《工业控制计算机｝２０１０年第２３卷第８期 ７９ 基于小波分析和概率神经网络的心音诊断研究 Ｈｅａｒｔ Ｓｏｕｎｄ Ｄｉａｇｎｏｓｉｓ Ｂａｓｅｄ ｏｎ Ｗａｖｅｌｅｔ Ａｎａｌｙｓｉｓ ａｎｄ Ｐｒｏｂａｂｉｌｉｓｔｉｃ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ 全雪峰 黄文海 （南阳医学高等专科学校网络中心，河南南阳４７３０６１） ． 摘 要 心音对大多数心血管疾病具有极高的临床诊断价值，对心音信号进行分析有助于临床上对心脏疾病的诊断。为了利用 计算机智能分析心音信号，提出利用多尺度小波分解消除信号中的噪声，从各频带提取特征值，用概率神经网络（ＰＮＮ）来 进行心音信号的自动分析诊断。用Ｍａｔｌａｂ仿真的方法测试了５种不同类型心音信号的分类情况，结果表明该方法可行。 关键词：心音，小波分析，概率神经网络，模式识别 Ａｂｓｔｒａｃｔ Ｔｏ ｔａｋｅ ａｄｖａｎｔａｇｅ ｏｆ ｃｏｍｐｕｔｅｒ ａｎａｌｙｓｉｓ ｏｆ ｈｅａｒｔ ｓｏｕｎｄ ｓｉｇｎａｌｓ ｉｎｔｅｌｌｉｇｅｎｃｅ．ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｓ ｔｈｅ ｕｓｅ ｏｆ ｍｕｌｔｉ—ｓｃａｌｅ ｗａｖｅｌｅｔ ｄｅｃｏｍｐｏｓｉｔｉｏｎ ｔｏ ｅｌｉｍｉｎａｔｅ ｓｉｇｎａｌ ｎｏｉｓｅ．ａｎｄ ｅｘｔｒａｃｔ ｆｅａｔｕｒｅｓ ｆｒＯｍ ｔｈｅ ｂａｎｄ ｖａｌｕｅ，ａｎｄ ｔｈｅｎ ｕｓｅ ｐｒｏｂａｂｉｌｉｓｔｉｃ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ （ＰＮＮ）ｔｏ ｃａｒｒｙ ｏｕｔ ａｕｔｏｍａｔｉｃ ａｎａｌｙｓｉｓ ａｎｄ ｄｉａｇｎｏｓｉｓ ｏｆ ｈｅａｒｔ ｓｏｕｎｄ ｓｉｇｎａｌｓ．Ｗｉｔｈ ｔｈｅ Ｍａｔｌａｂ ｓｉｍｕｌａｔｉｏｎ ｍｅｔｈｏｄ ｔｏ ｔｅｓｔ ５ ｄｉｆｅｒｅｎｔ ｔｙｐｅｓ ｏｆ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｈｅａｒｔ ｓｏｕｎｄ ｓｉｇｎａｌｓ，ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｍｅｔｈｏｄ ｉｓ ｆｅａｓｉｂｌｅ． Ｋｅｙｗｏｒｄｓ：ｈｅａｒｔ ｓｏｕｎｄ，ｗａｖｅｌｅｔ ａｎａｌｙｓｉｓ，ｐｒｏｂａｂｉｌｉｓｔｉｃ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ，ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ 心音信号是一种非平稳的随机性很强的信号，由心肌、血 如图１所示。 液、瓣膜和大血管的机械振动产生的。正常心音包含第一（ｓ１）、 １．１信号预处理 第二（ｓ２）、第三（ｓ３）和第四心音（ｓ４）四个成份，其中ｓ１、ｓ２是 本文所分析的各种心音数据来源于网络，采样频率均为 可听到的部分，ｓ３、ｓ４很弱几乎听不到。传统的听诊方式是医生 １ １０２５Ｈｚ。