基于自相關(guān)函數(shù)的心音周期提取和識別?

吳云飛 周 煜 陳天浩 沈竹青

（宿遷學院信息工程學院 宿遷 223800）

基于自相關(guān)函數(shù)的心音周期提取和識別?

吳云飛 周 煜 陳天浩 沈竹青

（宿遷學院信息工程學院 宿遷 223800）

論文提出一種對單個心音周期進行快速定位并分析的方法。首先對心音信號進行削波，通過短時自相關(guān)函數(shù)，實現(xiàn)對心音周期的定位；然后利用短時平均能量，小波包分解等時頻分析手段對心音特征參數(shù)提取并運用概率神經(jīng)網(wǎng)絡(luò)進行分類。結(jié)果表明，該方法可以對17種不同心音進行有效分類；與常見方法比，不僅減少了運算過程，而且可以實現(xiàn)對含有額外心音的復雜心音信號進行判斷和識別。

心音；自相關(guān)函數(shù)；周期提取；神經(jīng)網(wǎng)絡(luò)

1 引言

在人體心臟的心動周期中，心肌收縮、瓣膜啟閉、血液加速度和減速度對心血管壁的加壓和減壓作用以及形成的渦流等因素引起的機械振動，可通過周圍組織傳遞到胸壁。將聽診器放在胸壁某些部位，就可以聽到聲音，稱為心音［1］。

近年來，國內(nèi)外涌現(xiàn)了許多關(guān)于心音識別的新技術(shù)、新方法。Zhongwei Jiang等通過心音特征波形（CSCW）和聚類算法（FCM）成功將主動脈回流、房顫、二尖瓣狹窄3種異常心音自動歸類［2］。王曉燕等通過梅爾頻率倒譜（MFCC）和隱馬爾可夫模型（HMM）對包括肺動脈狹窄在內(nèi)的6種心音實現(xiàn)了自動識別［3］。林勇等利用經(jīng)驗模態(tài)分解（EMD）對12種不同心音信號進行特征提?。?］。這些方法受限于復雜的算法，難以推廣到對成本要求更高，專用性更強的嵌入式產(chǎn)品中。

張孝桂等設(shè)計了嵌入式心音分析儀［5］，但依賴于心電參考信號，要求心音心電同步采集。Taikang Ning等通過能量和頻率討論了心音不同時期所產(chǎn)生的雜音及其快速分類的方法［6］，簡化了計算方法，但包括這些算法在內(nèi)的主流心音檢測方法都對額外心音的檢測和辨識少有提及。額外心音指在第一心音（S1）、第二心音（S2）之外聽到的附加心音，可能出現(xiàn)在心臟舒張或收縮的任意時期，是臨床心臟聽診的體征之一，與心臟雜音不同。多數(shù)為病理性，大部分出現(xiàn)在S2之后即舒張期，與原有的S1，S2構(gòu)成三音律，如舒張早期奔馬律；也可出現(xiàn)在S1之后即收縮期，如收縮中晚期喀喇音［7］。

心音是非線性的復雜信號，在異常情況下，其第一、第二心音可能完全被雜音覆蓋；額外心音又與基礎(chǔ)心音頻率相近，這些都給心音信號的識別和分析帶來很大的困難。因此，本研究提出了一種簡單高效、可判斷有無額外心音且不依賴于參考信號和成分識別的心音分類方法，可用于資源較少的嵌入式心音分析設(shè)備。

2 總體設(shè)計

心音是心臟節(jié)律的外在表現(xiàn)，在時域上具有一定的周期性，利用這一特點，基于自相關(guān)函數(shù)法［8］本文提出了一種更加簡易、高效的心音信號識別方法。首先利用自相關(guān)函數(shù)將一段心音信號分割成多個單獨的心動周期，然后再通過短時能量檢測心動周期內(nèi)包含了幾個心音成分并做時頻分析，最后用概率神經(jīng)網(wǎng)絡(luò)將分析提取的特征參數(shù)做訓練和預測。圖1是本文提出的心音信號分類識別系統(tǒng)的總體設(shè)計流程圖。

