EMD算法分析心音信号Word文件下载.docx

EMD算法分析心音信号Word文件下载.docx

《EMD算法分析心音信号Word文件下载.docx》由会员分享，可在线阅读，更多相关《EMD算法分析心音信号Word文件下载.docx（17页珍藏版）》请在冰点文库上搜索。

有心电图参考的方法，首先分别检测QRS波和T波以定位SI段和S2段[2]。

低质量的心电信号中，T波并不总是清晰可见。

在这种情况下，S2的声音可以通过非监督分类[3分]。

为了避免数据采集时额外的硬件要求和繁杂的接线安排，许多研究者试图通过几种信号处理和统计信息的方法找出S1S2，而不用心电图作为参考。

在这种情况下，已经提出了一些监管技术，如人工神经网络[4]和决策树[5]。

另一类方法涉及如envelogram的无监督的方法[6]，频谱量化方法[7]，以及使用梅尔频率倒谱系数的自组织映射[8]。

据观察，在实践中这些方法并不适用于所有类型的心音（如严重的杂音情况下）。

众所周知，关于人工瓣膜产生的心音的分割，这些声音是取决于几个因素，如手术方法，植入的位置和人工瓣膜类型。

在实践中，上述的方法不能提供所需的不变性，为了能够适用于各种心脏瓣膜植入患者。

在当前国家的最先进的心脏声音的分割算法应用的最可靠的和不变的特点是含蓄的或明确的S1-S2间隔规律。

在本文中，针对S1和S2心音检测，提出了不依赖于心电图参考或病人的任何其他先验信息的新颖方法。

在该算法中，利用EMD算法将PCG信号分解为一些特定的功能，称为基本模式分量函数（IMF），提取一些PCG信号基本特征。

首先，运用EMD的IMF分量的包络将所有可用的心音分割成声音裂片，然后，划分S1S2心音在每个心脏周期，通过检查两个音段之间的最近间隔为收缩间期（S1-S2期）。

