基于小波变换的呼吸音降噪新方法研究

秦国瑾，吴昭萍，王馨平，房　玉，王海滨，甘凤萍

（1.西华大学 电气与电子信息学院，四川 成都　610039；2.解放军第452医院 呼吸内科，四川 成都　610021）



基于小波变换的呼吸音降噪新方法研究

秦国瑾1，吴昭萍2，王馨平2，房玉1，王海滨1，甘凤萍1

（1.西华大学 电气与电子信息学院，四川 成都610039；2.解放军第452医院 呼吸内科，四川 成都610021）

摘要：为了对临床采集的含噪声呼吸音信号进行降噪，探讨了基于小波多分辨率分解和重构的两种方法：基于小波的自适应阈值（AWT）降噪方法和基于平稳⁃非平稳滤波技术（ST⁃NST）降噪方法。AWT将呼吸音作为噪声先行去除，通过参数调解，对采集信号每一层高频小波系数自适应的进行阈值量化；ST⁃NST通过平稳⁃非平稳滤波技术将呼吸音和心音分离到两个空间，分别通过重构两个空间的小波系数，重构出呼吸音。通过对标准信号及对临床采集呼吸音提取实验，ST⁃NST对正常人支气管呼吸音降噪、AWT对哮喘病人哮鸣音降噪分别都有很好的效果。以上两种方法，具有较强的实用价值，可以得到高信噪比的呼吸音信号，为后续呼吸音特征提取和分类提供了基础。

关键词：呼吸音；心音；小波自适应阈值；平稳⁃非平稳滤波技术；降噪

0　引言

随着大气污染加剧，空气受到严重污染，环境问题越来越成为大众关心的话题。随之而来的呼吸系统疾病，更是民众关心的热点。呼吸音即肺音，呼吸音是人体呼吸系统与外界在换气过程中产生的生理声信号，它蕴含着呼吸系统的生理学、病理学信息。呼吸音信号所蕴含的信息在一定程度上为医生临床诊断提供了帮助[1]。近十几年来，很多学者应用现代信号处理方法，对呼吸音信号进行处理和分析，取得了很大的进展。其中呼吸音降噪一直是学者关注的热门课题。呼吸音信号中，最大的干扰源为心音信号，由于呼吸音的频率为100~ 1 000 Hz，心音信号的频率[2]为5~600 Hz，通常利用通带为100~1 000 Hz的带通滤波器去除心音信号，虽然在一定程度上可以去除心音干扰，但是在两种声音频率重叠部分，心音信号仍然有很大的干扰。自适应干扰消除法虽然能在一定程度上提高降噪效果，但是需要同时采集心电信号作为参考信号[3]。本文针对呼吸音信号的特点，提出了两种基于小波多分辨率分解和重构的呼吸音降噪方法：一种是基于小波的自适应阈值降噪方法；另一种是基于平稳⁃非平稳滤波技术的降噪方法。两种方法降噪，均不需要采集心电信号作为参考信号，在一定程度上还能实现心肺音分离。为后续呼吸音信号特征提取和分类提供基础。

1　呼吸音信号采集

1.1呼吸音

呼吸音分为正常呼吸音和异常呼吸音，正常呼吸音有支气管呼吸音、支气管肺泡呼吸音、肺泡呼吸音；异常呼吸音主要有干啰音和湿罗音[4⁃6]。其中哮鸣音就是属于干啰音的一种。

肺音源由三种噪声序列组成：非高斯白噪声是正常呼吸音的肺音源；间歇性随机脉冲是啰音的肺音源；周期性脉冲是产生哮鸣音的肺音源[4，7]。肺音源是由这三种音源中的一种或者两种或者三种叠加，通过胸腔形成的胸肺系统，并在不同环节叠加心音，肌肉噪声，皮肤噪声等干扰信号而形成的信号，如图1所示。

图1　呼吸音信号肺胸系统模型

1.2呼吸音采集的装置

数字听诊装置是由本研究室和日本山口大学机电一体化研究室共同研制，该呼吸音采集部分由听诊头（Littman，ClassicIISE）、耳机及IC录音机（Olympis，Voice⁃Trek V⁃51）组成，可以边听诊边录音。其中录音机的采样频率为44.1 kHz。