圖1 算法設(shè)計流程

3 周期提取

3.1 歸一化及降采樣

為了保證音頻信號幅度的一致性，便于后續(xù)的數(shù)據(jù)計算，通過歸一化將其值變?yōu)椋?，-1）之間。

式中x(n)為離散心音信號，max為最大值，min為最小值。為了使歸一化后的音頻信號不偏離x軸，還需使離散的心音信號之和近似為零。

降采樣是降低特定信號的采樣率的過程，通常用于降低數(shù)據(jù)傳輸速率或者數(shù)據(jù)大小。在信號實時處理過程中，在保證奈奎斯特采樣定理成立的情況下，通過間隔抽取減少數(shù)據(jù)樣點的方式，加快運算時間。本文將11025Hz的心音音頻信號15倍降采樣至735Hz，在不改變心音信號基本形態(tài)的前提下，有效的減少了數(shù)據(jù)的運算量。

3.2 削波及自相關(guān)函數(shù)

自相關(guān)函數(shù)是用來表征一個隨機過程本身，在任意兩個不同時刻狀態(tài)之間的相關(guān)程度。對于離散信號，自相關(guān)函數(shù)定義為

它反映了信號x(n)和其自身做了一段延遲x(n +m)之后的相似程度。因此自相關(guān)函數(shù)提供了一種獲取信號周期的方法，即在周期信號周期的整數(shù)倍上，它的自相關(guān)R(m)可以達到最大值。除房顫在外的大多數(shù)心音信號都具有一定的周期性，只需要在每個心動周期中找到心音主成分的所在時刻，就可以利用自相關(guān)函數(shù)實現(xiàn)心動周期的定位。

當用自相關(guān)提取周期時，只關(guān)心時間，也就是自相關(guān)函數(shù)峰值出現(xiàn)的位置，而峰值本身無關(guān)緊要［9］。因此，為使得計算更加快速，可以先將信號進行削波處理。從有音段開始對心音削波后，心音信號就從復雜的離散信號轉(zhuǎn)化為簡單電平信號，自相關(guān)計算就從繁復的乘法運算變?yōu)楹唵蔚慕M合邏輯運算，減少了大部分運算量［10］。

選取合適的削波閾值可以保證獲取心音主要成分的同時避免其他噪聲的影響。經(jīng)測試，當閾值設(shè)為最大值的40%時，可以取得較好的削波效果，其公式如下。

圖2為利用式（4）進行削波的結(jié)果。

圖2 舒張早期奔馬律削波前后對比

通過圖2可以看到心音波形信號被轉(zhuǎn)換為高低電平信號，有效音頻和無效噪聲得到明顯區(qū)分，包含額外音在內(nèi)的三次心音的出現(xiàn)位置、時長等信息基本得到保存，心音周期基本保持不變。

因為自相關(guān)函數(shù)R(m)會在整數(shù)倍達到最大值，為了避免取到二倍或多倍周期，幀長的選取也十分關(guān)鍵。正常人的心率在60～100之間，考慮經(jīng)過長期體育鍛煉或重體力勞動者，每分鐘心率只有50～60次，這里將幀長設(shè)為900個采樣點，即49次/分。每次自相關(guān)計算只對2倍幀長，即1800個采樣點進行處理，既保證了準確性又減少了計算復雜度。從得到自相關(guān)函數(shù)曲線后，就將周期提取問題轉(zhuǎn)換為尋找第二峰值的問題，如圖3所示。

圖3 舒張早期奔馬律削波后的自相關(guān)函數(shù)曲線

在圖3中，自相關(guān)函數(shù)在x=0處有最大值峰值點，而后開始減弱并在值相對較小的區(qū)間內(nèi)波動，直至出現(xiàn)標記處的第二峰值，其值明顯大于兩側(cè)，自相關(guān)性最好，是取得心音整數(shù)倍周期的依據(jù)。即該心音信號的單倍周期約為700個采樣點。

