基于心脏事件发生率的心音图自动分割方法

Informatics in Medicine Unlocked 9（2017）6基于心脏事件发生率的心音图自动分割M. Vishwanath Shervegar助理教授a，*，Ganesh V. Bhat校长ba印度卡纳塔克邦Udupi Kundapura麻省理工学院电子和通信系bCEC，Mangalore，D.K.， 印度卡纳塔克邦A R T I C L E I N F O关键词：分段心音图Bark-scale掩蔽去噪A B S T R A C T目的：提出一种利用心脏节律事件的发生来自动分割心音的方法。方法：对含噪心音信号采用6阶切比雪夫Ⅰ型低通滤波器进行滤波，去除多余噪声。通过将频谱图转换为树皮尺度，从心脏信号计算树皮频谱图树皮频谱图是平滑的，响度指数是通过平均所有频带的振幅计算 对响度指数进行平滑和微分，以获得事件检测函数。平滑事件检测功能给出心脏事件的发生，即第一和第二心音。结论：该方法能高效地识别S1和S2峰，分割准确率为96.98%，F1测度为97.09%。重要性：该方法不需要设置任何类型的阈值。因此，它是一种在噪声条件下非常有效的分割类型1. 介绍1心音描记术是对人类心音的研究心音图（心音），因为他们被称为，代表了最重要的生理和病理信息的人体。其中两个重要的声音是第一心音（S1）和第二心音（S2）。心音与正常心音不同，称为异常音。将心音分为S1-S2和S2-S1周期的整个过程称为分段。分割有助于评估心脏事件的发生。自从心音描记术开始和基于心音的数字听诊器信号处理的发展以来，这些声音的分割或分类已经取得了巨大的分割有其自身的历史。心音最常用的方法是小波变换[2，4]。Dinesh Kumar等人使用小波分解简单滤波器对心音进行分割[2，4]。Liang等人基于心音包络图对HS进行分割[5]。归一化平均香农能量用于此目的。按照他的方法，心音被分为四个不同的类别即心音（S1）、收缩期、心音（S2）和舒张期。大多数算法使用标准参考，例如心电图（ECG）信号和与心音同时获得的颈动脉脉搏数据。后来，Groch提出了心音分割的新方法。根据他的说法，可以根据从信号中提取的时域特征有效地进行心音分割[9]。2Strunic使用不同的程序进行心音分割。 现在从某些波段提取信号，减少了异常。设置振幅阈值以挑出这些尖峰[6]。所有这些方法都是基于为噪声峰值设置的阈值仅考虑能量大于阈值的所有峰，而忽略其他峰这会导致信息和能量的损失为了解决这个问题，通过识别心脏事件的发生，通过一种新的方法分割心音该方法不需要为噪声峰值设置任何阈值的必要性，而是依赖于心脏事件的开始和偏移。3这项工作的重点是实现一个分割算法免费在任何噪声阈值下，都能在低信噪比下提供高性能* 通讯作者。电子邮件地址：vishwa@hotmail.co.in（M.V. Shervegar），ganeshvbhat@yahoo.com（G.V. Bhat）。1相关工作包括在这里。2已更正复制的区域三是创新。http://dx.doi.org/10.1016/j.imu.2017.05.002接收日期：2016年12月12日;接收日期：2017年5月5日;接受日期：2017年2017年5月17日在线发布2352-9148/© 2017由Elsevier Ltd.发布这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。目录可在ScienceDirect医学信息学杂志主页：www.elsevier.com/locate/imuM.V. Shervegar，G.V.BhatInformatics in Medicine Unlocked 9（2017）67I0-¼75002Fig. 1. 滤波后正常声音的信号图。图三. 滤波后正常声音的树皮声谱图。声音随着声音中频率的升高而变宽，从低频到高频，就响度和音高而言。因此，声谱图被转换成树皮音阶形式。声音的功率谱（1）[9]IidB±20 log10.Ii> 0（1）这里，i是强度Ii的功率谱仓的瞬时值。I0是心音的听力强度阈值为了在动态范围和分辨率之间获得合理的折衷，选择I060 dB以下的声压级完全被削波。听力阈值取决于频率，而这些声音的反应取决于可听度。频率f与巴克标度z（f）相关，如（2）[6]。图2. 滤波后正常声音的频谱图。zf13arcta n0：0007 6f3：5arctan. F中国（2）条件2. 