应用状态描述方法(SRM)的心音信号识别

张晓芬，严中洪

(重庆理工大学药学与生物工程学院，重庆 400054)

应用状态描述方法(SRM)的心音信号识别

张晓芬1，严中洪2

(重庆理工大学药学与生物工程学院，重庆 400054)

介绍了一种新的心音信号识别方法——状态描述方法(SRM)，它不仅能有效区分正异常心音，还能对同一个人不同时期的心音状态进行评估。利用SRM分析心音信号，通过传统的方法提取出心音信号的特征值后，构建出SRM模型。实验结果表明:通过该模型可以有效区分不同状态的心音信号。区别于传统心音识别方法，SRM通过尺度的变化能不同程度地显示心音的状态变化，为研究生物信号模式识别提供了一种新的思路。

心音识别;心音状态评估;状态描述方法;生物信号模式识别

心脏听诊是一种对心血管疾病进行辅助诊断的不可或缺手段。研究表明:心音是由心脏的瓣膜和大血管在血流冲击下形成的振动，以及心脏内血流的加速与减速形成的湍流与涡流和对心脏瓣膜、心房、室壁的作用所产生的振动，再加上心肌在周期性的心电活动作用下刚性的迅速增加和减小形成的振动，最后经过心胸传导系统到达体表所形成的体表心音［1］。因此，心音中包含了许多心血管异常的重要信息。

国内外不少的研究人员都曾尝试采用不同的方法进行心音信号的自动识别。郭兴明、陈剑、姚晓帅等［2－3］采用数学形态学进行心音包络的提取与识别研究。他们首先利用数学形态学方法提取心音的包络，然后使用差分法并结合心音的医学知识对其进行自动识别。Zamri Mohd Zin等［4］利用小波变换及人工神经网络(ANN)对心音信号进行处理和识别，研究中采用积分小波变换和离散小波变换对心音信号进行处理并得到心音信号的特征参数。将所得的特征参数作为人工神经网络的输入向量，对多层感知神经网络进行训练和识别。Jiang［5－6］和Ilias Maglogiannis［7］采用SVM法进行心音信号的模式识别。本文提出一种基于SRM的心音识别方法，虽然采用与SVM及ANN相似的原理来描述系统状态，但区别在于SVM及ANN方法的内部计算过程复杂，不可预测，而SRM方法的整个响应过程比较清晰。

1 SRM方法理论

SRM方法是用于状态分析评估的新方法，属于模式识别范畴，由严中红［8］在2010年提出。该方法最早应用于桥梁健康结构监测，并取得了较好的结果。同样，作为信号数据处理的一种，心音信号的模式识别也可以应用SRM方法。为了把SRM方法推广到医学的信号处理方面(例如细胞图像识别、基因分析评估、三高数据评估分析以及病理切片分析等)，有必要对SRM方法的理论基础进行介绍。

世界上任何物质都可以看作一个系统，系统的状态是它自身的内部和外部因素的全响应，本质上由其自身的结构或结构属性和自然环境所决定［9］。SRM方法可以定义和记录一个系统的状态变化，并可以通过一个状态描述方程来表示:

式(1)中:ζ为系统状态变量(在系统没有变化的情况下该值为固定常数);λ和x分别为系统的结构参数和响应特性。其中，ζ用来量化λ与x之间的对偶关系。

与SVM法相似，SRM方法也巧妙地利用了核函数，可以使高维特征向量的处理得到大大简化。核函数的合理运用也是SRM方法的关键问题之一。通常选取核函数的方法有以下几种:

1)利用专家的先验知识预先选定核函数;

2)采用Cross－Validation方法(交叉验证方法)，即在进行核函数选取时，分别试用不同的核函数。归纳误差最小的核函数就是最好的核函数。

3)采用由Smits等人［10］提出的混合核函数方法。该方法相比之前两种方法是目前选取核函数的主流方法，也是关于如何构造核函数的又一开创性的工作。研究结果证明:将多项式和高斯核两种核函数结合起来使用，既具有良好的学习性又具有良好的泛化性［11］。

选择好合适的核函数之后，式(1)即可转换为

其中:hi和x均与系统响应特性有关。本实验中，心音信号的特征矩阵x通过传统的特征提取方法来提取。

2 心音周期分割及特征提取方法

本文中的实验数据部分由3M Littmann公司提供，部分利用3M Littmann公司生产的3200型号的电子听诊器在医院现场采集所得，另外部分则来自西华大学提供的各类心音数据。实验中采用30例正常心音及50例异常心音数据进行分析。

