摘  要： 提出一種心音的特征提取和分類方法，用離散小波變換分解、重構產生信號的細節(jié)包絡，進而用于提取特征，從預處理的信號中提取統(tǒng)計特性，作為心音分類的特征。多層感知器用于心音的分類，并通過250個心動周期得到驗證，算法識別率達到92%。
關鍵詞： 小波；Levenburg-Marquardt；神經網絡

　心音是人體最重要的生理信號之一，長期以來心音聽診一直是醫(yī)生診斷疾病的一種重要手段，它可以提供心血管系統(tǒng)異常的重要信息。
　正常的心音包含第一心音(S1)、第二心音(S2)、第三心音(S3)和第四心音(S4)四個部分，第一心音的頻率主要集中在50 Hz~150 Hz范圍內，而第二心音的頻率主要集中在50 Hz~200 Hz范圍內。其中S1、S2是可以監(jiān)聽到的部分，而S3、S4強度很弱，幾乎聽不到。心音的每一部分對應著心臟各器官的功能，如房室瓣的關閉是產生第一心音的主要因素，半月瓣關閉是產生第二心音的主要因素。為了有助于檢測疾病，在聽診中監(jiān)聽、分析心音的主要成分：S1、S2。在非正常的心音中，可能還存在S3、S4及雜音等。
　在聽診中要檢測的重要特征有心音的韻律、心音成分的相對強度、S2的分裂、雜音等，盡管心音的很多定量描述已經得知，但是，僅僅通過聽診很難確定他們的特征，實際上，聽診僅僅依靠于身體上的某些點，在這些地方，心音很容易聽到，但是需要很多醫(yī)學經驗，而且很不容易提取，而計算機輔助工具有助于確定這些特征。早期的研究者，已經提出個幾種關于心音特征提取的方法，ZIN[1]用瞬時能量和頻譜估計(IEFE)技術來提取心音的特征；參考文獻[2]中，特征的提取主要基于歸一化自回歸能量頻譜密度曲線。在特征提取之前，用小波分解來處理心音信號，通過選取合適的閾值，去除噪聲，從而兩個特征被提取出來：fmax和fwidth。
當今，有很多方法可識別心音信號，如參考文獻[2]的SVM技術；參考文獻[3]提到的基于專家系統(tǒng)的規(guī)則；參考文獻[4]中決策樹支持系統(tǒng)；平滑偽Wigner-Ville分布[5]；參考文獻[6]連續(xù)隱性馬爾可夫模型和神經網絡如：MLP、LVQ、SOM、GAL、RBF等。
　在參考文獻[7]中，心音信號用小波進行預處理，用信號的能量作為進一步分類的特征。在本文中，提出一種新的方法來提取心音的特征，主要是基于信號的統(tǒng)計特征：均值和標準方差，這些信號特征用多層感知器來分類，用Levenberg-Marquardt算法訓練神經網絡。神經網絡在初期的研究中，主要是由于其在Matlab中簡單并且易于得到。本文的研究主要基于正常心音和四種常見的心臟瓣膜失調的類型：主動脈狹窄、主動脈返流、二尖瓣狹窄和二尖瓣返流[8]。
1 小波分解與重構思想
　由于心音中含有噪聲，比如呼吸音、身體的移動、皮膚的摩擦音、心音傳感器放置的位置以及其他的環(huán)境噪音。因此有必要對心音進行預處理，去除各種“噪音”，本文主要用小波閾值去噪。小波去噪是在小波分解基礎上的閾值降噪方法。已知時間信號f(t)，有

