基于自適應子帶譜熵和短時平均幅度的心音端點檢測?

吳云飛 李海霞

（宿遷學院信息工程學院 宿遷 223800）

1 引言

心音是心臟節律的外在表現，醫學上可以通過監聽心音實現對心臟健康狀況的分析。每一心動周期可產生四個心音，在正常情況下，心音一般只包含第一心音（S1）和第二心音（S2），除S1、S2之外的心音稱為額外心音；而當心瓣膜發生病變時，瓣膜會出現異常的振動及血流的改變，從而產生異常的心音，稱心雜音。心雜音可與正常心音分開或相連續，亦可完全覆蓋正常心音，因此在心臟病診斷中占有極其重要的地位［1］。

端點檢測技術常用于語音信號的分析與識別，噪聲環境下的語音端點檢測一直是音頻信號分析的熱點［2］。由于心音信號中心雜音成分的存在，使用濾噪或高門限的端點檢測會導致游離于心音外的雜音被當作噪聲忽視，而使用低門限的端點檢測則會增加誤檢率。

魯遠耀等提出了利用小波閾值去噪實現強噪下的端點檢測技術［3］，但去噪的同時會造成心雜音成分的丟失，不適用于心音領域。路青起等提出了雙門限的方法［4］對聲紋進行分級，但過于依賴門限的手動設置，同一門限標準難以適用在不同類別的心音中。徐大為等利用有限狀態自動機［5］，避免了單一端點檢測算法的缺陷，但心音和心雜音往往連續出現，算法要求對心音的狀態設定相對復雜。

綜上，目前的端點檢測技術，已經不能適用于需要利用心雜音進行診斷的情況。因此，本文提出了一種能夠有效區分心音和心雜音的心音信號的端點檢測方法。

2 端點檢測

在端點檢測算法中，頻域參數的抗噪性一般優于時域參數，但當噪聲與語音信號具有類似的變換域特征時會使方法失效。有效的端點檢測算法必須具有判決準則能自適應不同的語音信號、在噪聲情況下對端點判決的正確率高等特點［6］。所以本文結合頻域的自適應子帶譜熵算法和時域下的短時平均幅度算法。在頻域設置具備自適應性的高門限判決條件，在時域設置固定的低門限判決，實現對心音成分和獨立于心音外的心雜音成分的檢測。

2.1 自適應子帶譜熵

信息熵是為解決對信息的量化度量問題而提出的參數，Jia-lin Shen等提出了基于譜熵的端點檢測算法，并表明譜熵算法的性能明顯優于短時能量等時域方法［7］。

下式是信號經過分幀及傅里葉變換后的譜熵計算公式：

其中N是幀長，Pk為頻域分量k的概率密度。

譜熵只依賴于功率譜能量的變化，而不依賴譜的能量，具有一定的魯棒性。但在信號存在噪聲或雜音的情況下，譜熵算法在單個功率點上的幅度易受到噪聲影響而導致端點檢測的性能明顯下降。因此，Bing-Fei Wu［8］等提出的自適應子帶譜熵算法，把一幀分成若干個子帶，利用歸一化最小帶能量參數（NMinBE）［9］自適應的選擇子帶，確定頻帶的數量。

E（l，m）是第m幀的第l子帶的功率譜能量，則歸一化最小帶能量為

則最終的自適應子帶譜熵公式如下：

其中的W(m，l)是m及（m±1）三幀的方差，在公式中做加權因子，但在實際應用中，加權后的性能并不優于加權前，故在本文中將W(m，l)設為1。

2.2 短時平均幅值

在心音中，病理性的雜音是心音分析中的重要部分，需要選取合適的處理方法，對除心音外的心雜音成分進行標記。

短時平均幅值在背景噪聲增加或者變化的情況下，它的漏檢和誤檢率會比較高［10］，而其對幅度的閾值難以設定，自適應性較差［11］，在低信噪比的情況下不能有效地進行語音端點檢測。但本文利用短時平均幅值，對其設定一個較低門限閾值，使其能夠對所有心音有效成分的檢測，降低了其可能出現的漏檢率，且檢測方法簡單，容易實現。

