一種基于s變換的魯棒心音分割模型

一種基于s變換的魯棒心音分割模型摘要：本文介紹了一種新型的基于s變換的心音分割模型。心音信號(hào)的分割過(guò)程將心音信號(hào)分割成四部分：S1(第一心音)、收縮聲、S2(第二心音)和舒張聲。我們可以將其看成是心音信號(hào)自動(dòng)分析的最重要階段之一。本文提出的分割模型可以劃分為三個(gè)主要模塊：心音的定位模塊，定位心音的邊界檢測(cè)模塊和區(qū)分S1和S2的分類(lèi)模塊。本次研究提出了一種原始的心音定位方法。這種命名為SSE的方法用于計(jì)算局部頻譜(通過(guò)心音信號(hào)的每個(gè)樣本的s變換計(jì)算得來(lái))的香農(nóng)能量。局部心音的s變換中的能量密度可以通過(guò)窗口寬度優(yōu)化算法進(jìn)行優(yōu)化。然后對(duì)SSE的包絡(luò)進(jìn)行重新計(jì)算，采用局部自適應(yīng)閾值細(xì)化邊界。為了區(qū)分S1和S2，本文采用了基于s矩陣的奇異值分解的方法進(jìn)行特征提取。本文提出的分割模型的塊在含有80種聲音的數(shù)據(jù)庫(kù)中進(jìn)行評(píng)估，其中包括40種帶有心臟病癥的聲音。1.引言心臟聽(tīng)診是心臟診斷的基礎(chǔ)。它采用一種簡(jiǎn)單、有效且低成本的醫(yī)療設(shè)備聽(tīng)診器，提供大量的有關(guān)心臟結(jié)構(gòu)和功能的信息。聽(tīng)診器發(fā)明于19世紀(jì)，這種聲學(xué)器件多年來(lái)已被證明在生理檢查和診斷心臟疾病方面極為重要。在過(guò)去的兩個(gè)世紀(jì)里，聽(tīng)診器進(jìn)行了大量的改進(jìn)，現(xiàn)已發(fā)展為能夠記錄和優(yōu)化聽(tīng)診信號(hào)的電子聽(tīng)診器。心音信號(hào)可以確保聽(tīng)診數(shù)據(jù)的精確性，通過(guò)對(duì)于正常的心臟聲音定位，為關(guān)注于心動(dòng)周期病理體征的聽(tīng)診活動(dòng)提供進(jìn)一步的信息。心音信號(hào)主要位于約10-750Hz的低頻范圍內(nèi)。聽(tīng)診完全是依靠人耳對(duì)心臟聲音進(jìn)行分析以獲取所有的有關(guān)心臟活動(dòng)的定性的和定量的信息，它會(huì)受到診斷心臟的病理學(xué)臨床醫(yī)生經(jīng)驗(yàn)的限制。類(lèi)似于心音的時(shí)間定位、內(nèi)部分量的數(shù)目以及心臟舒張和收縮的雜音這些信息可以直接從心音圖上取得。為了對(duì)心血管疾病進(jìn)行識(shí)別和分類(lèi)，我們需要更加先進(jìn)的方法和技術(shù)以及引入人工智能技術(shù)。為了達(dá)到上述目的，我們可以考慮兩種方法來(lái)改進(jìn)電子聽(tīng)診器：l 帶有嵌入式自主分析功能的聽(tīng)診器，方便家庭病人和醫(yī)護(hù)人員使用，以達(dá)到自我診斷和跟進(jìn)的目的。l 在聽(tīng)診器上配一個(gè)主機(jī)設(shè)備或者進(jìn)行復(fù)雜分析的服務(wù)器(連接到帶有藍(lán)牙鏈接的主機(jī)上)，方便專(zhuān)業(yè)人士的使用，以提高臨床醫(yī)學(xué)診斷的性能。不論采用上述哪種方法，進(jìn)行心音分析的第一步就是對(duì)心音信號(hào)的分割。對(duì)心音信號(hào)的分割處理是將心音信號(hào)分割成四個(gè)部分：S1(第一心音)、收縮聲、S2(第二心音)和舒張聲。首先實(shí)現(xiàn)S1和S2的定位，心臟的收縮聲位于S1-S1間隔，舒張聲位于S2-S1間隔。識(shí)別這兩個(gè)心動(dòng)周期以及區(qū)分S1和S2甚至是存在額外的心音或雜音是其中的第一個(gè)挑戰(zhàn)。而后需要準(zhǔn)確測(cè)量S1和S2，使得心臟雜音可以區(qū)別于噴射和反流雜音，從而被自動(dòng)檢測(cè)出來(lái)。