基于RLS-ANC算法的心音去噪实验研究

陈茜茹，钟清华，张 涵，李志为

基于RLS-ANC算法的心音去噪实验研究

陈茜茹1,2，钟清华1，张 涵1,2，李志为1

（1. 华南师范大学 物理与电信工程学院，广东 广州 510631；2. 广东省心脑血管个体化医疗大数据工程技术研发中心，广东 广州 510631）

提出一种基于自适应对消应用递归最小二乘（RLS-ANC）算法定位构建心音信号的方法。下位机采用专用医学听头采集心脏胸壁声信号，以嵌入式处理器STM32F103为核心构成心音信号采集实验系统，将采集的心脏胸壁声信号通过串口传递给计算机，在Matlab软件平台上，编程实现心音信号去噪处理。实验结果表明，该算法能有效消除噪声和保留心音信号的特征，且运行速度快，具有一定的实用价值。

心脏听诊；心音去噪；递归最小二乘

1 心音概述

心音包含心脏心房、心室、心血管及各个瓣膜状态的大量有用信息，是反映心脏生理和病理特性的重要指标[1]。心音听诊是临床上诊断心脑血管疾病的主要手段之一。传统听诊结果容易受人耳听力敏感局限和听诊者主观经验的影响[2-3]。再有，在远程医疗和家庭监护系统中，为了帮助医生得到更好的听诊结果，数字化的电子听诊和计算机辅助分析已经是一个不可避免的趋势[4]。电子听诊器能够更加精细地测量胸壁声音信号，使得声音信号更加清楚，但检测到的胸壁声音一般为心音、肺音、胸组织声音、环境声音和测量噪声的混合声音。心音信号的频率主要集中在20~150 Hz，肺音信号的频谱范围很宽，为20~2000 Hz，但能量主要集中在200 Hz以下。心音信号和肺音信号在频谱上的重叠而导致的相互干扰是听诊过程中首要的技术难题[5]。所以，必须通过计算机辅助分析将采集来的心脏胸壁声信号去除肺音信号及其他噪声，提取出心音信号，再传送给心脏专科医生或医院的监护中心。如何准确定位和提取心音信号对提高心血管疾病医学诊断的准确度有着十分重要的意义。

近年来，国内外学者对心音去噪问题展开了许多研究，如采用自适应滤波算法[6-7]、小波变换[8-10]、盲源分离技术[11-12]、基于经验模态分解的自适应分析算法[13-14]、非线性Kernel函数[15]、有效熵界[16]等。以上各种算法在不同程度上提取了心音信号，降低了噪声，但目前并没有找到最佳的算法。本文尝试采用自适应噪声对消结构（adaptive noise cancelling，ANC）应用递归最小二乘法（recursive least square，RLS）定位心音信号，并对信号采集实验系统进行了研究。

2 心肺音分离算法相关技术

2.1 RLS算法

基于横向滤波器RLS自适应滤波算法原理如下：

2.2 自适应噪声对消器

自适应噪声对消（adaptive noise cancelling，ANC）方案由Widrow等人提出，并成功地将它应用于许多场合，例如消除心电图中的工频干扰、消除母亲心电图对胎儿心电图的干扰，消除声音信号的干扰等。

图1 自适应噪声对消器（ANC）结构

在图1的系统中，采用一个自适应滤波器处理参考输入信号。该信号滤波器通过一种特别受与其输出有关的误差信号所控制的最小均方算法，比如RLS算法，自动地调节自身的冲击响应。所以，采用恰当的算法，滤波器可以在传输通道变化的条件下进行工作，并可以不断地调节自身，使误差信号最小。

3 基于RLS-ANC的心音去噪算法

3.1 算法过程

心音去噪算法主要分为如下3个步骤：

（1）滤除杂音。在Matlab平台上，首先将从胸壁采集的原始信号通过一个20~300 Hz的带通滤波器滤除多余的杂音，以此信号作为算法的输入信号。此输入信号主要是心音和肺音的混合声音。