平均幅值M計算公式如下，其中n是幀長。

3 算法實現

由于心音信號幅值小，變化多，在對心音信號進行分析前，需進行預處理。首先使用歸一化來歸納統一樣本，使其幅值在（-1，1）之間，保證設定閾值的可靠性。再通過預加重來提升信號的高頻部分，使信號的頻譜變得平滑，保持在低頻到高頻的整個頻帶中，能用同樣的信噪比求頻譜［12］。最后利用海明窗對信號分幀，改善截斷導致的頻率泄露。

圖1和圖2分別是對一例正常心音的未加重和加重的情況下譜熵（SE）和子帶譜熵（ABSE）曲線。

對比圖1（b）和圖2（b）可以看出加重處理后SE的性能得到了明顯改善，基本實現了端點檢測的功能，證明了加重處理的必要性。

圖1 未加重正常心音的SE與ABSE曲線

圖2（b）中加重后的SE性能與圖1（c）中未經加重處理后求得的ABSE近似。而在圖2（c）中曲線平滑，端點明確，證明了經加重的ABSE使端點檢測性能達到最優。

圖2 加重正常心音的SE與ABSE曲線

圖3和圖4為一例主動脈關閉不全的異常心音未加重和加重的情況下的SE和ABSE曲線。

由圖3（a）可以看出，在主動脈關閉不全的心音信號中存在大量心雜音，心音成分S1、S2近乎淹沒在雜音中，但仍然存在。

圖3 未加重異常心音的SE與ABSE曲線

圖4 加重異常心音的SE與ABSE曲線

對比圖2（b）和圖4（b），可以看出，SE在心雜音的情況下即使經過加重仍然失效，證明了SE難以適用于復雜的心音端點檢測。

對比圖 4（c）與圖 3（b）、圖3（c）、圖 4（b），未經加重處理SE與ABSE以及加重處理后的SE均失效；而加重處理后ABSE曲線較為準確地反應了信號的音區，其閾值線也較好地將心音成分和其他雜音分隔，表現了算法的抗噪性和自適應性，能夠用于較為復雜的異常心音的端點檢測。

圖5（a）是一例二尖瓣狹窄類型的心音，圖5（b）是對其進行自適應子帶譜熵的端點檢測，圖5（c）是對其進行短時平均幅度的端點檢測。當利用短時平均幅度檢測到的有效音覆蓋ABSE的有效音，且端點距離較近時，將其視為心音，其余部分視為心雜音。結合兩種算法得到最終端點檢測結果如圖6，其中A、D部分為心音段，B、C部分為心雜音段。

圖5 二尖瓣狹窄類型心音的頻域與時域分析

圖6 二尖瓣狹窄類型心音的端點檢測

為驗證方法的有效性和適用性，本文又分別對一例主動脈關閉不全（圖7和圖8）和動脈導管未閉的異常心音（圖9和圖10）進行了端點檢測。

圖7（c）的檢測結果及心音有效成分對應圖8中的A部分。B、C部分是心音成分；在A部分內除B、C外都為心雜音成分。圖10中B部分心音成分，C和除B外的A部分為心雜音成分。

圖7 主動脈關閉不全心音的頻域與時域分析

圖8 主動脈關閉不全心音的端點檢測

圖9 動脈導管未閉心音的頻域與時域分析

圖10 動脈導管未閉心音的端點檢測

4 結語

本文結合了頻域下的自適應子帶譜熵和時域下的短時平均幅值，實現了對心音的端點檢測，利用自適應子帶譜熵的高門限減少了一般端點檢測在心雜音情況下可能的誤檢，還通過短時平均幅度算法檢測出心音的全部有效成分，避免了對心雜音的漏檢。通過對三例異常心音的端點檢測，證明該算法具有自適應性，能夠在多種類型的復雜心音條件下進行有效的檢測，可以用于心音信號進一步的分析和識別。但算法對于覆蓋在心音上的心雜音成分只能對其位置進行標記，還無法做到正確辨識，這將是下一步工作的重點。