小波神經(jīng)網(wǎng)絡(luò)在心音中應(yīng)用

基金項(xiàng)目:山東省自然基金項(xiàng)目(No.y2006G03,No.y2007G14,No.2007Jy17)；南京郵電大學(xué)基金項(xiàng)目（No.NY207139）。馬永華（1983-），男，漢族，河南駐馬店人，南京郵電大學(xué)碩士研究生，研究方向：智能信息系統(tǒng)與應(yīng)用。成謝鋒（1956-），男，漢族，四川資陽(yáng).人，南京郵電大學(xué)教授，碩士生導(dǎo)師，主要從事智能信息處理、智能儀器方面的研究工作。小波和神經(jīng)網(wǎng)絡(luò)在心音識(shí)別摘要:一種心音的特征提取和分類方法被提出，用離散小波變換分解和重構(gòu)來(lái)產(chǎn)生信號(hào)的細(xì)節(jié)包絡(luò)，進(jìn)而用于提取特征，一些統(tǒng)計(jì)特性從預(yù)處理的信號(hào)中提取出來(lái)，作為心音分類的特征，多層感知器用于心音的分類，所提方法的性能通過(guò)250個(gè)心動(dòng)周期得到驗(yàn)證，本文提出的算法的識(shí)別率達(dá)到92%.1引言心音是人體最重要的生理信號(hào)之一。長(zhǎng)期以來(lái)心音聽(tīng)診一直是醫(yī)生診斷疾病的一種重要手段，它可以提供心血管系統(tǒng)異常的重要信息。正常的心音包含第一心音（S1）、第二心音（S2）、第三心音（S3）和第四心音（S4）四個(gè)成分，第一心音的頻率成分主要集中在50-150HZ范圍內(nèi)，而第二心音的頻率成分主要集中在50-200HZ范圍內(nèi)。其中S1、S2是可以聽(tīng)聞的部分，S3、S4強(qiáng)度很弱，幾乎不可聽(tīng)聞。心音的每一部分對(duì)應(yīng)著心臟各器官的功能，比如，房室瓣的關(guān)閉是產(chǎn)生第一心音的主要因素，半月瓣關(guān)閉時(shí)產(chǎn)生第二心音的主要成分。在聽(tīng)診中，觀察者一般各自聽(tīng)和分析心音的成分，第一心音(S1)心臟舒張期，第二心音（S2）心臟收縮期,收縮期主要在S1和S2之間，而舒張期主要在S2與S1之間，在非正常的心音中，可能還存在第三心音(S3)，第四心音(S4)，雜音等，這些在有助于檢測(cè)疾病。在聽(tīng)診中要檢測(cè)的重要的特征有心音的韻律，心音成分的相對(duì)強(qiáng)度，S2的分裂，雜音的存在等等，盡管心音的很多定量描述已經(jīng)知道，但是，僅僅通過(guò)聽(tīng)診很難確定他們的特征，實(shí)際上，聽(tīng)診僅僅依靠于人身體上的一些點(diǎn)，在這些地方，心音很容易聽(tīng)到，但是需要很多的醫(yī)學(xué)經(jīng)驗(yàn)的，而且很不容易得到，計(jì)算機(jī)輔助工具有助于來(lái)確定這些特征，早期的研究者，已經(jīng)提出個(gè)幾種關(guān)于心音特征提取的方法，ZINet.al.[3]用瞬時(shí)能量和頻譜估計(jì)(IEFE)技術(shù)來(lái)提取心音的特征，過(guò)零點(diǎn)交叉頻率估計(jì)和中心極限差分估計(jì)這兩種方法來(lái)確定IEFE,文獻(xiàn)[4]中，特征的提取主要基于歸一化自回歸能量頻譜密度曲線，在特征提取之前，用小波分解來(lái)處理心音信號(hào)，通過(guò)選取合適的閾值，去除噪聲，從而兩個(gè)特征被提取出來(lái)：fmax和fwidth.當(dāng)今，有很多方法來(lái)識(shí)別心音信號(hào)的，比如在文獻(xiàn)[5]提到的基于專家系統(tǒng)的規(guī)則，文獻(xiàn)[6]中決策樹(shù)支持系統(tǒng)，和文獻(xiàn)[4]的SVM技術(shù)，平滑偽Wigner-Ville分布[7],文獻(xiàn)[8]連續(xù)隱性馬爾可夫模型和神經(jīng)網(wǎng)絡(luò)比如MLP,LVQ,SOM,GAL,RBF等在文獻(xiàn)[9]中，心音信號(hào)用小波進(jìn)行預(yù)處理，用信號(hào)的能量作為進(jìn)一步分類的特征，在本文中，提出一種新的方法來(lái)提取心