在医生的指导下，正常人选择环状软骨下三角区[8]进行采集；临床病人，为了能够快速寻找病人肺部病变位置，选择肺部7个部位同时进行采集，以采集到病变部位呼吸音，采集部位如图2所示。

图2　呼吸音采集部位图

采集呼吸音时，保持测试环境安静，要求测试者平躺或者坐立，保持均匀呼吸，测试时间为10 s。

从采集到的实际信号分析，最主要的干扰来源为心音信号。

2　小波阈值降噪基本原理和方法

2.1小波降噪的基本原理

小波降噪是目前对信号进行降噪的一个非常重要的方法之一。

一个含有噪声的信号模型如下：

式中：s(n)是含有噪声的信号；f(n)为有用信号；e(n)为噪声；n为等间隔的时间；σ为噪声水平。

小波降噪包括三个基本的步骤：首先对信号进行小波多分辨率分解；然后选定阈值对各层小波系数进行阈值处理；最后对信号进行小波多分辨率重构。

2.2呼吸音信号的小波降噪方法

基于呼吸音特点，本文提出一种基于小波的自适应阈值降噪方法。该方法提出了一种新的局部自适应阈值，其阈值定义如式（2）所示：

实际采集到的呼吸音信号，最主要的干扰源为心音，结合呼吸音音源是噪声序列的特点，本文提出，首先将呼吸音作为噪声，进行小波自适应阈值降噪，得到比较纯净的心音信号；然后利用采集到的呼吸音信号减去得到的比较纯净的心音信号，最终得到相对纯净的呼吸音信号。呼吸音信号小波自适应阈值降噪原理图，如图3所示。

图3　小波自适应阈值降噪原理图

2.3平稳⁃非平稳滤波技术

心音和呼吸音信号都属于非平稳信号[9]，但是对于心音信号，呼吸音信号是相对平稳的信号。所以提出了基于小波多分辨率分解和重构的[10⁃11]平稳⁃非平稳滤波技术[12⁃13]降噪算法。将呼吸音信号和心音信号分离到两个子空间，分别进行重构，得到呼吸音信号。

将心音和呼吸音通过小波多分辨率分解，把采集到的信号分解到两个子空间上。呼吸音信号经小波变换后的幅值随尺度的增大而快速减小，而心音信号却呈现出截然不同的变化。首先对呼吸音信号进行m尺度分解（m=log N，N为信号长度）。根据每一个空间的小波系数，设定一个硬阈值Tk,j=σk,j⋅Fadj（σk,j为该空间小波系数的标准偏差，Fadj为调整参数），将小波系数与阈值做比较，小波系数>Tk,j存入到心音空间R，小波系数

图4　平稳⁃非平稳滤波原理图

3　呼吸音降噪实验分析

3.1方法讨论

为了验证小波的自适应阈值降噪和平稳⁃非平稳滤波技术降噪的降噪效果，本文用信噪比（Signal Noise Ratio，SNR）和均方根误差（Root Mean Square Error，RMSE）两个指标评价两种算法的有效性[14]。同时对两种算法以及带通滤波器的降噪效果进行对比。

信号的SNR参数越大，表明降噪后的信号越接近于原始信号，即降噪效果越好：

信号的RMSE越小，表明降噪信号的偏差越小，也就是降噪后的信号越接近原始信号，表明降噪效果越好：

在式（4），式（5）中 f(i)为原始信号；s(i)为降噪后信号。

3.2标准数据库呼吸音降噪讨论

本文的标准心音和呼吸音均来自美国3M Litt⁃mann Stethoscopes数据库。因为实际采集到的呼吸音中，最主要的干扰来源是心音，心音属于加性噪声，所以分别将心音与一个周期的支气管呼吸音、哮鸣音叠加，产生混合有心音的呼吸音信号，信号的采样频率为4 kHz。对呼吸音信号进行小波自适应阈值降噪处理、平稳⁃非平稳滤波技术降噪处理、通带为100~1 000 Hz的带通滤波器处理。

