约束可调Q小波变换分析心音信号的方法

© 2013年。出版社：Elsevier B.V.由美国应用科学研究所负责选择和/或同行评审可在www.sciencedirect.com在线获取ScienceDirectAASRI Procedia 4（2013）57 - 632013年AASRI智能系统与控制基于约束可调Q小波变换的心音信号Shivnarayan Patidar，Ram Bilas Pachori*印度理工学院电气工程系，印度，452017摘要本文提出了一种基于约束可调Q小波变换（TQWT）的心音信号分析方法。通过适当的约束TQWT分别重建基本心音（FHS）和杂音。利用重建FHS的心音特征波形（CSCW）实现了重建杂音到心跳周期的分割。基于频域的近似熵，谱熵，Lempel-Ziv复杂度，和时域香农熵计算为每个分割的心跳周期的最小二乘支持向量机（LS-SVM）为基础的分类。实验结果表明了该方法的有效性。© 2013作者。由Elsevier B. V.在CC BY-NC-ND许可下开放获取。由美国应用科学研究所负责选择和/或同行评审关键词：心音信号;心搏周期;杂音;调Q小波变换;最小二乘支持向量机;1. 介绍心音信号包含了大量关于心脏瓣膜功能和血液动力学的信息。通过心音信号的视觉扫描或听诊检测心脏瓣膜疾病需要全面的技能和长期的经验。心脏杂音的存在通常与心脏瓣膜的病理学有关[1]。因此，检测心音信号中的杂音是诊断心脏瓣膜疾病的重要部分。* 通讯作者。联系电话：+91-0732-4240716;电子邮件地址：pachori@iiti.ac.in2212-6716 © 2013作者由Elsevier B. V.在CC BY-NC-ND许可下开放获取。美国应用科学研究所负责的选择和/或同行评审doi：10.1016/j.aasri.2013.10.01058Shivnarayan Patidar和Ram Bilas Pachori/AASRI Procedia 4（2013）57J1M从分割的心音信号中提取的参数可以在心脏瓣膜疾病的诊断中非常有用。这些参数可以属于时域、频域或时频域。时域参数（如收缩期和舒张期的时间间隔以及收缩期和舒张期是否存在杂音）已用于检测心脏瓣膜疾病[2，3]。在[3]中已经提出了使用CSCW的基于聚类的心脏瓣膜疾病诊断。基于时域的分析适用于区分正常和异常心音信号，但无助于识别杂音类型[4]。因此，为了对杂音进行分类，如[4-6]中所述，已经提出了心音信号中杂音的不同频谱特性。此外，传统的时频方法如短时傅立叶变换、小波变换和小波包分解已被用于使用心音信号对杂音类型进行分类[7-10]。杂音的分类是一个多类分类问题。最常用于心音信号的分类器是神经网络[5]，[7-8]和支持向量机（SVM）[4]，[10-12]。本文提出了一种基于约束TQWT的心音信号分割和分类的新方法。TQWT是一种强大的技术，具有三个输入参数，用于分析和处理振荡信号[14]。该方法是基于约束TQWT与自适应选择其输入变量。通过适当约束TQWT分别重建FHS和杂音。重建的FHS用于使用CSCW将重建的杂音基于包络分割成心跳周期。对重建的心杂音的每个心搏周期计算频域近似熵、谱熵、Lempel-Ziv复杂度和时域Shannon熵，并将其作为最小二乘支持向量机（LS-SVM）的输入进行杂音分类。提出的基于约束TQWT的分割和基于LS-SVM的分割重建杂音分类提供了更好的分割率和分类率。2. 可调Q小波变换TQWT是一种灵活的全离散小波变换，便于调整其Q因子（表示为Q），并指定其过采样率或冗余度（表示为r）以及分解级别（j）[13]。第j级基于TQWT的分解的实现通过将两个信道滤波器组迭代地应用于低通子带信号来实现。在第一级，低通子带c1[n]的生成使用低通滤波器H0（），随后是表示为LP缩放的低通缩放，并且类似地，高通子带d1[n]的生成使用H1（）和HP缩放。有关缩放操作的详细信息，请参见[13]。图1中示出了用于输入信号s[n]的基于第j级TQWT的分解以生成低通子带信号cj[n]和高通子带信号dj[n]的等效系统。