這個(gè)自動(dòng)檢測(cè)的步驟不需要借助心電圖，它是基于信號(hào)處理工具，比如：可以看做是基于形態(tài)的能量轉(zhuǎn)型信號(hào)的香農(nóng)能量，其性能會(huì)因?yàn)樵肼暫碗s音的存在而降低。基于高階統(tǒng)計(jì)方法，香農(nóng)熵、分形維數(shù)的方差、復(fù)發(fā)時(shí)間統(tǒng)計(jì)，所有的這些方法在有呼吸聲干擾是都表現(xiàn)出良好的性能，但這不是有雜音存在的情況，而且這些方法的計(jì)算時(shí)間過(guò)長(zhǎng)。用于提取心音信號(hào)包絡(luò)的徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)在低水平噪聲信號(hào)存在的情況下仍然具有良好的性能，然而，在高水平噪聲信號(hào)存在時(shí)，RBF的性能將有所降低。這并不奇怪，因?yàn)樵摲椒](méi)有經(jīng)過(guò)任何的特征提取步驟就直接作用在心音信號(hào)上。為了解決這個(gè)問(wèn)題，一種名為SRBF的方法被提出來(lái)用于心音信號(hào)的定位。這種方法將特征提取應(yīng)用于從心音信號(hào)s變換矩陣到徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，旨在提取心音信號(hào)的包絡(luò)。相比于其它方法，該方法在靈敏度方面有顯著的增強(qiáng)。時(shí)頻域會(huì)導(dǎo)致一種更強(qiáng)大的定位和分類(lèi)方法，尤其是對(duì)于心音信號(hào)這樣的非平穩(wěn)信號(hào)。s變換來(lái)源于兩個(gè)先進(jìn)的信號(hào)處理工具：短時(shí)傅里葉變換和小波變換?？梢詫⑺醋魇穷l率相關(guān)的短時(shí)傅里葉變換或者是相位校正的小波變換。對(duì)于心音信號(hào)分析，S變換已被證實(shí)比其它時(shí)頻變換具有更好的性能。本文中，我們提出了一種新型的基于s變換的心音分割模型。該模型可以被分成三個(gè)主要模塊：心音的定位模塊，定位心音的邊界檢測(cè)模塊和區(qū)分S1和S2的分類(lèi)模塊。該模型的每個(gè)塊總結(jié)如下：l 本次研究提出了一種基于s變換的心音定位方法。該方法命名為SSE，用于計(jì)算香農(nóng)能量，進(jìn)而提取心音信號(hào)的邊界，其中，香農(nóng)能量是根據(jù)心音信號(hào)中每個(gè)樣本的s變換獲得的。l 第二個(gè)模塊包含了一種新的用于S1、S2邊界檢測(cè)的方法。局部心音信號(hào)s變換的能量密度可以通過(guò)窗口寬度優(yōu)化函數(shù)進(jìn)行優(yōu)化，而后對(duì)SSE包絡(luò)進(jìn)行重新計(jì)算，采用局部自適應(yīng)閾值細(xì)化邊界。l 采用基于s矩陣的奇異值分解的特征提取方法區(qū)分S1和S2。本文提出的方法在含有80種聲音(40種帶有心臟病癥)的數(shù)據(jù)庫(kù)中進(jìn)行評(píng)估。本次研究是在一位有經(jīng)驗(yàn)的心臟病專(zhuān)家的帶領(lǐng)下，以驗(yàn)證每種方法的結(jié)果為目的進(jìn)行的。文章的結(jié)構(gòu)如下：第2部分描述了本次研究所用的數(shù)據(jù)庫(kù)；第3部分介紹了幾種用于分割模型的不同方法(定位、邊界檢測(cè)和分類(lèi))；第4部分為結(jié)果和討論；第5部分給出結(jié)論。2. 數(shù)據(jù)庫(kù)有些因素會(huì)影響所得信號(hào)的質(zhì)量，比如電子聽(tīng)診器的類(lèi)型及其使用方式、聽(tīng)診器件病人所處的位置以及周?chē)脑肼?。根?jù)心臟病專(zhuān)家的經(jīng)驗(yàn)，未經(jīng)細(xì)化的信號(hào)是最好的；濾波只適用于隨后的信號(hào)分析。因此我們使用Infral公司生產(chǎn)的原型聽(tīng)診器和一個(gè)裝有聲學(xué)感應(yīng)器的聲學(xué)室。