（2）定位心音信号。心音与肺音信号相比，肺音信号可以认为是一个比较平坦的稳定信号，而心音信号则可以认为是短时间内的一个突变。采用RLS-ANC自适应滤波定位心音，当输入信号发生突变时，自适应滤波器的权值也会发生突变，在RLS自适应滤波算法的循环过程中检测相邻两次滤波器权值的变化量，若变化量大于设定阈值Th，则判定输入信号在当前时刻发生突变。应用这个原理可以检测出心音产生的位置，定位心音段的起始点和结束点。

（3）构建心音信号。在第（1）步滤波后的信号中，按照第（2）步心音段的起始点和结束点保留信号，而心音的段与段之间信号置零。

3.2 定位心音信号

图2 定位心音算法流程图

定位心音的过程主要分为2步：第一，找出初始边界点；第二，确定最终边界点。因为只包含少数采样信号的心音段并不能提供有效信息，所以记1024个采样点为最小分段长度min，将相邻两个初始边界点之间的距离与min做比较，确定最终的心音边界点。算法具体过程如下：

（3）分段计算阈值。每隔2500个采样点以()标准差的3倍为阈值。

4 硬件平台

心音信号采集实验系统的硬件结构如图3所示。心音信号传感器自制：将专业听诊器的胶管截去，留下约10 cm左右，把微型驻极体电容传声器塞进断口，用热熔胶封好，引出信号线。由于采用专用听诊器的听头，这种传感器的收音效果更好，同时微型驻极体电容传声器封装在胶管中，因此对声音的灵敏度更高，抗干扰能力更强。传感器采集来的心脏胸壁声信号十分微弱，并且包含一定强度的噪声，必须要经过放大、滤波等处理。信号调理电路由NE5532构成的放大电路和MAX297构成截止频率为300 Hz的低通滤波器组成。调理后的信号直接送给嵌入式处理器STM32F103的12位ADC进行数据采集转换。最后，数字化的心脏胸壁信号通过串口送往计算机处理。

图3 心音信号采集实验系统

5 实验结果分析

本实验的心脏胸壁声信号由自主设计的心音采集系统采集，选取20~25周岁的30名健康成人（15名男性，15名女性）。信号在人体左胸第三肋骨和第四根肋骨中的空隙处采集得到，采样率为10 240 Hz。要求测试者均匀呼吸，测试环境安静无声。

基于RLS-ANC的心音去噪算法在Matlab中仿真实现的结果如图4所示（为相对强度）。可以看出该算法能够基本去除肺音、胸组织声音等噪声，构建后的心音信号能够保留心音信号的特征，受呼吸率的影响较小。

图4 通过RLS-ANC算法构建的心音信号

6 结语

在心脏听诊过程中，由于胸组织声音、环境和测量噪声的影响，以及心音和肺音信号在频谱上相互重叠等问题导致医生无法及时做出准确的判断。因此采用有效手段准确定位和提取心音信号对提高心血管疾病医学诊断的准确度有着十分重要的意义。本文设计实现了基于嵌入式处理器STM32F103为核心的心音信号采集实验系统，并研究基于RLS-ANC的心音去噪算法，获得较好的效果。在今后的研究中，需要考虑人体病变对心音信号的影响，并采用相应的措施，提高心音去噪的准确度。

[1] 徐泾平，程敬之，吴延军.人体声信号的检测和应用[J].应用声学，1998, 17(1): 38–42.

[2] 黄梅，刘洪英，皮喜田，等.计算机辅助诊断的新型电子听诊器系统[J].中国医疗器械杂志，2017, 41(3): 161–165.

[3] 武丽，李翔.新型多功能电子听诊器的结构及工作原理[J].西南科技大学学报，2003, 18(1): 35–38.

[4] CHIEN J C, HUANG M C, LIN Y D, et al. A study of heart sound and lung sound separation by independence component analysis technique[C]//Proceedings of the 28th IEEE EMBS Annual International Conference. New York City, 2006: 5708– 5711.