音的特征，主要是基于信號(hào)均值和標(biāo)準(zhǔn)方差的統(tǒng)計(jì)特征，然后這些信號(hào)用多層感知器來(lái)分類，用Levenberg-Marquardt算法來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)在初期的研究中，主要是由于它在MATLAB中簡(jiǎn)單和易于得到，本文所到的研究主要考慮正常心音和4種常見(jiàn)的心臟瓣膜失調(diào)的類型：主動(dòng)脈狹窄，主動(dòng)脈返流，二尖瓣狹窄和二尖瓣返流.2小波分解與重構(gòu)思想由于心音中含有噪聲，比如呼吸、人的移動(dòng)、皮膚的擦音、心音傳感器放置的位置以及其他的環(huán)境噪音。因此有必要對(duì)心音進(jìn)行預(yù)處理，去除各種“噪音”，在這里主要用小波的閾值去噪。小波去噪是在小波分解基礎(chǔ)上的閾值降噪方法。已知時(shí)間信號(hào)，稱（1）為的連續(xù)小波變換，其中為小波基函數(shù)，是由同一母函數(shù)經(jīng)伸縮和平移后得到的一組函數(shù)序列。定義離散小波函數(shù)為：（2）經(jīng)離散小波變換之后，信號(hào)被分解為低頻成分和一系列高頻成分。有效信號(hào)多分布在低頻部分，噪聲則多分布在高頻部分，同時(shí)信號(hào)的系數(shù)要大于噪聲的系數(shù)，于是可以找到一個(gè)合適的數(shù)作為閾值對(duì)高頻部分進(jìn)行去噪。當(dāng)小于該閾值時(shí)，認(rèn)為這時(shí)的主要是由噪聲引起的，并置為零；當(dāng)大于域值時(shí)，認(rèn)為這時(shí)的主要由信號(hào)引起的，則把這部分的直接保留下來(lái)（硬閾值方法）或者按某一定量向零收縮（軟閾值方法），然后由新的小波系數(shù)重構(gòu)得到去噪后的信號(hào)。本系統(tǒng)采用Matlab提供的SURE函數(shù)去噪，可以設(shè)置一個(gè)百分比，把高頻系數(shù)中系數(shù)較小的那一部分系數(shù)設(shè)為0，然后再重構(gòu)，達(dá)到消噪的目的信號(hào)用離散小波變換來(lái)分解和重構(gòu)，小波變換把信號(hào)分解成一些基函數(shù)，這些函數(shù)在時(shí)間和頻率上被局部化，所以很容易適合分析非平穩(wěn)信號(hào)，在本文中，用db2小波分解信號(hào)，D4細(xì)節(jié)如圖1所示，這個(gè)細(xì)節(jié)給出很多關(guān)于S1和S2的信息，對(duì)信號(hào)這樣處理的另一原因主要是S1和S2的頻率比較低[2]，然后對(duì)D4細(xì)節(jié)用用前面介紹的小波軟閾值去噪，軟閾值門限主要通過(guò)啟發(fā)式SURE來(lái)得到的，這些細(xì)節(jié)的系數(shù)主要是用db2分解四層來(lái)得到的.此方法的有以下步驟：(1)對(duì)信號(hào)f(k)做四層小波分解，提出去D4細(xì)節(jié)的系數(shù)(2)通過(guò)用啟發(fā)式SURE函數(shù)得到軟閾值門限，對(duì)D4細(xì)節(jié)的系數(shù)處理得到去噪后的系數(shù)(3)利用進(jìn)行小波重構(gòu)，得到去噪后的信號(hào)經(jīng)過(guò)上面的預(yù)處理后，心音的周期被分割，在這里S1被用作起點(diǎn)，為了辨別那個(gè)是S1那個(gè)是S2，需要找到最長(zhǎng)的時(shí)間間隔，最長(zhǎng)的時(shí)間間隔是心臟的收縮期，意味著S2到S1舒張期間隔主要是S1與S2之間，接下來(lái)，對(duì)db2小波分解得到的細(xì)節(jié)D2用上面提到的同樣的方法進(jìn)行去噪，如圖2然后信號(hào)被分段來(lái)適合進(jìn)一步的特征提取圖1信號(hào)的D4細(xì)節(jié)(a)正常(b)主動(dòng)脈返流(c)主動(dòng)脈狹窄(d)二尖瓣返流.(e)二尖瓣狹窄圖2信號(hào)的D2細(xì)節(jié)(a)正常(b)主動(dòng)脈回流(c)主動(dòng)脈狹窄(d)二尖瓣回流.