在进行分析之前用Ｍａｔｌａｂ中的ｒｅｓａｍｐｌｅ函数对数 利用听诊器凭经验用听觉分析心音信号，对医生的经验要求很 据进行重采样，使其采样频率降为２２０５Ｈｚ，以便减少数据量，缩 高，而且声觉听诊远远不能满足临床上高精确度的要求。因此发 短处理时间。 展一种客观的计算机辅助自动心音信号分析系统就很有必要。 在采集心音信号的过程中，由于测量环境周围存在的电磁 文献［２］提出利用数学形态学提取心音包络并用于心音识 辐射而产生的噪声以５０Ｈｚ工频为主要成分，这种噪声被称为 别；文献［３】提出Ｈｉｌｂｅｒｔ—Ｈｕａｎｇ变换的心音信号分析方法，通 工频干扰，在进行心音分析之前必须去除。本文采用巴特沃斯带 过把心音信号分解为内蕴模式函数，建立了心音信号的时间一频 阻滤波器消除心音信号中的工频干扰。设定滤波器的技术指标 率一能量三维Ｈｉｌｂｅｒｔ谱分布以及边界谱分布；文献［４】通过相关 为：∞１＝４０Ｈｚ，（Ｉ）ｕ＝６０Ｈｚ，（ｏｓ１＝４５Ｈｚ，（１）ｓ２＝５５Ｈｚ，仅。＝３ｄＢ，０【ｓ＝ 维这种非线性时间序列分析的方法来分析心音时间序列，获得 ２０ｄＢ，采样频率为２２０５Ｈｚ。 了有关冠状动脉堵塞的血液动力学特征信息，从而达到 １－２用小波多分辨率分析消除心音信号噪声并提取特征 对冠状动脉疾病无损检测目的；文献［５】利用小波变换提取 １＿２．１小波阈值消噪 心音信号的小波能量作为不同心音信号的特征，然后用ＢＰ神 一个含噪声的心音信号的模型可以表示成如下形式： 经网络进行信号识别。上述这些方法分别取得了一定的成功，但 Ｓ（ｆ）＝ ｆ） ・ｅ（ｆ）ｔ＝Ｏ，７，…，ｎ一７ （１） 还存在一些问题，如文献［２】所用方法对于正常心音的识别准确 其中，ｆ（ｔ）为真实信号，ｅ（ｔ）为噪声，Ｓ（ｔ）为含噪声的心音信 率较高，但对于有各种疾病的心音信号识别准确率并不高，文献 号。心音信号中的噪声主要包括皮肤的摩擦音、仪器本身的电子 ［３—４】所用方法比较新颖，但其理论上还有待完善，文献【５】所用 噪声、呼吸音及其他生理噪声等。 ＢＰ神经网络由于算法本身采用负梯度下降法来调节网络权值， 根据小波多分辨率分析理论，先将心音信号进行多尺度分 因而容易造成局部极小，并且存在收敛速度慢的缺点。 解，再对各尺度上的小波系数进行硬阈值除噪处理。 针对心音信号的复杂性，本文利用小波变换消除心音信号 （１）小波多尺度分解 、 中所包含的噪声信号， 小波分析中所用到的小波函数多种多样，具有多样性，用不 并利用各层的归一化绝 对值能量作为每种心音 二尖瓣狭窄严重 尖瓣芙月不全较重 主动脉瓣狭窄 ．＊ 信号的特征，最后用概 叵ｍ 竺 ｊ 率神经网络来进行心音 甘０『—１ — 乙… Ｊ ＿ｏ ２。卜—盲一 ｌ＿ｌ ＇． ｛ Ｉ’ — …而０５。 ｛ 信号的自动分析诊断。 ｏ 一 ｛ ｏ ＾ ＝。 ～一一１｛。 一 一： 采用Ｍａｔｌａｂ仿真的方 ％。 … ～｝％ｏ 一 一 Ｊ 昌。 】 。｝ — 法测试了５种不同类型 １∞ １０。 萄０ 心音信号的分类情况， ；ｉ ］；ｊ旺 ； ； 幽 ５— ２—————— 仿真结果表明本文所采 名。 Ｌ啼＿ Ｉ 罨。 一 － —・Ｊ｛—— ９。 一— 一一｛ｇ ｏ用的方法是可行的。 面 卜—五广 — －＾ ｉ — ｇ。 — １ 心音信号消噪和特 ＿面１ Ｉ————一１ ２ｒｏ ＋｛ ｏ００ 。 ， ２一５０。１ １ 。５ 面１５。０ 征提取 ； Ｊ； １ ；。 — Ｉ；。 ４－一 ㈣删＿删＿ １ ｉ 洳 心音信号分析步骤 图１ 心音信号分析步骤 图２几种心音信号的小波分解图 ８０ 同的小波基分析同一个问题会产生不同的结果。对于２２０５Ｈｚ 基于小波分析和概率神经网络的心音诊断研究 窄、主动脉狭窄和肺动脉狭窄这五类心音共３０个样本，小波基分 的正常心音和几种异常心音信号，采用ｂｉｏｒ４ ４小波，进行６尺 度的分解，如图２所示。 （２）用硬阈值消噪 在小波阈值消噪过程中，最关键的是阈值的选取，它关系到 别采用ｂｉｏｒ４．４、ｓｙｍ５、ｄｍｅｙ和ｃｏｉｆ５，ｓｐｒｅａｄ取不同的值时，对 训练数据（２０个样本）和测试数据（１Ｏ个样本）的分类结果如图３ 所示。由图３可知，当小波基采用ｂｉｏｒ４．４，ｓｐｒｅａｄ取０．１３～Ｏ．１５ 时，测试数据的分类结果准确率最高为８０％，测试数据和训练数 据的平均准确率最高为８２．５％。本文ｓｐｒｅａｄ取值０．１３５。 ｂｉｏｒ４ ４ １０Ｏ 信号的消噪质量。采用文献［８］中所提出的阈值求取方法，即： ｋ（ｊ）＝ 、／２／０ｇ（Ｎ）／Ｉｏｇ（ｊ＋ｉ） （２） ＝ｍｅｄｉａｎ（１ ｃＩ，ｋ１）／０．６７４５ （３） —９Ｏ ｉ）ｉｌ纠斗 木 式中，盯为噪声强度，Ｎ为各尺度下的采样点数，ｄ 为各层 系数。这样，随着尺度的增加， （ｊ）逐渐减小，该特性与噪声在小 波变换各尺度上的传播特性相一致。 确定阈值后便可用ＭＡＴＬＡＢ函数ｗｔｈｒｅｓｈ进行硬阈值处 婺８０ 羹 。求 ６０ ▲．． — ．＿－—— ． 洲９试样奉 －理，即：ｄ＝ｗｔｈｒｅｓｈ（ｄ， ｈ ， ）。 １－２－２提取特征值 提取的特征值将作为随后的ＰＮＮ网络的输入值。输入特征 值的选取直接关系着网络识别方法及结果的准确度。本文用 Ｍｏｒｌｅｔ小波对采样频率为２２０５Ｈｚ的心音进行６层分解，分解 关系为Ｓ＝ｄｌ＋ｄ２＋ｄ３＋ｄ４＋ｄ５＋ｄ６＋ａ６。然后用式（４）从小波分解 的各层系数中提取特征值，即： ～ ∑１ ｌ Ｅ （４） 根据２所示，本文认为ａ６和ｄ６主要成分是噪声和干扰，∞∞∞；己．∞∞柏∞∞∞００ 心音信号主要分布在ｄ２、ｄ３、ｄ４、ｄ５、ｄ６频带上，其中由以ｄ４、 ｄ５为最多。因此，定义心音信号的特征向量如下： Ｅ＝［Ｅｄ６，Ｅｄ５，Ｅｄ４，Ｅｄ３，Ｅｄ２］ （５） 然后对其进行归一化处理如下： Ｅｎｏｒｍ＝Ｅ／（Ｅｄ２＋Ｅｄ３＋Ｅｄ４＋Ｅｄ５＋Ｅｄ６） （６） 对每个心音样本，用计算得到的含有５个元素的特征向量 作为ＰＮＮ神经网络的输入。 ２应用概率神经网络进行心音信号识别 概率神经网络（ＰＮＮ）是一种可用于模式分类的神经网络。 ＰＮＮ网络首先计算输入向量与训练样本之间的距离，第一层的 输出向量表示输入向量与训练样本之间的接近程度。第二层将 与输入向量相关的所有类别综合在一起，网络输出为表示概率 的向量，最后通过第二层的竞争传递函数进行取舍，概率最大的 那一类为１，其它类别用０表示。 ＰＮＮ的输入层神经元个数为输入样本向量个数，输出层神 经元个数与训练样本数据的种类个数相等。