心肺音分離方法研究進(jìn)展

孫文慧，陳扶明，張乙鵬，李川濤，李楠

1. 中國人民解放軍聯(lián)勤保障部隊(duì)第940醫(yī)院 醫(yī)療保障中心，甘肅 蘭州 730050；2. 甘肅中醫(yī)藥大學(xué) 信息工程學(xué)院，甘肅 蘭州 730000；3. 海軍軍醫(yī)大學(xué) 海軍醫(yī)學(xué)中心 航空生理心理訓(xùn)練隊(duì)，上海 200433

引言

近些年，心血管疾病和呼吸系統(tǒng)疾病患者數(shù)量逐漸增加，心血管疾病和呼吸系統(tǒng)疾病嚴(yán)重威脅到了人類的生命健康安全[1-4]。世界衛(wèi)生組織發(fā)布的《2018 世界衛(wèi)生統(tǒng)計(jì)報(bào)告》統(tǒng)計(jì)，心腦血管疾病排在非傳染性疾病的首位（占所有非傳染性疾病的44%），死亡人數(shù)高達(dá)1790 萬，是癌癥死亡病例的2 倍[5]。根據(jù)世界衛(wèi)生組織的數(shù)據(jù)，慢性阻塞性肺病是全球第三大死因，2019 年造成323 萬人死亡[6]。醫(yī)生對(duì)于病情的正確診斷是保證患者恢復(fù)健康的先決條件，而對(duì)聽診器所采集的心肺音信號(hào)進(jìn)行分析有助于診斷心血管疾病和呼吸系統(tǒng)疾病[7-10]。醫(yī)務(wù)人員診斷心血管疾病和呼吸系統(tǒng)疾病最簡單的檢測方法是聽診[11]，即在患者胸部使用聽診器獲取心肺音信號(hào)以判斷心肺系統(tǒng)健康與否。但傳統(tǒng)聽診器有一定的缺點(diǎn)，如不能無線傳輸數(shù)據(jù)、不能存儲(chǔ)回放數(shù)據(jù)、抗環(huán)境干擾能力差等[12]，制約了傳統(tǒng)聽診器在遠(yuǎn)程醫(yī)療、移動(dòng)醫(yī)療等領(lǐng)域的進(jìn)一步應(yīng)用。因此，使用具有分析、存儲(chǔ)、傳輸功能的電子聽診器進(jìn)行智能聽診在傳染病盛行的環(huán)境下顯得更為重要[13]。

正常情況下，心音信號(hào)的頻率范圍為20～150 Hz[14]，肺音信號(hào)的頻率范圍為50～2500 Hz[15]。不難看出，心音信號(hào)和肺音信號(hào)存在頻率混疊區(qū)間，心音信號(hào)和肺音信號(hào)之間互相干擾，導(dǎo)致聽診和診斷效果大大降低。而醫(yī)務(wù)人員使用聽診器進(jìn)行聽診時(shí)，聽診器與衣服摩擦的噪音、外界環(huán)境和儀器運(yùn)轉(zhuǎn)的噪聲都會(huì)和心肺音一起被采集到電子聽診器中[16-17]。同時(shí)，聽診器所采集的信號(hào)通常是心音信號(hào)和肺音信號(hào)的混合信號(hào)，無法采集到干凈的心音信號(hào)和肺音信號(hào)[18]。為了對(duì)病情進(jìn)行正確診斷，實(shí)現(xiàn)心肺音分離是智能聽診中極其重要的步驟。圖1為心肺音混合信號(hào)，從圖上可以看出心音和肺音之間存在大量混疊區(qū)間，使用心肺音分離算法可以將混合心肺音信號(hào)分離為圖2 所示的心音信號(hào)和圖3 所示的肺音信號(hào)。因此，對(duì)心肺音進(jìn)行分離對(duì)輔助醫(yī)療具有極其重要的意義。本文綜述了心肺音分離方法的相關(guān)文獻(xiàn)，總結(jié)了近些年心肺音分離技術(shù)的研究現(xiàn)狀，對(duì)心肺音分離方法進(jìn)行了梳理。

圖1 心肺音混合信號(hào)

圖2 心音信號(hào)

圖3 肺音信號(hào)

1 心肺音信號(hào)

1.1 心音信號(hào)