现有技术2.1. 分割过程4心音事件同步分割的分割过程分为五个步骤，即频谱图分析、掩蔽心音和掩蔽心音的识别响度指数的评估、心脏事件的检测和S1- S2的识别他们中的每一个都被一个接一个地讨论。2.2. 谱图分析作为第一步，从心音信号获得频谱图大约在3 ms窗口。窗口被零填充以允许更宽的频率范围。下图1显示了信号图。[5]然而，通过声谱图对可听范围内的频率进行分离并不能获得关于这些声音的重要信息。的可听度2.3. 掩蔽心音和被掩蔽心音的识别6心音图中既有低频声音，也有高频声音对于小于150 ms的小时间间隔，不可能同时听到低频声音，例如第一心音（20 Hz高频声音由于其高能量含量，总是有掩盖低频声音的趋势这被称为同时掩蔽。除同时掩蔽外，时间掩蔽还分为两类，即：前掩蔽和后掩蔽。预掩蔽尚未研究，但来自噪声突发的研究表明，预掩蔽的持续时间仅约为20 ms[9]。频率低于掩蔽音的声音位于该时期。那些声音听不见。它没有实现，因为用于平滑的信号窗口伪影显示出类似的效果。后掩蔽不同于前掩蔽。这是一种振铃式的时间掩蔽。后掩蔽现象的持续时间约为200 ms。 为了使图1所示的谱图平滑。如图2所示，心音的每个频带的包络现在与4理论部分加强。5使用树皮规模澄清。6使用柔和和响亮的声音。M.V. Shervegar，G.V.BhatInformatics in Medicine Unlocked 9（2017）68见图4。滤波后正常声音的平滑树皮频谱图。200 ms半汉宁（升余弦）窗口。 图图4示出了通过平滑图1所示的改进的树皮谱图而获得的平滑的树皮谱图。下面三个。图中的红线更清晰。3和4相比，图。 2. 这些线表示心音S1、S2和可能的杂音。 树皮声谱图见图1。4表示在正常声谱图中听不到的声音。每个节拍都清晰可见，作为一个单独的声音。这意味着在时频域中可见的内容与从声音中可听到的内容具有一对一的关系。感觉响度指数是心音的强度2.4. 响度指数通过对声音的所有频带的振幅求和，从频谱图中导出响度的感觉PNE k tN见图6。滤波后正常声音的平滑响度指数。不清楚，但显示了S1和S2响度的强度通过将响度函数与300 ms汉宁窗卷积来平滑响度函数，以获得平滑的响度指数函数。下面的图6示出了心音的平滑响度函数。2.5. 心脏事件检测事件检测函数是通过计算每个谱带的一阶差分，然后求出它们的和来找到的在该信号中有许多起始和偏移瞬变单个事件由50 ms窗口内的瞬变表示该事件可以是对应的心音S1或S2[7]。 图下面的图7示出了心音的原始事件检测功能。通过将原始事件检测信号与汉宁窗卷积来获得平滑的事件信号400 ms窗口用于分段。对原始信号进行滤波生成平滑函数。这个函数可以LdB最大值k¼1（三）用于峰值拾取阶段。图下图8显示了平滑事件心音检测功能分割是指Ek表示存在于第k个频带中的第k个频带的幅度。声谱图总共有N个这样的频带。 图下面的图5示出了作为时间的函数的心音的响度函数。它是生的，图5. 滤波后正常声音的响度指数。其中心音信号被分成更小的声音单元这纸张是指最小的分割水平，以找到声音中存在的最小节奏事件声音的片段是图7. 事件检测过滤后的正常声音。M.V. Shervegar，G.V.BhatInformatics in Medicine Unlocked 9（2017）69表1c分割所有心音。听起来正确检测未检测错误地检测总S116853941688S2168761071693整个周期189292013381表1d所有心音评分。听起来灵敏度规格精度F1测度正常百分之九十九点六七91.75%百分之九十五点五四百分之九十五点六九异常百分之九十九点七百分之九十六点五百分之九十八点一三百分之九十八点五二一切听起来百分之九十九点九八百分之九十四点四百分之九十六点九八百分之九十七点零九3.1. 用数据库图8. 平滑事件检测滤波正常声音。表1a正常心音的分割。正常声音正确检测未检测错误地检测总S1739366742S2741267743整个周期148051331485表1b异常心音的分割。异常声音正确检测未检测错误地检测总S1946028946S2946440950整个周期18924681896由起始边界和偏移边界定义对于一致的因此，听者可以很容易地识别具有相同响度和音高的两个声音之间的差异[1]。声音片段的典型瞬变的示例是突然的响度、音高或音色变化。这些导致声音信号中的突然频谱变化声音的开始通常随着响度变化的增加而发生。它由图1和图2中的峰表示。