(e)二尖瓣狹窄3信號(hào)的特征提取在早期的研究中[9]，在第二水平上用小波分解得到的信號(hào)的每一個(gè)周期，被分裂成32個(gè)子窗，每個(gè)子窗有128個(gè)離散數(shù)據(jù)，特征向量的元素主要有每個(gè)子窗中信號(hào)的能量的所形成[10]，同樣的處理過(guò)程也可以用在第6水平的小波近似系數(shù)，因此，特征向量的大小為64.在本文，一種新的方法被提出，經(jīng)過(guò)軟閾值去噪后，信號(hào)每個(gè)周期的前2000的數(shù)據(jù)，被分成20個(gè)幀，每個(gè)幀包括有100個(gè)離散的數(shù)據(jù)，用每個(gè)幀的均值和標(biāo)準(zhǔn)方差來(lái)作為信號(hào)的統(tǒng)計(jì)特征，這些特征相對(duì)于[3-9]的特征提取很容易計(jì)算，所有這些特征被歸一化，因此在心音信號(hào)中的每個(gè)周期有40個(gè)特征作為神經(jīng)網(wǎng)絡(luò)的輸入.4多層感知器神經(jīng)網(wǎng)絡(luò)訓(xùn)練與識(shí)別為了識(shí)別，多層感知器神經(jīng)網(wǎng)絡(luò)把心音樣本分成四類：正常，主動(dòng)脈狹窄，主動(dòng)脈返流，二尖瓣狹窄和二尖瓣返流，神經(jīng)網(wǎng)絡(luò)用Levenberg-Marquardt算法訓(xùn)練，選這個(gè)算法主要是因?yàn)樗杂锌焖俚膶W(xué)習(xí)速率神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)包括40個(gè)輸入，10個(gè)隱含節(jié)點(diǎn)和3個(gè)輸出(表1)第一層和第二層用logsig函數(shù)來(lái)作為傳輸函數(shù)，如果輸出值大于等于0.5將做為1處理，否則為0.表1神經(jīng)網(wǎng)絡(luò)的目標(biāo)輸出心音類別目標(biāo)向量輸出正常000主動(dòng)脈回流001主動(dòng)脈狹窄010二尖瓣回流011二尖瓣狹窄100我們選取250個(gè)心音來(lái)做實(shí)驗(yàn)，150個(gè)周期用于訓(xùn)練數(shù)據(jù)，100個(gè)周期用于測(cè)試數(shù)據(jù)5實(shí)驗(yàn)與識(shí)別結(jié)果本文所提的方法用于識(shí)別四種異常心音和正常心音，識(shí)別的結(jié)果可以達(dá)到92%，對(duì)于錯(cuò)誤的訓(xùn)練率是10-4,基于錯(cuò)誤的性能，網(wǎng)絡(luò)能夠通過(guò)恰當(dāng)?shù)膶W(xué)習(xí)滿足輸出目標(biāo)如圖3，對(duì)于每個(gè)例子的分類性能顯示在表2中表2識(shí)別性能心音類型訓(xùn)練數(shù)據(jù)的準(zhǔn)確率測(cè)試數(shù)據(jù)的準(zhǔn)確率正常10095主動(dòng)脈回流10095主動(dòng)脈狹窄10075二尖瓣回流10095二尖瓣狹窄100100總結(jié)果10092圖3神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程結(jié)論盡管環(huán)境的噪聲和干擾能夠影響心音的采集質(zhì)量，但是能通過(guò)前面的去噪處理解決的，同時(shí)這些噪聲也影響心音的識(shí)別效果，從識(shí)別的高效性來(lái)看，離散小波變換和一些統(tǒng)計(jì)特性可以充分的來(lái)識(shí)別正常心音與病理性心音.在文獻(xiàn)[3]中，用用瞬時(shí)能量和頻譜估計(jì)(IEFE)的方法來(lái)提取特征，用MLP來(lái)識(shí)別，總的識(shí)別的準(zhǔn)確率是93.5%,在文獻(xiàn)[4]用歸一化自回歸能量譜密度(NAR-PSD)來(lái)提取心音的fmax和fwidth特征，用SVM識(shí)別，正確率大約為92.3%用簡(jiǎn)單的特征提取步驟和標(biāo)準(zhǔn)的MLP網(wǎng)絡(luò)識(shí)別方法，本文所提的方法能夠達(dá)到文獻(xiàn)[3-4]所用方法識(shí)別同樣的效果