心音指由心肌收縮、心臟瓣膜關(guān)閉和血液撞擊心室壁、大動(dòng)脈壁進(jìn)而產(chǎn)生振動(dòng)所引發(fā)的聲音，可在胸壁一定部位使用聽診器采集[19]。正常心音波形圖如圖4 所示，該心音信號(hào)取自心音分類競賽數(shù)據(jù)集[20]。正常情況下，心音頻率范圍為20～150 Hz，當(dāng)心臟出現(xiàn)病變而異常工作時(shí)，心音頻率甚至?xí)^1400 Hz。

圖4 心音波形圖

第一心音（S1）、第二心音（S2）、第三心音（S3）以及第四心音（S4）是心音信號(hào)的主要分段，心音不同分段頻率各不相同。S1 與S2 的頻率范圍為20～150 Hz，較易被聽見。S3 和S4 頻率較弱，范圍為10～50 Hz[21]，不易被聽見。S1 發(fā)生在心臟收縮期，其音調(diào)低、時(shí)限長，在心臟尖部較響。S2發(fā)生在心臟舒張期，S2較S1音調(diào)高、時(shí)限短，在心臟底部較響。S3 發(fā)生在S2 后0.1～0.2 s，頻率和幅度低，所以通常僅在兒童心音中能聽到S3。同樣，S4 幅值較低[22]，一般不易聽到。此外，一些心臟疾病還會(huì)產(chǎn)生心雜音和額外心音。

1.2 肺音信號(hào)

肺音也稱作呼吸音，呼吸過程中空氣流動(dòng)時(shí)會(huì)產(chǎn)生肺音[23]。肺音頻率范圍為50～2500 Hz，為非平穩(wěn)周期信號(hào)。正常肺音波形圖如圖5 所示，該肺音取自ICBHI 2017 挑戰(zhàn)賽肺音數(shù)據(jù)庫[24]。

圖5 肺音波形圖

肺音分為正常肺音與異常肺音，當(dāng)肺部健康時(shí)，可以用聽診器聽到肺泡呼吸音、支氣管呼吸音和氣管音。當(dāng)肺部異常時(shí)，可以聽到連續(xù)或非連續(xù)附加音，如哮鳴音、喘鳴音、羅音和嘎音等。異常肺音按肺音頻率、持續(xù)時(shí)間、開始偏移寬度等物理特性劃分，可分為以喘鳴音為特征的連續(xù)性肺音和以爆裂音為特征的斷續(xù)性肺音[25]。不同的異常肺音可以診斷不同的肺部疾病，如哮鳴音可用于檢測哮喘病[26]、爆裂音可用于檢測肺炎和肺纖維化疾病[27]等。

2 心肺音分離研究現(xiàn)狀

近些年心肺音分離研究已經(jīng)成為醫(yī)學(xué)領(lǐng)域的熱點(diǎn)話題，研究心肺音分離算法的國內(nèi)外研究團(tuán)隊(duì)逐年增加。目前國內(nèi)外針對(duì)心肺音分離研究主要有以下幾種方法。

2.1 基于小波變換方法

近些年，心肺音分離研究中小波變換主要用來對(duì)心肺音信號(hào)進(jìn)行降噪處理和特征提取。2018 年， Mondal 團(tuán)隊(duì)提出了一種將小波變換與其他方法結(jié)合的算法[28]。該算法在小波包變換基礎(chǔ)上與奇異值分解（Singular Value Decomposition，SVD）進(jìn)行組合對(duì)心音去噪。SVD 算法通過對(duì)選中的小波樹中信息量最大的節(jié)點(diǎn)所對(duì)應(yīng)的系數(shù)進(jìn)行處理，進(jìn)而對(duì)心音的噪聲分量進(jìn)行抑制。實(shí)驗(yàn)結(jié)果證明，該方法的心音去噪效果優(yōu)于其他基于小波變換的方法。同年，Emmanouilidou 團(tuán)隊(duì)提出了一種利用小波多尺度分解方法的噪聲抑制技術(shù)。該方法將心音作為噪聲進(jìn)行抑制，先使用4 階巴特沃茲濾波器在[50，250] Hz 對(duì)原始肺音信號(hào)進(jìn)行帶通濾波，并將其下采樣至1 kHz 以增強(qiáng)心音成分。該算法在真實(shí)臨床條件下采集的患者數(shù)據(jù)集上進(jìn)行了進(jìn)一步驗(yàn)證，效果良好[29]。計(jì)算量小、計(jì)算速度快是小波變換方法的優(yōu)點(diǎn)，因此常用于對(duì)信號(hào)進(jìn)行降噪處理。自適應(yīng)性差、對(duì)干擾因子抑制效果差是小波變換方法的缺點(diǎn)。