在第j级之后产生的低通和高通子带信号的等效频率响应分别由H（j）（）和H（j）（）给出，其定义为[13]：o1（j）00 000（0m），J（j）1H1（J2J 第一章0 000（m），（1（一）0，j0，其他[，]cj[n]dj[n]Fig. 1. (a)用于输入信号s[n]的基于第j级TQWT的分解的等效系统生成（a）低通子带信号cj[n]和（b）高通子带信号dj[n][13]。m0） J1J1Hj（）0LP缩放JHj（）1LP缩放J1HP扩展H（H）（ ）Shivnarayan Patidar和Ram Bilas Pachori/AASRI Procedia 4（2013）5759原始信号可以使用合成滤波器组重构，如[13]所示。冗余和Q因子与滤波器组参数相关，如下所示[13]：r，Q21（二）参数Q控制子波的振荡行为，参数r控制过度振铃，以便在不影响其形状的情况下使子波在时间上局部化。3. 方法3.1. 心音信号为了减少算法的执行时间，输入心音信号被抽取32倍[12]。此过程可能不会影响包含低频分量的FHS。即使是诊断性杂音也可能不会受到显著影响，因为大多数杂音的频率范围在100 Hz至600 Hz之间[7]。此外，预处理包括幅度归一化，其考虑到由于施加在胸部表面上的压力和放大器设置的变化而引起的记录的变化。3.2. 基于约束TQWT的重建杂音与FHS相比，杂音通常以相对较小的幅度在持续时间内传播。杂音和FHS分别呈近似高斯分布和超高斯分布。与杂音相比，FHS的分布具有更尖锐的峰值，偏度向左，峰度值相对较大[14]。关于FHS和杂音的统计特性的这种知识可以用于在分解期间约束TQWT，使得重构信号仅包含期望的感兴趣分量。为了从心音信号中分离和重构FHS和杂音，可以自适应地选择基于TQWT的分解的输入参数，使得在最后输出级的低通子带处获得具有最大峰度的低频FHS。这种基于低通子带的重建FHS可以用于使用CSCW将重建的杂音分割成心跳周期。可以使用峰值检测方法从CSCW获得关于心跳周期的定时信息，该方法包括拾取FHS的所需峰值并拒绝额外峰值，然后手动或通过模糊c均值聚类自动应用适当阈值，如[3，15]中所建议的。分段的心跳周期以两个连续心跳周期中的任何一个FHS开始和结束。因此，在CSCW中识别FHS的峰值之后，可以使用S1或S2心音的近似边界来提取重建杂音的心跳周期，如[3，10，15]中所述。杂音是高频分量，因此仅考虑基于TQWT的分解的每个输出级的高通子带用于重构杂音。这些重建的杂音的心跳周期用于特征提取和分类，如下面的小节所述。在约束TQWT期间，可以通过使用任何合适的优化方法来适配输入参数。在文献中已经提出了许多优化方法，但遗传算法被发现在全局优化中更有效[16]。因此，在这项研究中，遗传算法已被用来优化TQWT为基础的分解，最大限度地在重构信号中的所需信号分量的信息。3.3. 重构杂音的特征提取和基于LS-SVM的分类已经发现杂音的频谱特性对于分类包含杂音的心音信号是有用的。因此，在这项研究中，近似熵和Lempel-Ziv复杂度被用作60Shivnarayan Patidar和Ram Bilas Pachori/AASRI Procedia 4（2013）571N mN mi1我2频域参数，如从重建杂音的心搏周期的基于快速傅立叶变换（FFT）的频谱计算的。所采用的特征简述如下：3.3.1 香农熵（Shannon entropy）：香农熵基于概率的概念，并衡量信号的不确定性[17]。由ShEn表示的香农熵的归一化形式被定义为：pnlog（pn）沈恩log（m）（三）其中n是信号幅度的范围，pn是信号具有幅度an的概率。在这项研究中，重建杂音的概率密度函数估计的离散值的一个n通过使用直方图技术。对于信号样本，比如说N，信号的幅度范围被线性地划分为m个区间，使得比率m/N保持恒定。在本研究中，m/N比保持在0.01。3.3.2 近似熵：近似熵（ApEn）是一种非线性统计特性，用于衡量系统的复杂性[18]。ApEn定义如下：1N m1Mm1m（四）近似熵（m，r，N）N M1lnSr（i）I1lnSr（i），Sr（i）N（i）NM1其中m是嵌入维数，N是序列的样本数，Nm（i）是公差窗口r内的匹配向量数。