[5] GHADERI F, MOHSENI H R, SANEI S. Localizing heart sounds in respiratory signals using singular spectrum analysis[J].IEEE Trans Biomed Eng, 2011, 58(12): 3360–3367.

[6] NERSISSON R, NOEL M M. Hybrid nelder-mead search based optimal least mean square algorithms for heart and lung sound separation[J]. Engineering Science and Technology, 2017, 20(3): 1054–1065.

[7] FLORES-TAPIA D, MOUSSAVI Z M K, THOMAS G. Heart sound cancellation based on multiscale products and linear prediction[J]. IEEE Trans. Biomed Eng, 2007, 54(2): 234–243.

[8] HOSSAIN I, MOUSSAVI Z. An overview of heart-noise reduction of lung sound using wavelet transform based filter[C]// Proceedings of the 25th Annual International Conference of the IEEE EMBS. Mexico, 2003: 458–461.

[9] 余辉，姜博畅，刘雁飞，等.基于小波收缩的心音降噪最优化分析[J].电子测量与仪器学报，2017, 31(3): 383–388.

[10] 高清河，刚晶，王和禹.基于平稳小波变换心音信号阈值去噪的对比分析[J].计算机与数字工程，2015, 43(6): 957–959.

[11] SHAH G, KOCH P, PAPADIAS C B. On the blind recovery of cardiac and respiratory sounds[J]. IEEE Journal of Biomedical and Health Informatics, 2015, 19(1): 151–157.

[12] 郭鹿鸣.基于盲源分离的心肺音信号分离方法研究与应用[D].广州：广东工业大学，2016.

[13] LIN C S, TANUMIHARDJA W A, SHIH H. Lung-heart sound separation using noise assisted multivariate empirical mode decomposition[C]//International Symposium on Intelligent Signal Processing and Communications Systems. IEEE, 2013: 726–730.

[14] 雍希.基于EMD及SVD的心音信号提取方法研究[D].重庆：重庆大学，2016.

[15] MONDAL A, SAXENA I, TANG H, et al. A noise reduction technique based on nonlinear kernel function for heart sound analysis[J]. IEEE Journal of Biomedical and Health Informatics, 2018, 22(3): 775–784.

[16] YUCEL O I, SHAMSI H. Heart sound localization in respiratory sound based on a new computationally efficient entropy bound[J]. IEEE Journal of Biomedical and Health Informatics, 2017, 21(1): 105–117.

Study on experiment of heart sound denoising based on RLS-ANC algorithm

CHEN Qianru1,2, ZHONG Qinghua1, ZHANG Han1,2, LI Zhiwei1

(1. School of Physics and Telecommunications Engineering, South China Normal University, Guangzhou 510631, China; 2. Guangdong Provincial Engineering Technology Research Center for Big Data of Cardiovascular Individual Medical Treatment, Guangzhou 510631, China)

A method of constructing heart sound signal based on adaptive cancellation structure by using the recursive least squares (RLS-ANC) algorithm is proposed. The lower computer uses the special medical hearing head to collect the heart chest wall sound signal, and the embedded processor STM32F103 as the core constitutes the heart sound signal acquisition experimental system. The collected heart chest wall sound signal is transmitted to the computer through the serial port. On the platform of Matlab software, the heart sound signal denoising process is realized by programming. The experimental results show that the algorithm can effectively eliminate noise and retain the characteristics of heart sound signal, and it runs fast, so it has certain practical value.

cardiac auscultation; heart sound denoising; recursive least squares

R318.04

A

1002-4956(2019)12-0062-04

10.16791/j.cnki.sjg.2019.12.015

2019-04-16

国家自然科学基金项目（61471176）；广州市珠江科技新星专项（201610010199）；广东省自然科学基金项目（2014A030310483）

陈茜茹（1984—），女，陕西渭南，硕士，讲师，研究方向为智能仪器设计。E-mail:vickychenqian@163.com