在多次参数试验中，两种呼吸音分别应用两种提取方法，调节thresh或Fadj后，信号的SNR和RMSE如图5，图6所示。

图5　支气管呼吸音两种方法降噪的讨论

通过多次试验，以SNR为标准，AWT阈值thresh和ST⁃NST调整参数Fadj的选取如表1所示。

表1　参数值表

此外，从图5可以看出，在支气管呼吸音的降噪中，ST⁃NST的SNR更大、RMSE更小，ST⁃NST更适合支气管呼吸音提取；从图6可以看出，在哮鸣音的降噪中，AWT 的SNR更大、RMSE更小，AWT更适合哮鸣音提取。

三种方法提取标准的支气管呼吸音和哮鸣音的结果，如图7，图8所示。不同呼吸音在三种方法下的信噪比和均方误差如表2所示。

从表2，图7，图8得出，虽然带通滤波器相对有效地去除了部分心音信号干扰，但是仍存在较大心音干扰，且两种呼吸音去噪的SNR均为负，表明去噪后的信号中仍存在较大的噪声，且RMSE也大于AWT和ST⁃NST。

图6　哮鸣音两种方法降噪的讨论

图7　支气管呼吸音降噪

图8　哮鸣音降噪

表2　不同呼吸音在三种方法下的信噪比和均方误差

3.3实测呼吸音降噪

本文应用AWT，ST⁃NST和通带为100~1 000 Hz的带通滤波器分别对实测正常人呼吸音、实测哮喘病人呼吸音进行降噪。实验中对采集到的信号进行多次分频，使得信号的采样频率为4 008 Hz，时间为10 s。AWT，ST⁃NST在进行降噪前，先用通带为5~1 000 Hz的滤波器去除低频和高频的其他噪声，使得信号中大部分只包含呼吸音和心音信号。正常人呼吸音降噪如图9所示，其呼吸音来自西华大学生物医学研究室同学的环状软骨下三角区。哮喘病人呼吸音降噪如图10所示，其呼吸音来自解放军第452医院发作期哮喘患者的环状软骨下三角区。从图中可以看出，AWT和ST⁃NST对实际信号降噪优于带通滤波器；AWT和ST⁃NST降噪中，对比降噪前后的波形，不难发现，呼吸音信号降噪后的波形明显比降噪前清晰，呼吸周期更加明显，呼、吸气相转换点清晰，便于后续研究中的特征提取和分析。

图9　正常人支气管呼吸音提取

图10　哮喘病人哮鸣音提取

4　结　语

本文针对传统的带通滤波器降噪效果不理想以及自适应干扰消除法需要采集心电信号作为参考信号的不足，本文提出了小波自适应阈值降噪方法和平稳⁃非平稳滤波降噪方法。为了能够快速寻找病人肺部病变位置，提出对肺部7个位置的呼吸音进行同时采集。在小波自适应阈值降噪方法中，提出将呼吸音看做噪声先行去除的思想，在实际降噪过程中，不难发现降噪效果明显优于传统的降噪方法；其次，在对呼吸音降噪方法中，针对不同音源的呼吸音信号采用不同的方法降噪，正常人呼吸音降噪采用ST⁃NST，哮喘病人哮鸣音降噪采用AWT；最后，两种算法都能实现一定程度的心音肺音分离，为后续呼吸音特征提取分类和心肺音结合研究提供了一定基础。

参考文献

[1]徐泾平，陈启敏，闵一健，等.肺音信号的同态处理[J].信号处理，1993（4）：199⁃204.

[2]姚小静，王洪，李燕，等.肺音信号分析及其识别方法的研究进展[J].重庆理工大学学报（自然科学版），2013（12）：95⁃100.

[3]吕扬生，刘文晖，秦光侠.肺音信号中心音干扰的自适应消除[J].中国医疗器械杂志，1990（3）：129⁃131.

[4]周冬生.肺音信号的特征提取与模式识别[D].济南：山东大学，2005.

[5]牛海军，万明习，王素品，等.不同种类肺音信号的双谱分析[J].仪器仪表学报，2001（5）：486⁃490.

[6]陆燕芳，罗晓松，何巧，等.肺音研究动态[J].电声技术，1988 （5）：24⁃30.