用于信號(hào)調(diào)節(jié)和放大的電子器件被插入到一個(gè)藍(lán)牙標(biāo)準(zhǔn)通信模塊里。在法國(guó)斯特拉斯堡的醫(yī)院里，不同的心臟病專(zhuān)家都配備有一個(gè)原型電子聽(tīng)診器，他們實(shí)現(xiàn)了運(yùn)動(dòng)測(cè)量。在臨床研究中心的支持下，通過(guò)臨床研究項(xiàng)目進(jìn)行招聘。與此同時(shí)，為了從6名宇航員身上采集心音信號(hào)，歐空局將2個(gè)原型聽(tīng)診器安置在了心動(dòng)加速中樞-心理線作為MARS500工程的一部分。不同的心臟病專(zhuān)家都使用原型聽(tīng)診器，使得數(shù)據(jù)庫(kù)中的心音信號(hào)存在多樣性。對(duì)于心音信號(hào)，使用阿爾卡特朗訊許可證下開(kāi)發(fā)的“ Stetho ”軟件，采用16位精度和800Hz的采樣頻率進(jìn)行記錄。該數(shù)據(jù)包含80種聲音，其中40種是帶有心臟病癥的聲音。所有的參與者都給予了書(shū)面的知情同意書(shū)。正常人年齡從18歲到40歲。6名參與MARS500的航天員完成了他們航天員測(cè)試，其他人經(jīng)臨床檢查后也包括在其中。在研究期間，斯特拉斯堡大學(xué)的醫(yī)院里的病人組成了患者的病理組。他們的年齡在44歲到90歲之間，其中包括20名男士和10名女士。這些患者中有10人已經(jīng)經(jīng)歷過(guò)兩次瓣膜手術(shù)。聽(tīng)診過(guò)程在臨床檢查的條件下進(jìn)行。在持續(xù)6至12秒的聽(tīng)診時(shí)間內(nèi)，病人需要控制呼吸。病理患者的診斷是由一名經(jīng)驗(yàn)豐富的心臟病醫(yī)生進(jìn)行的，所得的醫(yī)療文件包括心電圖和多普勒超聲心動(dòng)圖。二尖瓣或者主動(dòng)脈瓣位置的心臟瓣膜患者有9位，4位主動(dòng)脈瓣和二尖瓣位置進(jìn)行過(guò)人工修復(fù)。其他病理患者則表現(xiàn)出心律不齊以及由缺血性心肌病引起的快速性心律失常。3.方法3.1預(yù)處理首先將原始信號(hào)采用因子4從8000到2000Hz的頻率進(jìn)行采樣，然后通過(guò)一個(gè)截止頻率為30Hz的高通濾波器進(jìn)行濾波，進(jìn)而消除由原型聽(tīng)診器采集到的噪聲信號(hào)。經(jīng)過(guò)濾波之后的信號(hào)再經(jīng)過(guò)反向?yàn)V波以確保信號(hào)沒(méi)有產(chǎn)生延遲。然后，將信號(hào)的方差設(shè)置為1對(duì)信號(hào)進(jìn)行規(guī)范化處理，由此產(chǎn)生的信號(hào)表達(dá)式為：xnormt= x(t)|max(x(t)| (1)3.2 心音信號(hào)的定位心音信號(hào)數(shù)據(jù)的定位算法操作強(qiáng)調(diào)心音出現(xiàn)的初始變換，可以歸結(jié)為一下三類(lèi)：基于頻率的變換、形態(tài)學(xué)變換和基于復(fù)雜性的變換。這些變換試圖最大化心音信號(hào)和背景噪聲的差別，其結(jié)果是平滑的以便應(yīng)用峰值檢測(cè)算法。我們注意到，心音定位的主要目的是定位第一心音和第二心音，而不是把兩者區(qū)分開(kāi)來(lái)，也不是檢測(cè)局部聲音的邊界。3.2.1 SSE定位算法本次研究提出了一種新型的心音定位算法。它采用類(lèi)似于SRBF方法(0-100Hz)的s矩陣，通過(guò)計(jì)算信號(hào)x(t)每個(gè)樣本的s變換來(lái)計(jì)算香農(nóng)能量。然后，通過(guò)采用一個(gè)均值濾波器對(duì)提取的包絡(luò)進(jìn)行平滑。如圖1所示。