本文的结构如下：

在第2节介绍了S1和S2了心音检测方法。

第3部分和第4部分对结果进行讨论，最后在第5部分指出一些主要结论。

二、方法

A．数据收集

2010年至2011年，我们在德黑兰Modares医院的儿科门诊收集的心音。

数据是从共100例，其中8例正常，年龄是1~26岁。

报告出版和相应的图像的书面知情同意书从患者处获得。

同意书的副本可供本期刊的首席主编审查。

病人（除正常对照组）有心脏杂音历史，其中包括30例室间隔缺损（VSD），12例房间隔缺损（ASD），6例同时有ASD、VSD 

，12例法洛四联症（TOF），6例肺动脉瓣狭窄（PS），34其他种类的疾病。

在所有的情况下，经超声心动图诊断，一些病例的病史、诊断结果总结于表1。

数目

病人年龄

病人体重

心脏病

案例1

6

35

室间隔缺损

案例2

7

19

房间隔缺损

案例3

9

24

法洛四联症

案例4

12

26

肺动脉瓣狭窄

案例5

5

14

动脉导管未闭

案例6

13

主动脉瓣狭窄

案例7

85

健康

表1一些研究患者的心音记录

B.预处理

电子听诊器记录的心音信号通常包含高频率噪声，因此，预处理是必不可少的。

先滤波进行信号消噪，其次是归一化和分割。

具体步骤如下：

滤波：

由于心音信号主要是小于800 

Hz，应用数字有限脉冲响应（FIR）设计巴特沃斯低通滤波器。

归一化：

不同心音信号的振幅均归一化和限制在[-11]这个尺度。

归一化方程如下所示：

（1）

一例正常心音的滤波和归一化记录如图1所示

图1滤波和归一化后的一个正常心音

C.经验模式分解（EMD）

心音信号首先被分解成的IMF分量。

为了获得IMF分量，先找到信号的局部最大和最小值。

局部最小值和最大值的包络线分别由三次样条拟合。

让

的表示为这两个包络线的平均值，由原始信号减去

作为如下：

-

=

（2）

把

作为一个新的信号并且重复上述，直到

满足IMF的标准[9]。

所得到的信号是第一IMF分量，定义为

，剩余信号是

，其中

（3）

把

视为一个新的原始信号，并且在迭代过程被再次执行以提取IMF分量，直到第k个残差信号

成为一个单一的功能，这意味着没有更多的IMF可以被提取。

因此

的表达式为：

（4）

其中

到

是信号的k个IMF分量。

EMD方法会使得信号更加对称，通过自适应消除骑行波和分解信号。

在本实验中，IMF5被提取。

该IMF显著减少了杂音和噪音的影响。

其余的IMF分量对检测主要声音并不是很有效的方法。

所提取的IMF5和它的绝对值示于图2。

图2.IMF5（a）正常PCG（b）EMD提取的IMF5（c）IMF5的绝对值

D.分割

在这部分中，心音信号应划分为周期。

四个条款在此步骤中需确认：

第一心音（S1），第二心音（S2），收缩期和舒张期。

为了检测这些条款与噪声的干扰抑制，IMF5的香农能量（SE）的使用和计算方法如下[10-14]：

[5]

