhang and J. Han， "Towards heart sound classification

without segmentation using convolutional neural network，" in 2017 Computing in Cardiology （CinC），2017：1-4

[29] F. Chakir， A. Jilbab， C. Nacir， and A. Hammouch，

"Phonocardiogram signals processing approach for PASCAL classifying heart sounds challenge，" Signal， Image and Video Processing，2018，12：1149-1155

[30] F. Demir， A. ?engür， V. Bajaj， and K. Polat， "Towards

the classification of heart sounds based on convolutional deep neural network，" Health information science and systems，2019，7：16