對(duì)提取的包絡(luò)進(jìn)行平滑局部頻譜的香農(nóng)能量計(jì)算心音信號(hào)的s矩陣圖1. SSE方法框圖對(duì)于時(shí)間序列x(t)，s變換定義如下：S,f= -+xtw(-t)e-2iftdt (2)其中，w(-t)為窗函數(shù)，定義為wt,f= 1(f)2e-t/2f2 (3)(f)是頻率的函數(shù)：f= 1|f| (4)SSE方法用于計(jì)算提取的s矩陣每行的香農(nóng)能量：SSExi= j=0nSj,i2log(Sj,i2) (5)s矩陣每一列代表了一個(gè)特定的樣本對(duì)應(yīng)的頻率。香農(nóng)能量變換的好處是它強(qiáng)調(diào)了介質(zhì)強(qiáng)度，衰減了在SSE方法中代表特定頻譜的低強(qiáng)度信號(hào)。SSE方法和SRBF方法的主要區(qū)別在于RBF模型所需的訓(xùn)練階段。SRBF方法中的RBF神經(jīng)網(wǎng)絡(luò)可以被看成是非線性濾波器，在SSE方法中則用均值濾波器代替了它。3.3 邊界檢測(cè)算法：一種優(yōu)化的s變換方法邊界檢測(cè)算法旨在評(píng)估定位心音信號(hào)的起始點(diǎn)和終止點(diǎn)。在心音信號(hào)分割模型中，精確的邊界評(píng)估是非常重要的一步，它對(duì)于提取心臟周期重要特征進(jìn)而執(zhí)行自動(dòng)診斷過(guò)程具有重要的意義。3.3.1 現(xiàn)有方法概述現(xiàn)如今，邊界檢測(cè)算有很多。在文獻(xiàn)1中，邊界檢測(cè)主要通過(guò)將閾值應(yīng)用于信號(hào)包絡(luò)提取，對(duì)于一些心臟周期來(lái)講，它不夠精確，因?yàn)榘j(luò)閾值的使用是基于整個(gè)記錄周期的信號(hào)平均值的。在文獻(xiàn)10中，同一作者提出了另一種算法，即采用短時(shí)傅里葉變換來(lái)研究信號(hào)的時(shí)頻特性。作者使用閾值將譜圖量化為兩個(gè)值，保留了原信號(hào)60%的能量，然而，信號(hào)的能量是如何計(jì)算的以及該算法的準(zhǔn)確度都沒(méi)有提及。在文獻(xiàn)11中，作者采用心音的一些生物醫(yī)學(xué)特征，比如S1和S2的最大間隔，來(lái)確定評(píng)估邊界的限制。這種方法的不足之處在于信號(hào)能量的評(píng)估僅僅是基于時(shí)域的，因而當(dāng)存在高水平的噪聲信號(hào)時(shí)，其性能會(huì)大幅度下降。3.3.2 OSSE 算法本文中，我們提出了一種新的算法評(píng)估心音信號(hào)的邊界。這種算法試圖通過(guò)窗口寬度優(yōu)化算法對(duì)局部聲音s變換的能量密度進(jìn)行優(yōu)化。優(yōu)化后的s變換的包絡(luò)采用SSE方法進(jìn)行重新計(jì)算，并采用自適應(yīng)閾值確定每個(gè)局部聲音的起始點(diǎn)和終止點(diǎn)。我們假設(shè)L是采用心音定位方法之后的時(shí)間局部聲音，S(M,N)是心音信號(hào)的s矩陣，其中，M代表頻域，N代表時(shí)域。圖2所示是OSSE算法的結(jié)構(gòu)框圖。采用自適應(yīng)閾值細(xì)化邊界計(jì)算優(yōu)化后s矩陣SSE包絡(luò)優(yōu)化提取s矩陣的能量密度評(píng)估每個(gè)局部聲音的邊界限制a b c圖2.OSSE算法的結(jié)構(gòu)框圖圖3.心律失常樣本3.3.2.1 評(píng)估邊界限制。邊界限制的評(píng)估是基于S1和S2的最大間隔為150ms這一事實(shí)的。因此采用150ms的窗函數(shù)來(lái)檢測(cè)S1和S2的尖峰，該窗函數(shù)往后朝著S1或者S2尖峰的方向延伸75ms，往前延伸75ms。3.3.2.2優(yōu)化的s變換。許多研究試圖改善s變換表示的時(shí)頻特性。對(duì)于優(yōu)化時(shí)頻域能量密度主要的研究來(lái)自于文獻(xiàn)15。即，最小化傳輸能量超過(guò)實(shí)際信號(hào)分量的部分。眾所周知，理想的時(shí)頻變換只能沿著分布信號(hào)分量的頻率間隔分布。