该方程表明，香农能量的特征是抑制信号的低幅度分量[11]。

因此主要成分S1S2将被分出。

与其他算法相比，如绝对值或香农熵，香农能量对分割心音杂音更好[11]。

IMF5的香农能量及其包络计算和绘制在图3。

图3（a）IMF5的香农能量（b）包络

心音杂音很容易被提取，影响S1和S2的识别结果。

然而，更高的阈值对于处理杂音会更容易重新检测到丢失的S2。

S1和S2由以下三个步骤确认[13]：

1.如果在50毫秒内检测到两个高于阈值的峰值，则低能量的一个会被淘汰。

2.对于峰之间的每个间隔，长度较短的间隔不超过300毫秒被表示一个收缩期，而另一个超过300毫秒的间隔是舒张期。

不确定的间隔进行了注明。

3.对于那些不确定的时间间隔，第二阈值设置为了发现可能没被识别的S1和S2。

这些步骤用于确保S1和S2可以被正确识别，然后确认收缩期和舒张期。

然后运用迭代识别方法检测可能被丢失的组件。

迭代识别方法检查检测点是否周期性发生。

对于S1S2应该被检测的位置，该方法可以确定是否有丢失的点，检测到的S1S2如图4所示。

图4（a）心电图作为参考评价该方法的准确性（b）提出的方法检测到S1S2

三．结果

从德黑兰的Modares医院收集的患者心音记录用于验证该方法的识别准确率。

该数据库包含了100条记录，信息表提供在表1。

利用迭代识别患有各种心脏病的7个案例如下。

临床病例1

图5显示一个健康的24岁男子无心脏杂音的心音样本。

为了评估该方法的准确性，提供了心音及相应的心电图。

注意检测到的S1和S2。

图5健康、无杂音的心电图和心音图（a）心电图（b）检测到的S1和S2心音

临床病例2

图6给出一个患有室间隔缺损的6岁女孩的心音样本。

值得注意的是，尽管有很严重的收缩期杂音，S1S2也被检测到了。

图6VSD病例的心音样本（a）心电图（b）检测到的S1和S2心音

临床病例3

图7给出了一患有房间隔缺损和轻度室间隔缺损的7岁女孩的心音样本。

请注意，在收缩期存在房间隔缺损杂音，然而，还是检测到了S1和S2。

图7ASD案例心音图的心音样本（a）心电图（b）检测到的S1和S2心音

临床病例4

图8提出的心音样本是来自一个患有主动脉瓣狭窄的13岁女孩。

请注意，尽管收缩期有杂音，S1和S2也被检测到了。

图8AS案例心音图的心音样本（a）心电图（b）检测到的S1和S2心音

临床案例5

图9给出了一例患有肺动脉瓣狭窄和轻度室间隔缺损的12岁男子的PCG样本。

图9PS案例心音图的心音样本（a）心电图（b）检测到的S1和S2心音

临床案例6

图10给出了患有法洛四联症的9岁女孩的心音样本。

图10法洛四联症案例心音图的心音样本（a）心电图（b）检测到的S1和S2心音

临床案例7

图11给出了患有动脉导管未闭的5岁女孩的心音样本。

请注意，尽管收缩期和舒张期有杂音，S1和S2也被检测到了。

图11动脉导管未闭案例心音的心音样本（a）心电图（b）检测到的S1和S2心音

这些记录的样本，识别的总周期和检测的结果见表2。

利用所提出的迭代识别方法，确定82.5%的S1心脏搏动周期，遗漏11.2%，3.6%呈加阳性。

对于S2，检测了82.5%，遗漏11.2%，假阳性3.6%。

表2S1和S2认可、漏检或误识别的循环次数

疾病

S1

S2

总周期

识别的

丢失的

错误的

识别的

3

16

2

1

10

8

11

通过灵敏度和精度来评价该算法的整体性能。

检测到的组件被标记为真阳性（TP）和假阴性（FN），因此，该方法的灵敏度和精确度计算如下：

sensitivity=

（6）

precision=

（7）

对于S1和S2，该检测方法的灵敏度为88.3%，精确度为95.8%。

四．讨论

本研究的目的是在正常心音和异常心音中自动识别S1和S2。

该信号被自适应地分解为固有模态函数。

通过保持时间域的信号提取可以提供心音信号信息，然后，与记录的信号进行聚类分析比较。

使用该方法，S1和S2的灵敏度和精度分别为88.3%和95.8%。

基于时域分析的自适应方法，该算法消除噪声和身体的动作的影响。

杂音大方差的影响也可能被消除，因此，在同一方法中自动识别S1和S2的将是可行的。

然而，收缩期和舒张期中额外声音的存在，比如电子听诊器产生的杂音和噪声以及低振幅心音，任然会在某些情况下造成误判。

噪声的影响可以通过提出的相应的聚类分析方法最小化，直到噪声和杂音比S1和S2小。

低振幅有时候使S1和S2从背景噪声中区分出来，这将会成为使用它们作为诊断参数的一个限制。

然而，为了避免这一问题，在很大程度上取决于听诊器放置在病人胸部的位置。

这一特点增加了临床医生审理和判断的难度，最近的一些研究也评估了医生的经验与心音听诊准确水平之间的关系[15]。

心音已经包含在声心动图，结合了心电图和声音信息来诊断心脏疾病。

我们提出的方法是基于一些心脏疾病的早期检测和自动报警，例如左心室功能不全，先天性心脏衰竭，或心肌缺血。

对于这些类型的应用，非侵入性的快速、灵活的算法将容易被救护车或远程家庭医疗保健系统中实现。

几种时频方法用于收缩期和舒张期心音的分析在近几年也发展起来，与以往的检测方法相比，我们的方法是自适应的非平稳的心音信号。

因此，它可以在检测严重和轻度杂音和其他噪声的同时，检测到低振幅和低频率的S1和S2，在初级保健室可行的。

错误识别S1和S2的原因之一是高电平的干扰信号，如说话、哭泣或其他环境噪声，其可能重叠在心音的随机位置、强度或频带而且不能在这三个频带内被删除。

然而，在本文所提出的算法可以消除呼吸信号的影响。

频带为30-40Hz，在我们记录的儿童和婴儿例子中是不可避免的，与我们之前工作用的相比这是该算法的一个好处。

病人的听诊器在记录数据时在很短的时间内突然释放也会导致不正确的检测，这可通过改进记录技术避免。

五．总结

所提出的自动分割算法，利用经验模式分解提取合适的IMF分量计算包络，已经被认为是将心音信号分为四个部分的有效方法。

该算法在100例有不同杂音的记录信号中超过90%的成功率，其中包括心音的14000个周期。

这为心音信号分析打下了良好的基础。

参考文献：

[1]R.M.RangayyanandR.J.Lehner,“PhonocardiogramSignalAnalysis:

AReview”,CRCCriticalReviewsinBiomedicalEngineering,vo1.15,Issue3,pp.211-236,1988.