在这项研究中，近似熵计算与FFT为基础的频谱作为输入序列和m和r设置为2和0.1倍的标准偏差分别。3.3.3 Lempel-Ziv复杂度：Lempel-Ziv复杂度是有限序列复杂度的非参数度量。它反映了不同子序列（模式）的数量以及它们沿序列出现的速率。Lempel-Ziv复杂度分析基于将时间序列转换为有限符号串。在这项研究中，使用基于FFT的频谱得到的序列被转换成一个二进制序列，分配基于中值为阈值的1和0。评估Lempel-Ziv复杂度的完整算法在[19，20]中有很好的描述。3.3.4 频谱熵：频谱熵基于重建杂音的功率谱，描述频谱的不规则性。由SpEn表示的谱熵的归一化形式被定义为[20]：SpenfHPjlog（Pj）Llog（Nf）（五）其中，Pj是定义的频带[fL，fH]中的信号的功率密度，Nf是该频带内的频率的数量。在这项工作中，频带被指定为[100，600] Hz。心脏瓣膜疾病的分类可以被认为是一个多类分类问题。此外，可以使用多类LS-SVM [21]来评估所提出的特征在对杂音进行分类方面的性能。用数据{xi yki}（i=1，2，LS-SVM的详细推导可参见[11]。在这项工作中，具有宽度控制参数k的径向基函数（RBF）被用作核，其被定义为：（6）第一次见面K （x，x） 实验ik i2K4. 实验结果与讨论本文中使用的数据集是由圣卢克圣公会医院德克萨斯心脏研究所的Robert J. Hall心音实验室制作的心音播客系列（2011年）。该数据集包含从具有相关胸部位置和不同的心脏位置的各种受试者采集的50个异常心音信号。J FShivnarayan Patidar和Ram Bilas Pachori/AASRI Procedia 4（2013）5761耐心操作。大多数数据的采样频率为44。100 kHz，除少数情况外。有关数据集的更多信息，请访问www.texasheartinstitute.org。所提出的方法在分离二尖瓣返流和主动脉瓣狭窄的一个心跳周期的FHS和杂音中的有效性的图示已经在图2中示出。对于二尖瓣反流，在Q= 1时，自适应地选择参数r和j分别为8和10之后获得重构信号。当Q= 1时，主动脉瓣狭窄的这些参数的值r和j分别为8和12。可以看出，约束TQWT在分离FHS和杂音方面是有效的。实验结果发现，当Q=1时，由于小波与FHS更好的匹配，通常具有较高的r值，令人满意。此外，当杂音严重时，基于TQWT的分解（j）的所需级别将更多，并且如果它们与FHS重叠，则所需冗余将更多，使得FHS在时间上被很好地定位。表1示出了分别使用基于约束TQWT的重建FHS和重建杂音的基于CSCW的分割和分类的性能的统计。基于频域的近似熵、谱熵、Lempel-Ziv复杂度和基于时域的Shannon熵被计算用于分割的重建的杂音，并且被用作LS-SVM的输入特征集以用于对杂音进行分类。在k= 1的LS-SVM分类器中，RBF核所使用的功能被发现是集体有效的分类杂音的类型。由有经验的心脏病专家手动标记列表结果的每个临床病例中包含的心跳周期的实际数量。图二. (a)基于约束TQWT分离心跳周期的FHS和杂音的示例：（a）-（c）分别为二尖瓣回流信号、高通重建信号（杂音）和低通重建信号（FHS）;（d）-（f）分别为主动脉瓣狭窄信号、高通重建信号（杂音）和低通重建信号（FHS）。表1.约束TQWT对含杂音心音信号的分割和分类统计。疾病类型例分段搏动/总搏动训练节拍/测试节拍分类率（%）主动脉瓣狭窄case121/2513/1299.4262Shivnarayan Patidar和Ram Bilas Pachori/AASRI Procedia 4（2013）57case240/4623/2399.31主动脉瓣返流case129/3116/1597.35case232/3216/1697.50二尖瓣狭窄case115/168/8100case214/147/7100二尖瓣返流case116/189/999.15案例2a8/95/498.755. 结论TQWT是有用的变换，具有足够数量的自适应输入参数，用于从包含杂音的心音信号中分离杂音和FHS。将重建的杂音分割成心跳周期并对其进行分类已经提供了有希望的结果。