根據(jù)自相關(guān)函數(shù)得到的周期有時會存在一定范圍的偏差，可以通過對平均幅值設(shè)定閾值向兩端適當調(diào)整，保證心動周期的完整性和下一個周期提取的可靠性。

4 端點檢測

短時平均能量法是一種常見的端點檢測方法，在信噪比比較高的情況下，可以作為的區(qū)分有聲和無聲的依據(jù)。定義n時刻某語音信號的短時平均能量En為

式中N為窗長，可見短時平均能量為一幀樣點值的加權(quán)平方和。

當窗函數(shù)為矩形窗時，有

對矩形窗長N值的設(shè)定也有一定的要求，N值過大會造成主要心音成分被忽略或兩個心音（如S1、S2）被識別為同一部分，而N值過小則會導致出現(xiàn)將許多非心音成分標記。設(shè)LEN是該心動周期的長度，則N值的計算公式如下。

在時域上，心音與噪音在振幅上有明顯不同，利用短時能量就可以分別將第一心音、第二心音以及額外心音的兩端標識，達到端點檢測的目的。

圖4 舒張早期奔馬律的端點檢測

圖4 為利用以上方法對舒張早期奔馬律的一個心動周期進行端點檢測的結(jié)果，將其包含的3個心音主要成分分別標記為S01、S02、S03。接著，對S01、S02、S03分別計算其時長、能量、方差等時域參數(shù)，以用于后續(xù)的神經(jīng)網(wǎng)絡(luò)訓練和預測。

5 神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)，是20世紀80年代以來人工智能領(lǐng)域興起的研究熱點。本研究采用概率神經(jīng)網(wǎng)絡(luò)（PNN）進行心音類別的預測。PNN是20世紀90年代初提出來的一個分類網(wǎng)絡(luò)，具有較好的魯棒性和容錯性，能在一定的范圍內(nèi)允許同一特征點的特征值存在誤差。它基于貝葉斯最優(yōu)分類決策理論和概率密度估計算法，結(jié)構(gòu)簡單，訓練快捷，可以用線性學習算法完成非線性學習算法完成的工作，并且不會陷入局部極小值，被廣泛應用于模式識別和模式分類領(lǐng)域［11］。

PNN屬于有監(jiān)督學習的神經(jīng)網(wǎng)絡(luò)，所以在使用神經(jīng)網(wǎng)絡(luò)之前，首先需要依靠確定的類型和參數(shù)對神經(jīng)網(wǎng)絡(luò)進行訓練。本文除了對周期和周期內(nèi)主要成分的時域特征參數(shù)進行分析，還分別參考了功率譜估計（PSD welch）［12］和小波包分解（WPD）［13］對心音信號的頻域進行特征值提取，得到了各頻段功率比和頻帶能量分布等參數(shù)信息。對時、頻域上的特征值同時提取，使神經(jīng)網(wǎng)絡(luò)的預測更具有可靠性和普遍性。

6 預測結(jié)果及分析

在圖5中，列舉了四種具有代表性異常心音信號，以及它們前三個單倍心動周期提取和端點檢測的結(jié)果。

圖5 周期提取及端點檢測結(jié)果

第一種，與正常心音成分大致相同，但心率明顯偏離正常值，如圖5（a）。第二種，S1、S2附近存在較大的雜音，但仍有一定周期性并可以識別出心音主要成分，如圖5（b）。第三種，周期性好，雜音小，但存在額外心音，如圖5（c）。第四種，心音成分S1、S2被完全覆蓋而無法識別，但根據(jù)自相關(guān)完成了周期提取，如圖5（d）。結(jié)果證明，對有一定周期性的心音，可以準確判別其周期并進行有效的端點檢測。