2.2 基于經(jīng)驗(yàn)?zāi)B(tài)分解方法

基于經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）是一種非平穩(wěn)信號(hào)的非線性分解方法，是一種自適應(yīng)分解方法，由于直接從信號(hào)中提取信息，因此無須使用內(nèi)核或母波形。其時(shí)頻分辨率隨輸入信號(hào)特征變化而變化，該方法在心肺音分離領(lǐng)域取得了一定的成果。2016 年，重慶大學(xué)的雍希團(tuán)隊(duì)提出一種EMD 與其他算法相結(jié)合的算法來對(duì)心音信號(hào)進(jìn)行降噪和特征提取[30]。該算法將EMD 與SVD 相結(jié)合，利用EMD 獲得固有模態(tài)函數(shù)分量，再對(duì)其進(jìn)一步分解，然后篩選和重構(gòu)之前工作中得到的特征信號(hào)，最后重構(gòu)出純凈的心音信號(hào)。自適應(yīng)強(qiáng)是EMD 的一大優(yōu)勢。EMD 算法的模態(tài)混疊問題是該算法的缺點(diǎn)，因此將其應(yīng)用于心肺音分離上會(huì)存在一定誤差。

2.3 基于信號(hào)周期性方法

由于心音信號(hào)具有周期特性，許多學(xué)者利用心音信號(hào)和肺音信號(hào)的周期特性來進(jìn)行心肺音分離。2015 年，武偉寧團(tuán)隊(duì)提出一種周期提取算法用于信號(hào)分段[31]，該方法不用識(shí)別心音的基本成分，首先對(duì)心音使用小波變換去噪，然后對(duì)去噪后的心音使用快速Hilbert 變換進(jìn)行包絡(luò)提取，心動(dòng)周期由自相關(guān)分析函數(shù)獲得，進(jìn)而根據(jù)獲得的心動(dòng)周期從原始信號(hào)中提取整周期信號(hào)。同年，李婷[32]提出一種對(duì)心音信號(hào)進(jìn)行處理的算法。該算法基于循環(huán)平穩(wěn)信號(hào)理論，根據(jù)在心音信號(hào)提取出的瞬時(shí)相位來估計(jì)心動(dòng)周期。因?yàn)樾囊粜盘?hào)的循環(huán)頻率明顯區(qū)別于肺音信號(hào)的循環(huán)頻率，因此根據(jù)二者的差異可以對(duì)心音信號(hào)和肺音信號(hào)進(jìn)行有效分離。利用心音準(zhǔn)周期性分析處理心音信號(hào)，確定周期開始的位置非常關(guān)鍵，因此基于信號(hào)周期性的方法受到了很大限制。