最后，为了建立所提出的方法的临床使用，有必要在样本外数据集上对其进行测试。6. 确认作者感谢印度孟买医院心脏病专家Niranjan Garg博士提出的宝贵临床建议和讨论。引用[1] Rangayyan RM，Lehner RJ.心音图信号分析：综述。Crit Rev Biomed Eng 1987; 15：211-236。[2] 郑英俊基于遍历隐马尔可夫模型的连续心音信号分类。In：Pattern Recognition and Image Analysis，LNCS 2007; Springer4477：563-570.[3] 崔S，姜志.心音信号分割中包络提取算法的比较。专家系统应用2008; 34（2）：1056-1069.[4] 崔S，姜志.基于自回归谱分析和多支持向量机技术的心音杂音分类。计算机生物医学2010; 40：8-20.[5] Chauhan S，Wang P，Lim CS，Anantharaman V.计算机辅助的基于MFCC的HMM自动听诊系统。计算机生物医学2008; 38：221-233。[6] 石田A，石井N，Suzamura N，池谷K.基于频谱跟踪的第一、第二心音检测算法。医学生物工程计算1980; 18：19-26.[7] 放大图片作者：J.基于小波包神经网络的心脏瓣膜疾病智能诊断系统。计算机生物医学2003; 33（4）：319-331。[8] 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; 7：286-297.[9] 崔S基于小波包分解和支持向量机的心脏瓣膜病检测。专家系统应用2008; 35：1679-1687.[10] Ari S，Saha G.寻找人工神经网络分类异常心音的优化技术。Appl Soft Comput 2009; 9：330-340.[11] Suykens JAK，Vandewalle J.多类最小二乘支持向量机。神经网络国际联合会议IJCNN 1999; 2：900-903。[12] Patidar S，Pachori RB.一种基于连续小波变换的心音信号心脏瓣膜疾病检测方法。ICHIT 2012; 310：513-520.[13] 塞莱斯尼克IW。Wavelet transform with tunable Q-factor，IEEE Trans Sig Process 2011; 59：3560-3575[14] 吴晓松，李晓松，李晓松.自适应奇异谱分析方法在心音杂音检测中的应用。J Med Eng Phys 2011; 33（3）：362 - 367.[15] Liang H，Lukkarinen S，Hartimo IO.基于心音包络图的心音分割算法。IEEE Comput Cardiol 1997：105-108.[16] 袁军，何志，子英.基于多小波提升格式的齿轮故障检测。Mech Syst Sig Process 2010; 24（5）：1509- 1528.[17] 放大图片Shannon CE，Weaver W.沟通的数学理论伊利诺伊大学出版社，1971年Shivnarayan Patidar和Ram Bilas Pachori/AASRI Procedia 4（2013）5763[18] 平卡斯近似熵作为系统复杂性的度量。In：Proceedings of the National Academy of Sciences 1991; 88（6）：2297-2301.[19] Lempel A，Ziv J.关于有限序列的复杂性IEEE transInf Theory 1976; 22（1）：75-81.[20] Sabeti M，Katebi S，Boostani R.熵和复杂性措施脑电信号分类的精神分裂症和控制参与者。J Art Intell Med2009; 47：263-274.[21] Bajaj V，Pachori RB.使用经验模式分解对癫痫发作和非癫痫发作脑电信号进行分类。IEEE Trans Inf Technol Biomed2012; 16（6）：1135-1142。