表1 部分特征參數(shù)平均值對比及預測結(jié)果

提取周期后，就可以對心音的特征值進行提取，通過時頻特征提取的共有17種不同心音，267個心動周期。每種隨機抽取3個心動周期分析得到的數(shù)據(jù)用于神經(jīng)網(wǎng)絡(luò)的訓練，然后將所有心動周期放入已經(jīng)訓練好的神經(jīng)網(wǎng)絡(luò)進行預測，其部分參數(shù)及測試結(jié)果如表1所示。其中E1、E2、E3分別是S01、S02、S03的能量，E是整個心動周期的能量，F(xiàn)是功率譜最大值處的頻點。

分析表1的預測結(jié)果發(fā)現(xiàn)，除樣本4預測的成功率較低外，其他心音均有較高成功率。

因為樣本4房顫具有非周期性，不能準確對其分段。另外，樣本5、7、9、10中雜音完全覆蓋主成分，因而只檢測到 S01，E1/E的值趨近于1；12、15樣本雖然存在額外心音，但其出現(xiàn)時間與S1、S2相近，音頻產(chǎn)生部分重疊，第三心音未能在端點檢測中體現(xiàn)，使得E3為0，但依然可以通過均值、方差和其他時頻特征參數(shù)得以區(qū)分。由分析可知，神經(jīng)網(wǎng)絡(luò)能對輸入的17種心音時域參數(shù)有效分類，輸出正確結(jié)果。

7 結(jié)語

本文提出了一種基于自相關(guān)函數(shù)的心音周期提取和識別方法，該方法首先將心音分段得到心動周期，然后對周期內(nèi)的特征值進行提取，最后利用神經(jīng)網(wǎng)絡(luò)做出分類決策。測試結(jié)果表明，利用心音的周期性，該算法能夠通過自相關(guān)函數(shù)對大多數(shù)心音信號周期進行有效的提取，而無需借助其他參考信號和成分識別手段；通過短時平均能量法實現(xiàn)了對第一，第二以及額外心音的端點檢測；通過文中最后的時頻特征分析結(jié)果看出，該算法在神經(jīng)網(wǎng)絡(luò)預測中可以達到較高的成功率，實現(xiàn)了對心音信號的快速識別。

［1］韋哲，李戰(zhàn)明，程自峰，等.基于LabVIEW 8.2的心音信號檢測與分析系統(tǒng)的研究［J］.醫(yī)療衛(wèi)生裝備，2008，29（7）：7-9.WEI Zhe，LI Zhanming，CHENG Zifen，et al.Development of Heart Sound Signal Examination and Analysis System Based on LabVIEW 8.2［J］.Chinese Medical Equipment Journal，2008，29（7）：7-9.

［2］Zhongwei Jiang，Samjin Choi.A cardiac sound characteristic waveform method for in-home heart disorder monitoring with electric stethoscope［J］.Expert Systems with Applications，2016，31：286-298.

［3］王曉燕，曾慶寧，粟秀尹.基于PCA和HMM的心音自動識別系統(tǒng)［J］.計算機工程，2012，38（20）：148-151.WANG Xiaoyan，ZENG Qingning，SU Xiuyin.Heart Sounds Automatic Recognition System Based on PCA and HMM［J］.Computer Engineering，2012，38（20）：148-151.

［4］林勇，許曉飛.基于經(jīng)驗模式分解的心音自動算法［J］.中國生物醫(yī)學工程學報，2008，27（4）：485-489.LIN Yong，XU Xiaofei.Segmentation Algorithm of Heart Sounds Based on Empirical Mode Decomposition［J］.Chinese Journal of Biomedical Engineering，2008，27（4）：485-489.

［5］張孝桂，何為，周靜，等.基于嵌入式系統(tǒng)的便攜式心音分析儀的研究［J］.儀器儀表學報，2007，28（2）：303-307.ZHANG Xiaogui，HE Wei，ZHOU Jing，et al.Study on heart sound analyzing instrument based on embedded system［J］.Chinese Journal of Scientific Instrument，2007，28（2）：303-307.