2.4 基于非負(fù)矩陣分解方法

考慮到心肺音信號(hào)的稀疏性，越來越多研究人員采用基于非負(fù)矩陣分解（Non-negative Matrix Factorization，NMF）的方法對(duì)心肺音進(jìn)行分離。2017 年，Canadas-Quesada 提出了一種從心音和肺音混合物中提取心音的NMF 方法[33]，提出了由聚類原理驅(qū)動(dòng)的3 個(gè)方法：其中兩個(gè)聚類基于頻譜內(nèi)容，一個(gè)基于時(shí)間內(nèi)容以區(qū)分心音和肺音。第一個(gè)頻譜聚類算法對(duì)由NMF 方法分解的基向量和由心音訓(xùn)練數(shù)據(jù)庫所創(chuàng)建的字典的基向量進(jìn)行頻譜相似性的評(píng)估與測量。第二個(gè)頻譜聚類算法對(duì)由NMF 提供的基向量的頻率分布特性進(jìn)行研究。評(píng)估表明，所提方法取得了良好的結(jié)果，優(yōu)于最近的NMF 方法和基于NMF 的最新方法。2021 年，Grooby 團(tuán)隊(duì)提出了一種新的基于非負(fù)矩陣共因子分解的方法[34]。這種方法通過訓(xùn)練20 個(gè)高質(zhì)量的心肺聲音來實(shí)現(xiàn)，同時(shí)分離嘈雜錄音的聲音。該方法在包含心音和肺音的68 個(gè)10 s 嘈雜錄音上進(jìn)行了測試，并與當(dāng)前最先進(jìn)的NMF 方法進(jìn)行了比較。結(jié)果顯示，與現(xiàn)有方法相比，心肺音質(zhì)量分別顯著提高，心跳和呼吸頻率估計(jì)的準(zhǔn)確性分別提高了3.6 bpm 和1.2 bpm。2023 年，Wang 團(tuán)隊(duì)提出了一種基于NMF 和深度學(xué)習(xí)的無監(jiān)督單通道盲源分離算法[35]。該算法首先利用多約束NMF算法和K 均值及支持向量機(jī)聚類方法對(duì)心音信號(hào)進(jìn)行提取，并使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)不同類型的心音信號(hào)進(jìn)行分類；最后，利用嵌入空間質(zhì)心網(wǎng)絡(luò)來分離混合心肺音信號(hào)。基于NMF 的優(yōu)點(diǎn)是可以對(duì)單通道的心肺混合信號(hào)進(jìn)行無監(jiān)督分離，NMF 的另一個(gè)優(yōu)點(diǎn)是只需要單通道作為輸入信號(hào)，而不是其他盲源分離方法通常需要的多通道；缺點(diǎn)是在分離時(shí)域和頻域混疊嚴(yán)重的心肺音信號(hào)時(shí)效果不太理想。

2.5 基于獨(dú)立分量分析方法

近些年，獨(dú)立分量分析（Independent Component Analysis，ICA）廣泛應(yīng)用于數(shù)據(jù)分析和信號(hào)處理領(lǐng)域。由于心音信號(hào)和肺音信號(hào)的短時(shí)平穩(wěn)性，2010 年，王春華提出一種基于ICA 的方法用于心肺音分離[36]，該算法結(jié)合了快速不動(dòng)點(diǎn)算法和信息極大準(zhǔn)則算法，可使用該算法對(duì)混合信號(hào)進(jìn)行盲源分離。2013 年，Ayari 團(tuán)隊(duì)提出了ICA 子算法與其他算法相結(jié)合的算法。該算法使用快速ICA 算法與自適應(yīng)濾波算法對(duì)心肺音混合信號(hào)中的心音成分進(jìn)行濾除[37]。對(duì)該算法進(jìn)行實(shí)驗(yàn)得到了很高的精度。使用ICA 算法的一個(gè)重要前提是獲取的信號(hào)是多通道的，因此單通道信號(hào)的處理受到了限制。