[2]M.El-Segaier,O.Lilja,S.Lukkarinen,L.Srnmo,R.SepponenandE.Pesonen,”Computer-BasedDetectionandAnalysisofHeartSoundMurmur”,AnnalsofBiomedicalEngineering,vol.33,no.7,07-2005,pages.937-942.

[3]P.Carvalho,P.Gil,J.Henriques,M.AntunesandL.Eug´

enio,”LowComplexityAlgorithmforHeartSoundSegmentationusingtheVarianceFractalDimension”,Proc.OftheInt.Sym.onIntelligentSignalProcessing,2005,page.593-595.

[4]J.E.HebdenandI.N.Torry,”NeuralNetworkandConventionalClassifierstoDistinguishbetweenFirstandSecondHeartSound”,inIEEColloquium（Digest）,08-1996,page.1-6.

[5]A.Ch.Stasis,E.N.Loukis,S.A.Pavlopoulos,D.Koutsouris,”Usingdecisiontreealgorithmasabasisforaheartsounddiagnosisdecisionsupportsystem”,inIEEColloquium（Digest）ofArtificialIntelligenceMethodsforBiomedicalDataProcessing,08-1996,page.1-6.

[6]H.Liang,S.LukkarinenandI.Hartimo,”HeartSoundSegmentationAlgorithmBasedOnHeartSoundEnvelogram”,Proc.ofIEEEComputersinCardiology,1997,page.105-108.

[7]H.Liang,S.LukkarinenandI.Hartimo,”Aboundarymodificationmethodforheartsoundsegmentationalgorithm”,inProc.ofIEEEComputersinCardiology,1998,page.593-595.

[8]D.Kumar,P.Carvalho,P.Gil,J.Henriques,M.AntunesandL.Eug´

enio,”AnewalgorithmfordetectionofS1andS2heartsounds”,inInt.Conf.ofAcousticandSpeechSignalProcessing（ICASSP）,2006,page.1180-1183.

[9]HuangNE,ShenSS（Eds.）:

Hilbert-Huangtransformanditsapplications.London:

WorldScientific;

1999.

[10]GrochMW,DomnanovichJR,ErwinWD:

ANewHeart-SoundsGatingDeviceforMedicalImaging.IEEETBio-MedEng1992,39:

307-310.

[11]LiangH,LukkarinenS,HartimoI:

Heartsoundsegmentationalgorithmbasedonheartsoundenvelogram.InComputersinCardiology1997;

7-10Sep1997.1997:

105108.

[12]ReedTR,ReedNE,FritzsonP:

Heartsoundanalysisforsymptomdetectionandcomputer-aideddiagnosis.SimulModelPractTh2004,12:

129-146.

[13]JiangZ,ChoiS:

Comparisonofenvelopeextractionalgorithmsforcardiacsoundsignalsegmentation.ExpertSystAppl2008,34:

1056-1069.

[14]VepaJ,TolayP,JainA:

Segmentationofheartsoundsusingsimplicityfeaturesandtiminginformation.InIEEEInternationalConferenceonAcoustics,SpeechandSignalProcessing;

March312008-April42008.2008:

469-472.

[15]MarcusG,VesseyJ,JordanMV,HuddlestonM,McKeownB,GerberIL,FosterE,ChatterjeeK,McCullochCE,MichaelsAD:

Relationshipbetweenaccurateauscultationofaclinicallyusefulthirdheartsoundandlevelofexperience.ArchInternMed2006,166:

617-

622.