［6］Taikang Ning，James Ning，Nikolay Atanasov，et al.A Fast Heart Sounds Detection and Heart Murmur Classification Algorithm［C］//Proceedings of 2012 IEEE 11th International Conference on Signal Processing，Beijing：IEEE Beijing Section，2012.1629-1632.

［7］駱益民，蔣犁.臨床查體手冊［M］.南京：江蘇科學技術(shù)出版社，2004.95-99.LUO Yimin，JIANG Li.Clinical examination manual［M］.Nanjing：Jiangsu Science and Technology Press，2004.95-99.

［8］Sumeth Yuenyong，Akinori Nishihara，A framework for automatic heart sound analysis without segmentation［J/OL］，BioMedical Engineering Online，2011［2011-10-13］.www.biomedical-engineering-online.com/content/10/1/13.

［9］肖正安.基音周期檢測ACF算法及MATLAB仿真［J］.湖北第二師范學院學報，2011，28（2）：86-88.XIAO Zhenan.ACF Algorithm for Pitch Period Detection and MATLAB Simulation［J］.Journal of Hubei University of Education，2011，28（2）：86-88.

［10］楊森斌，陳硯圃，李真.一種改進的自相關(guān)函數(shù)基音檢測算法［J］.現(xiàn)代電子技術(shù)，2008（9）：135-137.YANG Senbin，CHEN Yanpu，LI Zhen.Improved Pitch Detection Algorithm Based on Autocorrelation Function［J］.Modern Electronic Technique，2008（9）：135-137.

［11］蔡曲林.基于概率神經(jīng)網(wǎng)絡(luò)的模式識別［D］.長沙：國防科學技術(shù)大學，2005.CAI Qulin.Probabilistic Neural Network For Pattern Recognitions［D］.Changsha：National University of Defense Technology，2005.

［12］周靜，楊永明，何為.心音提取的分析及其特征提取方法的研究［J］.中國生物醫(yī)學工程學報，2005，24（6）：685-689.ZHOU Jing，YANG Yongming，HE Wei.A New Algorithm of Heart Sound Feature Extraction［J］.Chinese Journal of Biomedical Engineering，2005，24（6）：685-689.

［13］郭興明，丁曉蓉，鐘麗莎，等.小波包與混沌集成的心音特征特征提取及分類識別［J］.儀器儀表學報，2012，33（9）：1938-1944.GUN Xingming，DING Xiaorong，ZHONG Lisha，et al.Heart sound feature extraction and classification based on integration of wavelet packet analysis and chaos theory［J］.Chinese Journal of Scientific Instrument，2012，33（9）：1938-1944.

Extraction and Recognition of Heart Sound Period Based on Autocorrelation Function

WU YunfeiZHOU YuCHEN TianhaoSHEN Zhuqing
（Department of Information Engineering，Suqian College，Suqian 223800）

This paper presents a method for fast localization and analysis of a single heart sound cycle.Firstly，the heart sound signal is clipped，and the localization of the heart sound cycle is realized by the short-term autocorrelation function.Then，the heart sound is classified by means of time-averaged energy，wavelet packet decomposition and other time-frequency analysis methods and probabilistic neural network.The results show that this method can effectively classify 17 different heart sounds.Compared with the common methods，the method can not only reduce the calculation process，but also can realize the judgment and recognition of the complex heart sound signals with extra heart sounds.

heart sound，ACF，periodic extraction，neural network

R318.04

10.3969/j.issn.1672-9722.2017.10.038

Class Number R318.04

2017年4月7日，

2017年5月25日

吳云飛，男，研究方向：嵌入式、信號處理。周煜，男，研究方向：嵌入式。陳天浩，男，研究方向：數(shù)字通信。沈竹青，女，研究方向：信號處理。