2.6 基于深度學(xué)習(xí)方法

深度學(xué)習(xí)算法由于挖掘非線性映射關(guān)系和特征提取的優(yōu)秀能力受到許多研究團(tuán)隊(duì)的青睞。深度學(xué)習(xí)方法在處理語音信號(hào)和圖像方面的效果遠(yuǎn)超其他方法。近些年，越來越多研究人員使用深度學(xué)習(xí)分離心肺音信號(hào)。2017 年，Nersisson 等[38]提出一種基于最小均方（Least Mean Square，LMS）算法的改進(jìn)自適應(yīng)噪聲消除技術(shù)對(duì)心肺音進(jìn)行分離。LMS 算法中的步長參數(shù)使用混合Nelder-Mead（NM）優(yōu)化算法進(jìn)行最佳選擇。NM 算法通過使用隨機(jī)搜索來計(jì)算全局最小值的估計(jì)值，從而使用良好的初始解進(jìn)行初始化。使用良好的初始化NM 算法避免了收斂到淺局部最小值，提高了最終解的質(zhì)量。實(shí)驗(yàn)結(jié)果表明，該方法心肺音分離效果優(yōu)于其他方法。2018 年，Al-Naggar 團(tuán)隊(duì)研究了一種基于歸一化尾均方算法的改進(jìn)自適應(yīng)噪聲消除方法[39]。同年，雷志彬等[40]提出一種基于全連接長短期記憶（Long Short Term Memory，LSTM）的心肺音分離方法，該方法將LSTM 網(wǎng)絡(luò)用于實(shí)現(xiàn)心肺音信號(hào)分離，實(shí)驗(yàn)結(jié)果顯示，基于全連接LSTM 方法效果優(yōu)于基于NMF 的方法。2020 年，陳駿霖團(tuán)隊(duì)比較了3 種循環(huán)神經(jīng)網(wǎng)絡(luò)的變體和2 種時(shí)頻掩碼組合的心肺音分離方法[41]，實(shí)驗(yàn)結(jié)果顯示，基于雙向門控循環(huán)單元（Bidirectional Gated Recurrent Unit，BiGRU）的算法分離心肺音效果最好。與其他3種方法相比，基于BiGRU 算法分離的心音的信噪比分別提高了1.44 dB，0.58 dB 和0.27 dB。2020 年，Tsai 團(tuán)隊(duì)提出了一種周期性編碼深度自動(dòng)編碼器算法[42]，該方法對(duì)心音信號(hào)和肺音信號(hào)的不同周期進(jìn)行假設(shè)，使用無監(jiān)督的方式對(duì)混合心肺音進(jìn)行分離。周期性編碼深度自動(dòng)編碼器算法使用深度學(xué)習(xí)模型提取心音和肺音的代表性特征，并考慮心肺聲音的周期性應(yīng)用調(diào)制頻率分析來執(zhí)行分離。2022 年，林家榮團(tuán)隊(duì)提出一種基于知識(shí)蒸餾的算法[43]。該模型使用BiGRU 作為算法的基本框架，然后將知識(shí)蒸餾方法應(yīng)用于該模型上，簡化了模型，旦更加簡便。2023 年，Yang 等[44]利用深度自編碼器的數(shù)據(jù)驅(qū)動(dòng)特征學(xué)習(xí)優(yōu)勢和常見的準(zhǔn)環(huán)穩(wěn)態(tài)特性進(jìn)行單信道分離。與目前大多數(shù)僅處理短時(shí)傅里葉變換頻譜幅值的分離方法不同，該方法構(gòu)建了一種具有深度自編碼器結(jié)構(gòu)的復(fù)值U-net，以充分利用幅值和相位信息。作為心肺音的共同特征，心臟音的準(zhǔn)循環(huán)平穩(wěn)性參與了訓(xùn)練的損失函數(shù)。對(duì)數(shù)據(jù)進(jìn)行特征提取是神經(jīng)網(wǎng)絡(luò)的優(yōu)勢，近幾年，利用深度學(xué)習(xí)方法進(jìn)行心肺音分離掀起了一股熱潮并取得了不錯(cuò)的成果，但對(duì)比較復(fù)雜的心肺音信號(hào)進(jìn)行分離時(shí)會(huì)出現(xiàn)神經(jīng)網(wǎng)絡(luò)泛化弱的問題是該方法的缺點(diǎn)所在。

3 總結(jié)與展望

綜上所述，聽診是針對(duì)聽呼吸聲的普通而簡單的方法，但也有缺點(diǎn)，因?yàn)樵摲椒ㄊ且豁?xiàng)高度主觀的工作，主要依賴于觀察者的經(jīng)驗(yàn)和訓(xùn)練，因此呼吸聲的采集本身將會(huì)成為高度非線性的噪聲源。由于兩個(gè)信號(hào)的卷積重疊性質(zhì)，本文中討論的所有技術(shù)在從心肺音混合信號(hào)中分離心音和肺音時(shí)遇到了許多問題，比如分離后的心音和肺音存在背景噪聲過大的情況或者會(huì)損失原始信號(hào)的一些信息。更好的技術(shù)仍有待實(shí)現(xiàn)，以用于從混合信號(hào)中分離出心音和肺音，而不會(huì)在任何頻率范圍內(nèi)損失任何需要的信號(hào)。呼吸音記錄和心音記錄分別是危重患者在重癥監(jiān)護(hù)病房中的兩個(gè)非常重要的記錄。在對(duì)現(xiàn)有算法進(jìn)行整理之后，很明顯，近些年心肺音分離的重心主要是基于NMF 和基于深度學(xué)習(xí)的方法。

實(shí)現(xiàn)對(duì)心肺音混合信號(hào)進(jìn)行分離后，下一步可以考慮對(duì)分離后的信號(hào)進(jìn)行去噪處理以得到更純凈的心音和肺音，再對(duì)得到的純凈心肺音進(jìn)行分類以輔助醫(yī)生診斷病情。