2.1 心音周期分割及S1、S2分段

本文使用多尺度特征波形MS－CW和特征矩波形CMW进行心音分段。实验结果证明:与传统的小波分析方法相比，该算法速度更快，更简单，并具有更好的抗干扰能力。算法基于2个假设:

1)假定心音信号均是周期性信号。实验中不考虑高危病人的心音数据，仅对家庭早期心音监护数据进行研究;

2)假设心音信号的噪声部分为零均值，具有单位方差。

实验证明上述2个假设对心音信号的准确分段具有重要作用［12］。图1为原始信号及利用上述方法得到的心音分段结果。

图1 原始心音分段结果

2.2 心音信号的特征提取

2.2.1 小波分析

本实验对采样频率为2 205 Hz的心音信号进行3层小波分解，母小波选用Daub4小波。根据小波分析理论，原始信号与小波分解后各层小波分解系数的关系如式(2)所示:

取各层小波系数的模的平均值作为心音分析的特征值，则有

其中:aj表示各层小波系数模的平均值;j表示小波分解的层数;dji表示小波系数矩阵中第j层第i个小波系数值;n表示小波系数矩阵的维数。

2.2.2 谱分析

实验中对心音信号进行FFT处理，得到信号的频谱图。图2为某一正常心音与一个异常心音的频谱图。为确保特征值的有效性，实验中选取的特征频段要尽可能宽。本实验提取频率值为1～50，151～250相对应的幅值作为特征值，共150个特征值。

将频谱特征值与小波系数特征值组成一个特征值矩阵，用于后面心音信号的分析识别及心音状态变化的评估。

图2 心音信号的频率幅度谱

3 构建SRM模型

在获得心音信号的特征参数矩阵之后，利用这些特征值进行SRM模型的构建，即可实现心音的自动识别及状态评估。

在系统没有发生变化的情况下，系统的状态方程应等于某一常数，即

式(3)中的m代表特征值个数。本文定义核函数:

其中:尺度σ决定了对同一系统两种不同状态之间差异的敏感程度。尺度越大，对系统差异敏感度降低;反之，尺度越小，对差异的敏感度就越高。尺度σ可根据实际情况自行设定。

定义一个革兰氏－施密特矩阵G:

据式(3)可得

求出式(4)的最小二乘解:

实验中将30例正常心音的特征值构成一个特征矩阵，利用SRM方法得出的心音状态如图3 (a)所示。然后将一类异常心音的特征矩阵代入正常心音的特征矩阵中，计算得到状态图如图3 (b)所示。可以看出两者的状态直方图发生了明显的变化，由此即可对正异常心音进行分类识别。

为了说明SRM方法中尺度对状态描述结果的影响，实验中根据实际情况对尺度σ做了相应的变化。图4所示为尺度改变后正异常心音的状态图，可以看出:尺度σ=8时，可以明显区分两类心音信号;σ=12时，两类信号的部分区域重合，识别度降低。

实验中以二尖瓣狭窄(轻度、中度、重度)以及正常心音为例，对不同尺度下心音状态的评估结果进行了对比研究，结果如表1所示。

图3 信号的状态概率分布图

图4 不同尺度下心音信号的状态直方图

表1 不同尺度下心音状态的评估结果

区别于传统的心音分类方法，SRM还具备另一种特殊的用途:除了可以在相同尺度下区分正异常心音，如图5所示;还可以显示同一个人在不同时期心音状态发生的变化情况，如图6所示。图6(a)表示的是一个正常人3天的心音状态图;图6(b)表示的是一名患者2次测得的心音状态图，其中也包含一条正常心音的状态曲线。根据这些曲线图可以清楚地看出一个人在不同时期的心音状态所发生的变化。

图5 相同尺度下正异常心音的状态曲线

图6 某个人在不同时期的心音状态曲线

4 结束语

在研究传统心音识别算法的基础上，本文提出了一种新的识别方法——SRM方法。区别于传统的心音分类方法，SRM可以在相同尺度下描述正异常心音的状态，从而有效区分正异常心音。同样，可以利用该方法显示同一个人在不同时期心音状态发生的变化。通过改变尺度的大小可以改变对正异常心音的识别度，故可根据实际情况调节尺度。实际生活中，考虑到各类事物都可看作一个系统，因此本文方法可应用到很多领域。

［1］吴延军，徐泾平，赵艳.心音的产生于传导机制［J］.生物医学工程学杂志，1996，13(3):280－288.