因而相鄰的頻率不會(huì)包含任何能量，每個(gè)信號(hào)分量的能量分布不會(huì)超過(guò)它的間隔。時(shí)頻域的能量密度是旨在檢測(cè)信號(hào)變化的時(shí)間間隔的算法的重要參數(shù)。因此，它與基于時(shí)頻域特征的心音邊界檢測(cè)算法具有同等重要的地位。然而，在一些情況下，s變換時(shí)頻域的能量密度卻很小。因此，能量密度的優(yōu)化過(guò)程對(duì)于改善心音信號(hào)邊界評(píng)估非常重要。文獻(xiàn)15所采用的主要方法是用來(lái)優(yōu)化s變換中使用的窗函數(shù)的寬度的。高斯窗函數(shù)的寬度可以通過(guò)往等式中添加一個(gè)新的參數(shù)加以控制。本文中我們采用文獻(xiàn)15引入的參數(shù)p，研究了另一個(gè)參數(shù)(見(jiàn)等式6)。這兩個(gè)參數(shù)都可以控制高斯窗函數(shù)的寬度：f= |f|p (6)我們注意到本文中，當(dāng)是變換的時(shí)候，p擬合到1；當(dāng)p變換的時(shí)候，擬合到1。優(yōu)化值可以通過(guò)兩種方法進(jìn)行計(jì)算：第一種方法計(jì)算一個(gè)目標(biāo)參數(shù)，這種方法適合頻率為常數(shù)或者頻率緩慢變化的信號(hào)；另一種方法計(jì)算時(shí)變參數(shù)(每個(gè)樣本的優(yōu)化參數(shù))，這種方法更適合于頻率分量快速變化的信號(hào)。第二種方法的不足之處在于它的計(jì)算復(fù)雜度較高，不適用于時(shí)間作為重要因素的應(yīng)用?；诘谝环N方法，優(yōu)化算法分別應(yīng)用在兩個(gè)參數(shù)p和上。對(duì)于每個(gè)參數(shù)的性能測(cè)試將在5.2這一部分中進(jìn)行比較。性能的測(cè)試是基于文獻(xiàn)17提出的濃度測(cè)量(CM)的。對(duì)于每個(gè)(或p)，CM()表達(dá)式如下：CM= 1-+-+Sxt,fdtdf (7)其中Sxt,f是s變換中每個(gè)的規(guī)范化能量，計(jì)算式如下：Sxt,f= Sxt,f-+-+Sxt,f2dtdf (8)計(jì)算并比較數(shù)據(jù)庫(kù)中S1和S2對(duì)應(yīng)的CM()和CM(p)，我們發(fā)現(xiàn)其主要目的是提高s變換的能量濃度，以精確檢測(cè)局部心音信號(hào)的邊界。3.3.2.3 自適應(yīng)閾值。在計(jì)算SSE包絡(luò)之前執(zhí)行優(yōu)化s變換的操作使得所選閾值對(duì)于不同心音信號(hào)不敏感。本次研究所選閾值相當(dāng)于SSE包絡(luò)最大值的10%(見(jiàn)圖9)，以細(xì)化邊界。圖4.對(duì)帶有加性高斯噪聲和不帶加性高斯噪聲的兩種PCG信號(hào)的邊界提取圖5.帶有收縮雜音的信號(hào)包絡(luò)(虛線)；上方為SRBF包絡(luò)，下方為SSE包絡(luò)4.S1和S2的區(qū)分大部分已有的心音分割方法是基于心臟收縮和舒張間隔特征對(duì)S1和S2進(jìn)行分類(lèi)的。這些時(shí)間間隔在以心動(dòng)過(guò)快或者快速心律失常(圖3)為代表的實(shí)際臨床生活中會(huì)變得不適用。為了解決這個(gè)問(wèn)題，本文采用一種基于文獻(xiàn)20和21提出的高頻信息的無(wú)監(jiān)督方法來(lái)區(qū)分S1和S2。這種方法基于高頻包絡(luò)的最簡(jiǎn)單閾值，我們把高頻部分歸類(lèi)到S2。然而這種方法對(duì)于所選閾值相當(dāng)敏感，而且心音信號(hào)的頻率相當(dāng)接近甚至存在混疊現(xiàn)象，這就使得心音信號(hào)高頻特性的檢測(cè)相當(dāng)困難。本文提出了另一種基于s矩陣奇異值分解(SVD)技術(shù)對(duì)S1和S2進(jìn)行分類(lèi)，在5.3部分中對(duì)結(jié)果進(jìn)行分析，并與文獻(xiàn)20提出的高頻特性的檢測(cè)方法進(jìn)行比較。