[7]牛海军，万明习，王素品，等.基于高阶累计量的肺音信号AR模型参数和双谱估计[J].生物物理学报，2000（4）：741⁃747.

[8]辛晓峰，殷凯生，黄小平.肺音录取和频谱分析系统的建立及其应用[J].中国生物医学工程学报，2000（2）：236⁃239.

[9]刘毅，张彩明，赵玉华，等.基于多尺度小波包分析的肺音特征提取与分类[J].计算机学报，2006（5）：769⁃777.

[10]HADJILEONTIADIS L J，PANAS S M.Nonlinear separation of crackles and squawks from vesicular sounds using third⁃or⁃der statistics[C]//Proceedings of the 18th IEEE Annual Inter⁃national Conference on Engineering in Medicine and Biology Society.Amsterdam：IEEE，1996，5：2217⁃2219.

[11]COHEN A，KOVACEVIC J.Wavelets：the mathematical back⁃ground[J].Proceedings of the IEEE，1996，84（4）：514⁃522.

[12]王辉，姚林朋，黄成军，等.平稳⁃非平稳滤波技术在局部放电信号处理中的应用[J].高电压技术，2010（10）：2467⁃2472.

[13]RANTA R，HEINRICH C，LOUIS⁃DORR V，et al.Wavelet⁃based bowel sounds denoising，segmentation and characteriza⁃tion[C]//Proceedings of the 23rd IEEE Annual International Conference on Engineering in Medicine and Biology Society. [S.l.]：IEEE，2001，2：1903⁃1906.

[14]王燕，王海滨，刘立汉.基于小波变换的心音信号降噪方法[J].信息与电子工程，2010（3）：303⁃307.

吴昭萍（1966—），女，四川雅安人，主治医师。主要研究方向为呼吸系统严重感染及危重。

王馨平（1982—），女，甘肃兰州人，硕士研究生，主治医师。主要研究方向为阻塞性睡眠呼吸暂停综合症。

中图分类号：TN911.72⁃34

文献标识码：A

文章编号：1004⁃373X（2016）03⁃0018⁃05

doi：10.16652/j.issn.1004⁃373x.2016.03.005

收稿日期：2015⁃07⁃16

基金项目：国家自然基金（61571371）；四川省重点实验室开放研究基金资助项目（szjj2013⁃014）；四川省科技创新苗子工程（2015100）；四川省科技创新苗子工程（2015084）；西华大学研究生创新基金项目（ycjj2015215，ycjj2015099）

作者简介：秦国瑾（1990—），女，四川成都人，在读研究生。主要研究方向为生物医学信息处理。

Research on wavelet transform based new denoising methods for respiratory sound

QIN Guojin1，WU Zhaoping2，WANG Xinping2，FANG Yu1，WANG Haibin1，GAN Fengping1
（1.College of Electrical Engineering and Electronic Information，Xihua University，Chengdu 610039，China；2.Medicine of Respiration，The No.452 Hospital of PLA，Chengdu 610021，China）

Abstract：To denoise the noise⁃involved respiratory sound signal，which is collected from the clinic，two denoising methods based on the wavelet multi⁃resolution decomposition and reconstruction are discussed，one is based on the adaptive wavelet threshold（AWT），and another is based on the stationary⁃non⁃stationary filtering technology.The respiratory sound as the noise is eliminated with the former method，and then the threshold quantization for the high⁃frequency wavelet coefficient of each layer of the acquisition signal is conducted by parameter mediation.The respiratory sound and heart sound are separated into two spaces by the stationary⁃non⁃stationary filtering technology，and then the respiratory sound is reconstructed by reconstructing the wavelet coefficients of the two spaces.The extraction experiments of standard signals and respiratory sound collected from the clinic were conducted.The experiment results show that the method based on the stationary⁃non⁃stationary filtering technology has good effect on bronchial respiratory sound denoising for the normal patients，and the method based on AWT has good effect on wheezing de⁃noising for the asthma patients.The two methods have strong practical value，and can obtain high SNR respiratory sound signal，which provides the foundation for subsequent feature extraction and classification of the respiratory sound.

Keywords：respiratory sound；heart sound；AWT；stationary⁃non⁃stationary filtering technology；denoising