7和8偏移随着响度变化的减小而发生。 它是代表的波峰在图。7和8最软的起始时刻是响度信号中的局部最小值最软的偏移矩是响度信号中的局部极大值可以观察声音信号中从负到正的过零点，以保持信号连续性。2.6. S1-S2鉴别分割的心音仅由S1声音和S2声音组成。 为了识别每个S1和每个S2，我们需要知道第一个S1和第一个S2的声音。为此，识别声音中存在的收缩期和舒张期。 最长持续时间是S2和连续S1之间的最长持续时间。持续时间最短的是心脏收缩期。一旦第一个声音被识别出来，其他的声音就是交替的S1和S2声音。3. 结果和讨论本节描述了使用前面章节中采用的分割程序获得的结果Physionet心音数据库中存在的心音记录来自世界各地的几个贡献者，在临床或非临床环境中收集，来自健康受试者和病理患者。Challenge训练集由五个数据库（A到E）组成，总共包含3126个心音记录，持续时间从5秒到120秒。心音记录是从身体的不同位置收集的。典型的四个位置是主动脉区、肺动脉区、三尖瓣区和二尖瓣区，但也可能是九个不同位置中的一个在两个训练集中，心音记录分为两种类型：正常和异常心音记录。正常记录来自健康的皮下组织，异常记录来自确诊心脏病的患者 患者患有各种疾病，但通常是心脏瓣膜缺陷和冠状动脉疾病患者。心脏瓣膜缺陷包括二尖瓣脱垂、二尖瓣返流、主动脉瓣狭窄和瓣膜手术。患者的所有记录通常都被标记为异常。健康受试者和病理患者均包括儿童和成人。每例受试者/患者可能提供了1至6个心音记录。 录音持续时间从几秒到一百多秒。所有记录均已重新采样至2000 Hz，并提供为。wav格式。每个记录仅包含一个PCG导联。3.2. 心音分割心音选自Physionet心音数据库[8]。特定的声音被挑选出来，然后用一个图9. 分段的正常声音。M.V. Shervegar，G.V.BhatInformatics in Medicine Unlocked 9（2017）610图10. 分段性异常心音。6阶低通切比雪夫滤波器，截止频率为196 Hz。所有196 Hz以上的声音都被过滤掉。然后将分割算法应用于声音，结果见下表1图9显示正常的声音。图10显示异常心音。总共考虑了3381个第一和第二心音在这些第一心音中，739个来自正常受试者，而946个是病理性心音。这些声音显示了准确的分割。正常人心音741例，病理心音946例 共有9个声音在分割过程中未检测到，包括5个正常声音和4个异常声音。在211个错误检测的声音中，133个来自正常受试者，68个来自异常受试者。总灵敏度为99.88%，特异性为94.4%。分割的准确率为96.98%，而这给出了97.09%的F1测量心音分段的分解在表1中给出。该算法的优点是不需要设置特定的阈值来包含噪声。该算法主要依赖于声音响度的起始和偏移。与传统的最先进的方法相比，该算法的性能更好。4. 结论上述论文描述了一种使用事件同步方法来执行心音分割而不设置噪声阈值的方法 从结果可以看出，在不设置任何噪声阈值的情况下，可以以有效的方式分割心音。 与其他方法相比，分割精度也相当高。 在低SNR条件下分割心音的能力本身就说明了算法的鲁棒性。引用[1] A.S.Association.美国标准声学术语，定义12.9，音色。1960年[2] Gupta CN，Palaniappan R，Swaminathan S，Krishnan SM.同态分段心音的神经网络分类。应用软件计算2007;7：286- 97.[4] [10] Kumar D，Carvalho P，Antunes M，Henriques J，Maldonado M，SchmidtR，et al. 基于小波变换和简化的心脏杂音分割。ComputCardiol 2006;33：173- 6.[5] Lehner RJ，Rangayyan RM.心音图的三通道微机分段与表征系统。IEEE TransBiomed Eng 1987;34：485- 9.[6] SchroederM，Atal B，Hall J. 利用人耳掩蔽特性的语音编码器。J Acoust Soc Am1979;66：1647- 52.[7] 斯奈德湾音乐与记忆：导论。Cambridge，MA：MIT Press.[8] www.physionet.org/challenge/2016/:accessed日期：2017年3月1日。[9] Zwicker E，Fastl H.心理声学：事实与模型。第二版，柏林：施普林格出版社，1999年。