4.1 基于SVD的特征提取SVD是一種強(qiáng)大的工具，它提供了單個(gè)信號(hào)的緊湊矩陣或緊湊的重要信息?，F(xiàn)有的方法都旨在通過(guò)SVD技術(shù)將信號(hào)的時(shí)頻矩陣以一種緊湊的形式表達(dá)出來(lái)。文獻(xiàn)22中，作者提取了時(shí)頻矩陣的特征值。文獻(xiàn)23中，作者擴(kuò)展的方法利用來(lái)源于特征向量的信息對(duì)腦電圖進(jìn)行分類(lèi)。文獻(xiàn)24中，上一種方法被應(yīng)用于s矩陣，旨在提取心臟收縮雜音的特征。在這些方法的基礎(chǔ)上，本文提出了一種對(duì)S1和S2進(jìn)行分類(lèi)的特征提取方法。通過(guò)s變換執(zhí)行信號(hào)的時(shí)頻域分析。提取心音Hi的s矩陣si的奇異值分解如下：si = UDVT其中，U(MM) 、V(NN)都是正交矩陣，因而它們的平方可以看成是密度函數(shù)。D(MN)一個(gè)奇異值的對(duì)角矩陣。正交矩陣U和V的列分別稱(chēng)為左特征向量和右特征向量，分別包含了時(shí)域和頻域的信息。最大特征值所對(duì)應(yīng)的特征向量包含了更多的有關(guān)信號(hào)結(jié)構(gòu)的信息?；谖覀兊慕?jīng)驗(yàn)，在研究中，我們采用最大特征值對(duì)應(yīng)的左特征向量和右特征向量對(duì)信號(hào)進(jìn)行特征提取。每一個(gè)相關(guān)分布函數(shù)直方圖的計(jì)算是基于密度函數(shù)的。采用這種辦法得到的五個(gè)特征向量在分類(lèi)處理中進(jìn)行測(cè)試；本征直方圖直方圖矢量U1(T特征)，固有頻率直方圖直方圖矢量V1(F特征),特征值矢量D1(SV特征)，時(shí)頻矢量U1&V1(TF特征)。除了時(shí)頻時(shí)頻矢量的長(zhǎng)度為20， 其余矢量長(zhǎng)度都為10。圖6.SRBF和SSE兩種方法的敏感度圖7.(頂部)采用優(yōu)化s變換和標(biāo)準(zhǔn)s變換(虛線)計(jì)算的帶有兩個(gè)檢測(cè)邊界的S2信號(hào)；s變換優(yōu)化值=0.5(p=1);標(biāo)準(zhǔn)s變換=1，p=1；(底部)優(yōu)化s變換和標(biāo)準(zhǔn)s變換的SSE包絡(luò)5.結(jié)果與討論5.1 定位方法SBRF和SSE方法性能，主要測(cè)試它們準(zhǔn)確定位S1和S2的能力。通過(guò)敏感度和陽(yáng)性預(yù)測(cè)值進(jìn)行測(cè)量：敏感度= TPTP+FN陽(yáng)性預(yù)測(cè)值= TPTP+FP如果心臟病專(zhuān)家人為定義聲音呈陽(yáng)性或者檢測(cè)到的S1和S2聲音被定位正確，那么起塔所有檢測(cè)到的聲音都被定義為假陽(yáng)性(FP),丟失的聲音被定義為假陰性(FN)。圖8.正常心音(上)和病理性心音(下)中OSSE方法的使用表1. 對(duì)臨床心音分別采用SRBF和SSE的敏感度和PPV值表2.對(duì)于給定的和p，CM()和CM(p)最大值對(duì)應(yīng)的性能測(cè)試5.1.1 正常心音表1顯示的結(jié)果表明對(duì)于正常心音，在臨床信號(hào)沒(méi)有任何添加噪聲的情況下，SRBF能達(dá)到的PPV(99%)要比SSE高。然而，SSE對(duì)應(yīng)的敏感度(96%)比SRBF高(91%)。SRBF方法中RBF塊的監(jiān)測(cè)方法使其相比于非監(jiān)測(cè)SSE，對(duì)信號(hào)不同部分的包絡(luò)提取的識(shí)別力更強(qiáng)因此，SRBF方法的錯(cuò)誤檢測(cè)數(shù)要比SSE方法低，這就解釋了為什么其PPV比SSE高。同樣的理由也可以用來(lái)解釋為什么采用SRBF方法所得的假陰性報(bào)警比SSE高以及為什么SSE具有更高的靈敏性。在有高斯白噪聲存在的情況下，SSE方法的性能要比SRBF好。