摘  要： 提出一種心音的特征提取和分類方法,，用離散小波變換分解,、重構(gòu)產(chǎn)生信號(hào)的細(xì)節(jié)包絡(luò)，進(jìn)而用于提取特征,，從預(yù)處理的信號(hào)中提取統(tǒng)計(jì)特性,，作為心音分類的特征。多層感知器用于心音的分類,，并通過(guò)250個(gè)心動(dòng)周期得到驗(yàn)證,，算法識(shí)別率達(dá)到92%。
關(guān)鍵詞： 小波,；Levenburg-Marquardt,；神經(jīng)網(wǎng)絡(luò)

　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)部分,，第一心音的頻率主要集中在50 Hz~150 Hz范圍內(nèi)，而第二心音的頻率主要集中在50 Hz~200 Hz范圍內(nèi),。其中S1,、S2是可以監(jiān)聽(tīng)到的部分,，而S3、S4強(qiáng)度很弱,，幾乎聽(tīng)不到,。心音的每一部分對(duì)應(yīng)著心臟各器官的功能，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)閉是產(chǎn)生第二心音的主要因素,。為了有助于檢測(cè)疾病，在聽(tīng)診中監(jiān)聽(tīng),、分析心音的主要成分：S1,、S2。在非正常的心音中,，可能還存在S3,、S4及雜音等。
　在聽(tīng)診中要檢測(cè)的重要特征有心音的韻律,、心音成分的相對(duì)強(qiáng)度,、S2的分裂、雜音等,，盡管心音的很多定量描述已經(jīng)得知,，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)診僅僅依靠于身體上的某些點(diǎn)，在這些地方,，心音很容易聽(tīng)到,，但是需要很多醫(yī)學(xué)經(jīng)驗(yàn)，而且很不容易提取,，而計(jì)算機(jī)輔助工具有助于確定這些特征,。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,，ZIN[1]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,；參考文獻(xiàn)[2]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,，有很多方法可識(shí)別心音信號(hào),，如參考文獻(xiàn)[2]的SVM技術(shù),；參考文獻(xiàn)[3]提到的基于專家系統(tǒng)的規(guī)則；參考文獻(xiàn)[4]中決策樹(shù)支持系統(tǒng),；平滑偽Wigner-Ville分布[5],；參考文獻(xiàn)[6]連續(xù)隱性馬爾可夫模型和神經(jīng)網(wǎng)絡(luò)如：MLP、LVQ,、SOM,、GAL、RBF等,。
　在參考文獻(xiàn)[7]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)的統(tǒng)計(jì)特征：均值和標(biāo)準(zhǔn)方差,，這些信號(hào)特征用多層感知器來(lái)分類,，用Levenberg-Marquardt算法訓(xùn)練神經(jīng)網(wǎng)絡(luò),。神經(jīng)網(wǎng)絡(luò)在初期的研究中，主要是由于其在Matlab中簡(jiǎn)單并且易于得到,。本文的研究主要基于正常心音和四種常見(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[8]。
1 小波分解與重構(gòu)思想
　由于心音中含有噪聲,，比如呼吸音,、身體的移動(dòng)、皮膚的摩擦音,、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”,，本文主要用小波閾值去噪,。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)f(t),，有

到S1,，舒張期間隔主要是S1與S2之間。對(duì)db2小波分解得到的細(xì)節(jié)D2,，用同樣的方法進(jìn)行去噪,，如圖2所示，利用信號(hào)被分段做進(jìn)一步的特征提取,。

2 信號(hào)的特征提取
　早期的研究中[7],，在第二水平上用小波分解得到信號(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由每個(gè)子窗中信號(hào)的能量形成[10],。同樣的處理過(guò)程也可以用在第六水平的小波近似系數(shù),，因此，特征向量的大小為64,。
　本文提出一種新的方法,，經(jīng)過(guò)軟閾值去噪后，信號(hào)每個(gè)周期的前2 000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)[1-7]所提出的特征很容易計(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,。
3 多層感知器神經(jīng)網(wǎng)絡(luò)訓(xùn)練與識(shí)別
　為了用多層感知器神經(jīng)網(wǎng)絡(luò)識(shí)別心音,，把心音樣本分成五類：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,，因?yàn)樗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,，如表1所示,。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≥0.5將做為1處理,，否則為0,。

　選取250個(gè)心音做實(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),。
4 實(shí)驗(yàn)與識(shí)別結(jié)果
　本文的方法用于識(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所示,，對(duì)于每個(gè)例子的分類性能顯示如表2所示,。

　本文用簡(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，能夠達(dá)到參考文獻(xiàn)[1-2]同樣的識(shí)別效果，且所用的統(tǒng)計(jì)特性易于計(jì)算,、識(shí)別效果好,。本文所提的基于小波分解和MLP網(wǎng)絡(luò)方法適合識(shí)別心音，但是這僅僅是初步的研究,，還需分析更多的心音,，用于心音身份識(shí)別的方法有待更進(jìn)一步分析和提高。
參考文獻(xiàn)
[1] ZIN Z M,， SALLEH S H S,， SHA’AMERI A Z. The design of heart classification system. International Symposium on signal processing and its applications(ISSPA)[C]. IEEE， Kuala Lumpur,， Malaysia,， 2001.
[2] JIANG Z， CHOI S,， WANG H. A new approach on heart murmurs classification with SVM technique. 2007 International Symposium on Information Technology Convergence[C]. IEEE computer society,， 2007.
[3] SHARIF Z， DALIMAN S,， SHA’AMERI A Z,， et al. An expert system approach for classification of heart sounds and murmurs. International Symposium on Signal Processing and Its Applications (ISSPA)[C]， IEEE,，Kuala Lumpur,， Malaysia,， 2001.
[4] PAVLOPOULOS S A,， STASIS A C， LOUKIS E N. A decision tree-based method for the differential of aortic stenosis from mitral regurgitation using heart sounds[C]. Computers in Cardiology,， 2003.
[5] JAVED F,， VENKATACHALAM P A. A signal processing module for the analysis of heart sounds and heart murmurs.international MEMS conference 2006[C]， IOP Publishing,， Conference Series 34(2006).
[6] UGUZ H,， ARSLAN A， TURKOGLU I. A biomedical system based on hidden markov model for diagnosis of the heart valve diseases[J]. Elsevier,， Pattern Recognition Letters 2007(28)： 395-404.
[7] SAY O,， DOKUR Z， OLMEZ T. Classification of heart sounds by using wavelets transform. in proceedings of the second jointEMBS/BMES conference[C],， Houston,， TX， USA,， 2000.
[8] SOUNDS H,， CYCLE C， CHANGESV. [Online].AnAvailable at： http： //www.texasheartinstitute. org/Education/CME/explore/events/eventdetail_5469. cfm， 2006.
[9] HUIYING L,， SAKARI L,， IIRO H. A heart sound segmentation algorithm using wavelet decomposition and reconstruction. in proceedings-19th international conference IEEE/EMBS [C]， Chicago,， IL. USA,， 1997.
[10] 成謝鋒，陶冶薇,，張少白,，等.獨(dú)立子波函數(shù)和小波分析在單路含噪信號(hào)中的應(yīng)用研究[J].模型與關(guān)鍵技術(shù)[J].電子學(xué)報(bào)，2009(7)：1522-1528.