基于希尔伯特振动分解的心音身份识别算法

任方琴，赵治栋

(杭州电子科技大学通信工程学院，浙江杭州310018)

0 引言

心音信号因其具备普遍性、独特性和可采集性以及相比传统生物特征不容易被模仿或复制的优势，作为一种新型生物特征用于身份识别越来越受到国内外研究人员的关注［1］。目前，心音识别的特征选择以心音信号S1和S2时频谱，Mel频域参数居多［2，3］。但大多都以平稳或分段平稳假设下研究的，部分研究采用非平稳信号分析方法，如采用Hilbert包络法提取心音信号的特征，提取周期、功率、频率的独立子波函数表征心音特征，利用希尔伯特黄变换(Hilbert-Huang Transform，HHT)提取心音边界谱用于身份识别等有优于前者的研究成果，但是EMD迭代算法复杂，存在端点效应［4，5］。随后外国学者提出了一种非平稳信号分析的新方法:希尔伯特振动分解(Hilbert Vibration Decomposition，HVD)方法，并成功应用于机械振动信号分析［6］。该方法和HHT方法相比均以希尔伯特变换为基础，但HVD避免了HHT复杂的EMD过程［7］。本文分析了HVD方法运用于心音信号身份识别的可行性，通过将复杂的心音信号分解成简单的谐波分量进行身份识别。

1 HVD算法

HVD非平稳谐波检测的框架图如图1所示，具体步骤如下。

(1)基于Hilbert变换获得非平稳谐波解析信号的瞬时频率f(t)和瞬时幅值A(t);以M=2的谐波信号为例，由Hilbert变换获取解析信号Z(t):

式中，i表示虚数，Al(t)，fl(t)和θl分别表示第l个谐波分量的瞬时幅值、瞬时频率和初相位。解析信号Z(t)的瞬时幅值A(t)和瞬时频率f(t)分别为:

(2)对解析信号的瞬时频率f(t)应用低通滤波或定积分获取当前幅值最大谐波分量对应的瞬时频率fr(t);以后者为例，在区间［0 T=1/(f2－f1)］内做定积分，可证明得积分为0［7］。

(3)通过同步检测和低通滤波提取当前幅值最大谐波分量相应的幅值Ar(t)和相位θr;

将初始谐波信号分别与两参考正交信号相乘，同相输出z1(t)和正交相输出z2(t)如下:

通过低通滤波器滤除式5，6后半部分，可得瞬时幅值Ar(t)和相位θr:

(4)从原始信号中减去当前检测出的幅值最大谐波分量，获取残差值作为新的待检信号替代原始信号，为下一步迭代准备。

(5)重复步骤(1－4)，直到满足迭代停止条件。

图1 HVD方法框架图

2 心音信号的HVD分析

考虑心音信号幅值和频率的非稳定性，可以把它看作非平稳多谐波信号:选取心音数据库中的某个用户，并得到其连续2个心动周期的HVD谐波分量，如图2所示(图2中只显示部分点数);然后取其不同3个用户心音相同条件下400点对比3者第一谐波分量如图3所示。由图2，3可知:不同心动周期内变化趋势是一致的，重合度很高;而对不同人峰值的幅度，主峰范围和顶峰所在点的差异性都较大，可区分性高。

心音信号HVD分解后的各谐波分量及谐波分量重构信号如4图所示，通过希尔伯特振动分解，可以将复杂的心音信号分解为简单的谐波分量。

图4 HVD分解后各谐波分量及重构信号图

3 实验结果与分析

本次实验采用的心音信号是实测的30个正常人60个心音信号，采样频率为2kHz，量化精度为8bit，实验中为每个人的心音做了2次记录，用于训练和识别，2次的采集区都在p区，间隔时间不小于半个小时，匹配采用矢量量化模型。

低通滤波器截止频率的选择决定了HVD方法的频域分辨率。如表1所示实验可选低通滤波器系数为0.01－0.04，对比发现截止频率系数为0.03时识别效果最好。

表1 不同的截止频率参数的识别效果

采取不同谐波分量得到识别率如表2所示，从实验结果中得，识别率会随谐波分量数的增加而增加，但达到一定的值时，系统的识别率就不再发生变化，达到最佳的识别效果。

表2 不同谐波分量选取识别效率比较

本文方法与HHT算法的比较如表3所示，可以看到两种方法识别率都比较理想，但HHT识别时间约是HVD方法的50倍，因此本文方法识别时间优势明显，有利于在线识别。

表3 本文方法与HHT之间的比较(60个样本)

4 结束语

本文首次提出了基于HVD的心音信号特征提取方法，与HHT方法相比不要复杂的经验模式分解过程，通过实际的心音身份识别实验证明能达到比较理想的识别效果，具有广阔的应用前景。但本文实验数量较少，今后的重点要放在增加样本数和提高正确识别率上。

［1］ Phua K，Chen JF.Heart Sound As a Biometric［J］.Pattern Recognition，2008，41(3):906 －919.

［2］ Beritelli F，Serrano S.Biometric identification based on frequency analysis of cardiac sounda［J］.IEEE transactions on information forensics and security，2007，2(3):596 －604.

［3］ Beritelli F，Serrano S.Human Identify Verification Based On Mel Frequency Analysis Of Digital Heart Sounds［C］.Santorini-Hellas:Digital Signal Processing，2009 16th International Conference on Digital Object Identifier，2009:1 －5.

［4］ 宋明明，成谢锋，王厚大.Hilbert包络法在心音身份识别中的应用［J］.微机与应用，2010，29(2):79－82.

［5］ 成谢峰，马勇，张少白，等.基于数据融合的三段式心音身份识别技术［J］.仪器仪表报，2010，31(8):1 712－1 719.

［6］ Feldman M.Time—varying vibration decomposition and analysis based on the Hilbert transform［J］.Journal of Sound and Vibration，2006，(5):518 －530.

［7］ Feldman M.Theoretical analysis and comparison of the Hilbert transfom decomposition methods［J］.Mechanical Systems and Signal Processing，2008，22(3):509 －519.