［2］郭兴明，陈剑，肖守中.基于数学形态学的心音信号识别方法［J］.生物医学工程学杂志，2004，21(5):832－835.

［3］姚晓帅，郭兴明，陈剑，等.基于数学形态学的心音包络提取与识别方法研究［J］.北京生物工程，2004，23 (3):201－204.

［4］Zamri Mohd Zin，Sheikh Hussain－Salleh，M Daud Sulaiman.Wavelet Analysis and Classification of Mitral Regurgitation and Normal Heart Sounds Based on Artificial Neural Networks［Z］.IEEE.2003.

［5］Zhongwei Jiang，S Choi.A Cardiac Sound Characteristic Waveform Method for In－Home Heart Disorder Monitoring with Electric Stethoscope［J］.Expert Systems with Applications，2006，31(2):286－298.

［6］Zhongwei Jiang，Haibin Wang，S Choi.A New Approach on Heart Murmurs Classification with SVM Technique［J］.Information Technology Convergence，2007(23/ 24):240－244.

［7］Ilias Maglogiannis，Euripidis Loukis.Support Vectors Machine－Based Identification of Heart Valve Diseases Using Heart Sounds［J］.Computer Methods and Programs in Biomedicine，2009，95:47－61.

［8］Yan Z H，Miyamoto A.SRM and Experimental Study on Bridge Condition Assessment Method［Z］.Lifetime Engineering of Civil Infrastructure 3，A.Miyamoto，S.Hamada and S.H.Lee(Ed.)，Research Center for Environmental Safety(RCES)，Yamaguchi University，Ube，Aug.2008: 267－282.

［9］Ayaho Miyamoto.StateRepresentationMethodology (SRM)for Bridge Condition Assessment in SHM［J］.First Middle East Conference on Smart Monitoring，Assessment and Rehabilitation of Civil Structures，2011:31－43.

［10］Smits，Guido F.Improved SVM regression using mixtures of kernels［C］//IJCNN’02，Neural Networks:［s.n.］，2002(3):2785－2790.

［11］Nigam V，Priemer R.Simplicity based gating of heart sounds，circuits and systems［J］.48th Midwest Symposium，2005(2):1298－1301.

［12］Zhonghong Yan，Zhongwei Jiang，Ayaho Miyamoto，et al.The Moment Segmentation Analysis of Heart Sound Pattern［J］.Computer Methods and Programs in Biomedicine，2010，98(2):140－150.

(责任编辑 杨黎丽)

SRM Analysis of Heart Sound Signal Patterns

ZHANG Xiao－fen1，YAN Zhong－hong2
(College of Pharmacy＆Bioengineering，
Chongqing University of Technology，Chongqing 400054，China)

In this paper，a new method was introduced for recognition of heart sound signal—state representation methodology(SRM).By using this method，not only the abnormal heart sounds could be distinguished effectively，the state of heart sound of the same person at different times could also be evaluated.Characteristic values of heart sound signals were extracted by the traditional method，and then to build a model of the SRM.Results showed that different state of heart sound signals can distinguished effectively between through this model.SRM，different from traditional recognition method of heart sound，could show the change of state of heart sound through the change of the scale，and it also provided a new tool to study biomedical signal pattern.

recognition of heart sound;heart sound state assessment;state representation methodology;biomedical signal pattern recognition

R857.3

A

1674－8425(2014)03－0110－06

10.3969/j.issn.1674－8425(z).2014.03.020

2013－10－08

重庆市教委科学技术研究项目(KJ120807)

张晓芬(1989—)，湖北荆州人，硕士研究生，主要从事计算机医学图像与信号处理方面的研究。

张晓芬，严中洪.应用状态描述方法(SRM)的心音信号识别［J］.重庆理工大学学报:自然科学版，2014 (3):110－115.

format:ZHANG Xiao－fen，YAN Zhong－hong.SRM Analysis of Heart Sound Signal Patterns［J］.Journal of Chongqing University of Technology:Natural Science，2014(3):110－115.