心音信号自动分析与识别的研究现状.pdfVIP

心音信号自动分析与识别的研究现状 吴玉春，郭兴明，肖守中 重庆大学生物工程学院，重庆（400030 ） E-mail ：wychun690@ 摘 要：分析了当前心音信号自动分析与识别的研究现状，通过分类比较了谱分析、小波分 析、神经网络方法以及数学形态学方法等几种用于心音的研究方法各自的特点，讨论了对心 音信号进行自动分析、识别的研究状况、研究重点和发展方向。 关键词：心音,谱分析；小波变换；神经网络 中图分类号：R318．04 1. 引言 心音信号是包含有重要生理、病理信息的医学信号之一，是临床评估心脏功能状态的一 种基本方法，某些心血管疾病发展到出现明显的病理特征之前，会在心音相应组成成分上有 所反映，如冠状动脉狭窄会在心音的舒张期产生异常杂音。但是，由于目前心音的研究中存 在以下几个问题，心音信号的自动分析与识别还不能很好的应用于临床，第一，心音的产生 机制尚无定论，目前的研究表明，心音是由心脏的瓣膜和大血管在血流冲击下形成的振动， 以及心脏内血流的加速与减速形成的湍流与涡流以及对心脏瓣膜、心房、室壁的作用所产生 的振动，再加上心肌在周期性的心电活动作用下起刚性的迅速增加和减小形成的振动，经过 心胸传导系统到达体表形成的体表心音[1]；第二，目前对于心音自动分析的研究大都处在 理论研究阶段，临床上对于心音的诊断大多还是靠医生的经验和主观判断，用听诊器采集心 音音频信号，这种诊断主要依赖于医生的经验水平，往往只能是有经验的心脏病专家，才能 做出正确的诊断结论；第三，目前心音信号的自动分析技术还不成熟，不全面，一般只能对 正常的心音信号做出比较准确的识别，而对于异常心音信号，还不能用先进的信号处理手段 进行自动分析及识别。 2. 常用方法 下面就目前用于心音信号自动识分析及识别的一些常用方法进行分类介绍： 2.1 谱分析 上世纪90年代以前，心音分析工作者主要采用FFT 、AR （自回归模型）和ARMA （自 回归滑动平均模型）等谱分析，而且其研究对象也局限在动物心音。有研究[1]表明：心胸 声传导系统是一个时变模型。因此，采用FFT或参数模型（LPC 、AR和ARMA ）都是基于平 稳性好的分析方法，难以反映出心音信号的动态变化过程，另外，功率谱只能反映幅频特性， 而往往忽视了蕴含着大量信息的相频特性。后来Sava HP等[2]采用改进的前后预算的Prony 方法对用机械膜修复后的心脏心音的谱分布进行了研究，Prony方法可以直接求得信号的幅 值、相位、阻尼因子和频率4个要素，能够处理衰减信号、估计阻尼系数。 何莹等[3]将高阶统计量方法应用于心音信号分析，建立了心音信号的AR 双谱模型，获 得了心音的双谱幅度图，并采用模型参数作为特征参量对心音信号进行了二类模式识别，其 实验结果表明，心音信号本质上为非高斯信号，高阶统计量在心音信号分析和处理中有一定 - 1 - 的应用价值。李彬彬等[4]采用改进的HHT 算法对心音信号进行分析，李等在EMD 筛选过 程中引入基于两个参数θ1 和θ2 的判断标准，来缓解判断条件设置不当引起的误差。 模态幅值： （1） 评估函数： （2 ） 筛选停止条件：1）评估函数不大于θ1，其目的是为了保证整个数据段中波动的平均值足够 小；2 ）评估函数不大于θ2 ，其目的是为了限制EMD 分解时局部数据大的漂移。这两个参 数在保证数据整体性的同时，也考虑到局部数据的影响。利用这种改进的HHT 对正常心音 信号进行分析，从时频特征、时域特征、能量分布等多角度提取了心音的特征值，为进一步 的心音分析提供了有用的方法和数据。朱冰莲等[5]采用短时傅立叶变化（STFT，又称窗口 傅立叶变换