到S1，舒張期間隔主要是S1與S2之間。對db2小波分解得到的細節(jié)D2，用同樣的方法進行去噪，如圖2所示，利用信號被分段做進一步的特征提取。

2 信號的特征提取
　早期的研究中[7]，在第二水平上用小波分解得到信號的每一個周期被分裂成32個子窗，每個子窗有128個離散數(shù)據(jù)，特征向量的元素主要由每個子窗中信號的能量形成[10]。同樣的處理過程也可以用在第六水平的小波近似系數(shù)，因此，特征向量的大小為64。
　本文提出一種新的方法，經過軟閾值去噪后，信號每個周期的前2 000的數(shù)據(jù)，被分成20個幀，每個幀包括有100個離散的數(shù)據(jù)，用每個幀的均值和標準方差來作為信號的統(tǒng)計特征，這些特征相對[1-7]所提出的特征很容易計算，所有這些特征被歸一化，因此在心音信號中的每個周期有40個特征作為神經網絡的輸入。
3 多層感知器神經網絡訓練與識別
　為了用多層感知器神經網絡識別心音，把心音樣本分成五類：正常、主動脈狹窄、主動脈返流、二尖瓣狹窄和二尖瓣返流。神經網絡用Levenberg-Marquardt算法訓練，因為它有快速的學習速率。神經網絡的結構包括40個輸入、10個隱含節(jié)點和3個輸出，如表1所示。第一層和第二層用logsig函數(shù)來作為傳輸函數(shù)，如果輸出值≥0.5將做為1處理，否則為0。

　選取250個心音做實驗，150個周期用于訓練數(shù)據(jù)，100個周期用于測試數(shù)據(jù)。
4 實驗與識別結果
　本文的方法用于識別四種異常心音和正常心音，識別的結果可以達到92%，對于錯誤的訓練率是10-4，基于錯誤的性能，網絡能夠通過恰當?shù)膶W習滿足輸出目標如圖3所示，對于每個例子的分類性能顯示如表2所示。

　本文用簡單的特征提取步驟和標準的MLP網絡識別方法，能夠達到參考文獻[1-2]同樣的識別效果，且所用的統(tǒng)計特性易于計算、識別效果好。本文所提的基于小波分解和MLP網絡方法適合識別心音，但是這僅僅是初步的研究，還需分析更多的心音，用于心音身份識別的方法有待更進一步分析和提高。
參考文獻
[1] ZIN Z M， SALLEH S H S， SHA’AMERI A Z. The design of heart classification system. International Symposium on signal processing and its applications(ISSPA)[C]. IEEE， Kuala Lumpur， Malaysia， 2001.
[2] JIANG Z， CHOI S， WANG H. A new approach on heart murmurs classification with SVM technique. 2007 International Symposium on Information Technology Convergence[C]. IEEE computer society， 2007.
[3] SHARIF Z， DALIMAN S， SHA’AMERI A Z， et al. An expert system approach for classification of heart sounds and murmurs. International Symposium on Signal Processing and Its Applications (ISSPA)[C]， IEEE，Kuala Lumpur， Malaysia， 2001.
[4] PAVLOPOULOS S A， STASIS A C， LOUKIS E N. A decision tree-based method for the differential of aortic stenosis from mitral regurgitation using heart sounds[C]. Computers in Cardiology， 2003.
[5] JAVED F， VENKATACHALAM P A. A signal processing module for the analysis of heart sounds and heart murmurs.international MEMS conference 2006[C]， IOP Publishing， Conference Series 34(2006).
[6] UGUZ H， ARSLAN A， TURKOGLU I. A biomedical system based on hidden markov model for diagnosis of the heart valve diseases[J]. Elsevier， Pattern Recognition Letters 2007(28)： 395-404.
[7] SAY O， DOKUR Z， OLMEZ T. Classification of heart sounds by using wavelets transform. in proceedings of the second jointEMBS/BMES conference[C]， Houston， TX， USA， 2000.
[8] SOUNDS H， CYCLE C， CHANGESV. [Online].AnAvailable at： http： //www.texasheartinstitute. org/Education/CME/explore/events/eventdetail_5469. cfm， 2006.
[9] HUIYING L， SAKARI L， IIRO H. A heart sound segmentation algorithm using wavelet decomposition and reconstruction. in proceedings-19th international conference IEEE/EMBS [C]， Chicago， IL. USA， 1997.
[10] 成謝鋒，陶冶薇，張少白，等.獨立子波函數(shù)和小波分析在單路含噪信號中的應用研究[J].模型與關鍵技術[J].電子學報，2009(7)：1522-1528.