這兩種方法對(duì)噪聲的魯棒性是非常顯著的。這是因?yàn)椴捎脮r(shí)頻分析能更好地對(duì)抗噪聲。圖4所示是采用兩種方法對(duì)沒(méi)有添加噪聲的正常心音信號(hào)的包絡(luò)提取。圖9.S1和S2信號(hào)的MAE隨閾值變化的曲線5.1.2 病理性聲音表1所示的結(jié)果表明，和正常心音信號(hào)類(lèi)似，在沒(méi)有添加噪聲的情況下，SRBF方法所得的PPV(98%)比SSE方法(95%)高。但是在有添加噪聲的情況下，兩種方法所得的PPV相同(93%)。SSE的敏感度(97%)比SRBF(94%)高。這可以用之前所述的相同的原因來(lái)解釋。對(duì)于病理性聲音，大部分新穎的SSE方法顯得很重要。上述兩種方法都是為避免檢測(cè)雜音信號(hào)而提出的，因此對(duì)心臟收縮的不同類(lèi)型的病理學(xué)雜音具有較高的抵抗性也不足為奇。圖5所示是采用SSE和SRBF兩種方法對(duì)具有較強(qiáng)心臟收縮雜音的心音信號(hào)的包絡(luò)提取。圖6所示是兩種方法對(duì)于高斯白噪聲的魯棒性。5.2 邊界檢測(cè)對(duì)于每個(gè)參數(shù)的性能比較如表2所示。和p的取值為：02, 0p2,步長(zhǎng)為0.1，因此每個(gè)參數(shù)都有20個(gè)取值。當(dāng)CM()取值達(dá)到最大時(shí)，達(dá)到最優(yōu)化；當(dāng)CM(p)取值達(dá)到最大時(shí)，p達(dá)到最優(yōu)化。表2的結(jié)果表明，兩個(gè)參數(shù)之間的區(qū)別不大。然而，相對(duì)于標(biāo)準(zhǔn)濃度，即=1，p=1時(shí)，優(yōu)化濃度和標(biāo)準(zhǔn)濃度之間的差別很重要。對(duì)應(yīng)于優(yōu)化的和p的濃度最大值CM()和CM(p)，在1時(shí)取到?？梢赃@么解釋?zhuān)寒?dāng)1時(shí)，s變換的高斯窗很窄，改善了對(duì)信號(hào)突變的檢測(cè)。然而，當(dāng)窗函數(shù)在時(shí)域很窄的時(shí)候會(huì)丟失頻率分辨率。緩和操作通過(guò)改變類(lèi)似于和p這些變量的值來(lái)控制高斯窗寬度實(shí)現(xiàn)。時(shí)頻域能量密度的增強(qiáng)明顯影響邊界評(píng)估結(jié)果(表3)。表3.采用SSE和OSSE估計(jì)的帶有加性噪聲和不帶加性噪聲的S1和S2間隔表4.KNN分類(lèi)器四個(gè)特征提取向量對(duì)應(yīng)的敏感度和特異性表3中的“參考”行表示心臟病專(zhuān)家通過(guò)“Stetho”軟件所進(jìn)行的人工測(cè)量所得的數(shù)據(jù)。采用經(jīng)典的心音描記參考定義心音的限制;二尖瓣關(guān)閉啟動(dòng)S1高頻振動(dòng)，主動(dòng)脈瓣關(guān)閉產(chǎn)生始于S2的高頻信號(hào)，S2和S1的末端信號(hào)都是高頻信號(hào)。實(shí)驗(yàn)結(jié)果主要說(shuō)明了優(yōu)化能量密度以評(píng)估S1和S2實(shí)際邊界的效率。由于OSSE算法在時(shí)頻域具有更好的能量密度，它可以最小化超過(guò)S1和S2的傳輸能量。圖7所示分別是對(duì)S2信號(hào)經(jīng)過(guò)s變換優(yōu)化和未優(yōu)化的邊界檢測(cè)的結(jié)果。圖8所示是應(yīng)用于整個(gè)心音(正常的和病理的)的OSSE算法的結(jié)果。圖9所示是平均絕對(duì)誤差(MEA)隨所選閾值的變化關(guān)系。平均絕對(duì)誤差是根據(jù)參考結(jié)果和自動(dòng)檢測(cè)結(jié)果計(jì)算出來(lái)的。對(duì)應(yīng)于閾值10%和15%，S1和S2的誤差比較小。由于MEA之間的差異并不顯著，因此本文將SSE最大包絡(luò)的10%設(shè)置為所選閾值。