本文对８种不同类 型的心音进行识别，编码为０００１、０００１０、０００１１、…、１０００，由这 些编码组成ＰＮＮ的目标向量，而ＰＮＮ的输入向量为上面由小 波包分析所得到的特征向量Ｅ。则ＰＮＮ的输入层神经元个数为 ５，输出层神经元个数为８。 令ＰＮＮ的输入向量为Ｐｃ，目标向量为Ｔｃ，ＰＮＮ网络的建 立代码如下： Ｐｃ＝Ｐ ：．Ｔｃ＝ｉｎｄ２ｖｅｃ（Ｔ）： ｎｅｔ＝ｎｅｗｐｎｎ（Ｐｃ，Ｔｃ，ｓｐｒｅａｄ）； 其中，Ｔ为由不同心音的编码所构成的向量，ｓｐｒｅａｄ为散布 常数。 、 建立好ＰＮＮ网络之后需要测试该网络是否能正确的进行 心音分类，代码如下： Ｔ－Ｔｅｓｔ＝ｓｉｍ（ｎｅｔ，Ｓ＿Ｔｅｓｔ） ％Ｓ＿Ｔｅｓｔ为测试用心音信号特 征所组成的向量 ３仿真验证 利用以上算法，选取了正常心音、二尖瓣关闭不全，二尖瓣狭 ５０ ０ ｏ６ ０ ０８ ０１ ０１２ ０１４ ０１６ ０１８ ０ ２ Ｓｐｒｅａｄ ｄｍｅｙ １∞ ▲训练样本 １ ｇ０ 、 练样本Ｊ 斟 平均ｆ＾ 碍８Ｏ 疆 Ｊ 器７０ 平均值 掣 ▲ １ ６０ 测试样本 Ｊ ▲。 求５０ 、 ▲ ４０ ３０ １ｊ ２０ 图３不同小波基、Ｓｐｒｅａｄ取不同值时的分类结果 ４结束语 心音信号是一种典型的非平稳生理信号。根据小波变换适 合于分析非平稳信号和神经网络强大的自学习能力的特点，利 用小波多尺度分解消除心音信号中的噪声，并提取出特征值，然 后用概率神经网络对信号进行分类，可以区分正常的心音和各 种病态的心音。 然而，由于心音信号的复杂性，所采集的信号受到多方面的 影响，单一的信号除噪和特征值提取算法不能完全分析所有类 型的心音样本。同时，由于训练样本数不是很多，影响了系统的 正确识别率。为了提高系统的分类能力，下一步的工作是改进特 征值提取算法，寻找与疾病敏感的小波变换的特征值，同时结合 医生的知识，进行基于知识的专家系统心音分析，从而提高识别 的准确性。 参考文献 ［１］徐成斌心音图学［Ｍ］．科学出版社，１９８２ ［２］陈剑心音信号自动分析与识别算法的研究［Ｄ］．重庆：重庆大学， ２００３ ［３］赵治栋，唐向宏，赵知劲，等．基于Ｈｉｌｂｅｒｔ—Ｈｕａｎｇ Ｔｒａｎｓｆｏｒｍ的心音 信号谱分析［Ｊ］传感技术学报，２００５，１８（１）：１８—２２ ［４］杨群清，周庆利，刘军，等．心音的非线性时间序列分析一冠状动脉疾 病无损检测的新方法［Ｊ］．浙江大学学报（工学版），２００６，４０（８）： １４７３－１４７６ ［５］曹莉，赵德安，孙月平，等基于人工神经网络及小波分析的心音诊断 方法［Ｊ］．微计算机信息（测控自动化），２００７，２３（７－１）：３１－３１２ ［６］心脏听诊音频大全．ｈｔｔｐ：／／ｗｗｗ ｂｂｉｏｏ．ｃｏｍ／Ｓｏｆｔ／２００７／１４５８．ｈｔｍ ［７］胡昌华，李国华，刘涛．基于ＭＡＴＬＡＢ ６．Ｘ的系统分析与设计－４＂波 分析［Ｍ］２版西安：西安电子科技大学出版社，２００４ ［８］张维强，宋国乡．基于一种新的阈值函数的小波域信号去噪［Ｊ］．西安 电子科技大学学报（自然科学版），２００４，３１（２）：２９６－２９９ ［９］董长虹．Ｍａｔｌａｂ神经网络与应用［Ｍ］＿２版．北京：国防工业出版社， ２００７ 『收稿日期：２０１０ ３．２０］