5.3 S1和S2的分類(lèi)心音信號(hào)的定位是通過(guò)SSE方法實(shí)現(xiàn)的。心音信號(hào)的邊界是由OSSE算法確定的。實(shí)驗(yàn)的結(jié)果是由心臟病專(zhuān)家通過(guò)目測(cè)確定的，并且被錯(cuò)誤提取的心音信號(hào)在研究中被排除了。特征提取操作提取了每一個(gè)提取的心音si(s1和s2)特征向量，并且每一個(gè)向量都對(duì)提取的心音根據(jù)其主題取了平均。因此對(duì)于數(shù)據(jù)庫(kù)中的每個(gè)主題，我們都獲取了S1特征向量和S2特征向量，以便在訓(xùn)練和分類(lèi)處理時(shí)使用。文章采用3最鄰近結(jié)點(diǎn)算法(KNN)的分類(lèi)器來(lái)評(píng)估四個(gè)特征向量的性能，用5-折方法用于交叉驗(yàn)證。選擇KNN分類(lèi)器是由于它其簡(jiǎn)便性以及對(duì)于噪聲訓(xùn)練數(shù)據(jù)的魯棒性。文獻(xiàn)20提出的基于高頻識(shí)別(HFS)的S1和S2信號(hào)分類(lèi)方法已經(jīng)實(shí)現(xiàn)，并與已提出的方法進(jìn)行比較。我們注意到HFS方法通過(guò)計(jì)算小波變換得到的系數(shù)的香農(nóng)能量試圖尋找高頻信息的存在，并定義一個(gè)自適應(yīng)系數(shù)檢測(cè)HFS，因此該方法沒(méi)有用到KNN分類(lèi)器。時(shí)域特征向量的分類(lèi)率可以達(dá)到92%,r然而，頻域中特征向量的敏感度只能達(dá)到81%，特異性只能達(dá)到88%。時(shí)域向量(TF特征)的分類(lèi)率，敏感度可以達(dá)到95%，特異性可以達(dá)到97%。奇異值之間幾乎辨別不出差別，主要通過(guò)SV特征的低分類(lèi)率來(lái)體現(xiàn)，如表4所示。HFS敏感度可以達(dá)到89%，特異性可以達(dá)到91%。心音信號(hào)之間的頻率內(nèi)容相當(dāng)接近，甚至出現(xiàn)混疊現(xiàn)象，這就使得高頻識(shí)別的任務(wù)非常困難，尤其是當(dāng)S2中的高頻部分強(qiáng)度比較低的時(shí)候。在醫(yī)學(xué)界的大多情況下，S2的頻率要比S1高。這是因?yàn)镾2是在左心室壓力較高時(shí)，主動(dòng)脈瓣關(guān)閉相關(guān)的聲音，二尖瓣閉合是左心室的壓力低。然而，在現(xiàn)實(shí)生活中，這一標(biāo)準(zhǔn)也不能一概而論，因?yàn)橐恍┽t(yī)學(xué)條件下，S1頻率要比S2高，比如二尖瓣關(guān)閉被標(biāo)上高頻的二尖瓣人工瓣膜，可以清楚觀察到在S1信號(hào)起始端的高頻部分。因此，時(shí)頻域多特征方法，尤其是采用TF特征的可以解釋獲得高性能的通用模塊就尤為重要。6. 結(jié)論本文提出了一種用于心音信號(hào)分割的魯棒的模型。該分割模型可以劃分為三個(gè)主要莫塊：心音的定位模塊，定位心音的邊界檢測(cè)模塊和區(qū)分S1和S2的分類(lèi)模塊。本次研究提出了集中方法：l 本文提出了一種基于s變換以及香農(nóng)能量的心音定位方法，稱(chēng)為EES，用于評(píng)估白色加性高斯噪聲。l 本文提出了一種邊界檢測(cè)方法，稱(chēng)為OSSE。它是基于s變換提供的時(shí)頻域能量密度的優(yōu)化過(guò)程的。l 本文提出了一種基于奇異值分解的方法來(lái)區(qū)分S1和S2信號(hào)。將本文提出的分割方法分為三個(gè)獨(dú)立的塊，使我們可以再每個(gè)層次上對(duì)目標(biāo)塊進(jìn)行優(yōu)化。這賦予了所提出的模塊魯棒性的特征，對(duì)于一個(gè)在現(xiàn)實(shí)生活條件下應(yīng)用的自動(dòng)診斷模塊而言，這是必要的元素。本次研究的目的是開(kāi)發(fā)一個(gè)適合臨床使用、魯棒噪聲以及適合于正常心音和不帶有前兆信息的病理性心音的通