数字听诊器心脏缺陷检测算法的设计与实现

R.Nivethika¹, N.Kirthika²

PG学生[嵌入式系统]，EEE系，Amrita Vishwa Vidyapeetham，哥印拜陀，泰米尔纳德邦，印度
印度泰米尔纳德邦哥印拜陀，电子工程学院助理教授，Amrita Vishwa Vidyapeetham

摘要

介绍了一种心脏缺陷实时监测和心音听诊系统。本工作的目的是设计和实现一个数字听诊器，作为检测心脏杂音的平台。数字听诊器用于帮助医生分析心脏状况，降低不发现某些异常心脏状况的风险。系统设计由传统听诊器、驻极体麦克风、预处理电路和TMS320C5515数字信号处理器组件组成。采集预处理电路的心音信号，通过音频编解码器输入发送给TMS320C5515。对采集到的心音信号进行声学噪声消除算法、心脏缺陷检测算法等信号处理方法。采用噪声消除算法去除采集到的心音信号中的噪声。最后利用心脏缺陷检测算法将心音分为正常心音和异常心音。

关键字

心音，TMS320C5515，心脏缺陷检测算法，噪声消除算法，心脏杂音。

我的介绍。

心音是每个心脏周期中发生的心脏活动的结果。这种心音由两个基本组成部分S1和S2组成，有时S3和S4的心音可能与基本的心音一起出现。心音S1是由于二尖瓣关闭后三尖瓣关闭而产生的，S2是由于主动脉瓣关闭后肺动脉瓣[3]产生的。心脏杂音是由于每个心脏周期内血液的湍流流动而产生的。心脏杂音可能是病态的，也可能是无辜的。病理性心脏杂音是心脏病[2]的症状心音图是心音随时间变化的视觉表现。心音可以用听诊器听诊。从心音中检测心脏异常需要多年的经验，有时心脏异常可能无法在早期检测到，从而导致心脏病的严重程度。数字听诊器辅助医生检测心脏异常，通过心脏缺陷检测算法区分正常和异常心音，尽早为患者提供治疗。 People without any medical knowledge can also check their heart conditions using digital stethoscope.

2文献调查

白颖文(Ying-Wen Bai)和卢超林(Chao-Lin Lu)开发了一种数字听诊器，用于使用1[1]型自适应切比雪夫IIR带通滤波器消除心音干扰。王海滨、陈健、胡玉良开发了一套心音监测分析系统，可以在家监测心脏状态，判断心脏杂音是无辜的还是病理性的[2]。kamam Patil D.D女士和shastri R.K先生开发了一种系统，病人可以随时记录他们的心音，并用zigbee模块[5]将心音无线传输给医生。林元祥、林志芳、陈建智、游和忠建议采用基于ARM的数字听器，通过USB接口[7]对心音进行过滤、回放并传输到PC。Ashish Harsola, Sushil Thale和M.S.Panse提出了基于PIC的听诊器，其中获得的心音使用外围接口控制器(PIC)进行处理，并使用串行EEPROM进行记录，可以听到并绘制成称为心音图(PCG)[3]的图。王海滨、胡玉良、刘立涵、王艳、张金宝利用自回归功率谱密度来区分正常和异常心音[4]。刘金群、刘武昌建议采用同态滤波、香农熵等包络提取方法来发现异常心脏杂音[8]、[9]。D.Mandal, M.Chattopadhyay和I.Saha Mishra开发了一种低成本的基于数字信号的(TMS320C6713)，用于用终点检测方法[6]发现心脏病症状。采用D. balasubramaniam和D. Nedumaran开发的基于TMS320C6711数字信号处理器的数字听诊器，采用STFT方法和小波变换方法[11]检测心脏功能障碍。

本文的组织结构如下，第三部分是系统描述。硬件信号采集单元将在第四节中进行说明。在第五节和第六节中，将阐述噪声消除和心脏异常检测等算法。第七节介绍了使用不同特征提取方法获得的结果。结论和今后的工作载于第八节。

3系统架构

该系统由信号采集模块和信号处理模块两部分组成。数字听诊器的原理图如图1所示。为了获取心音信号，传统听诊器配备了驻极体、电容、传声器[4]。采集到的信号交给预处理电路进行放大。所采集的放大心音信号为模拟形式。为了进行任何分析，信号都需要是数字格式的。信号的模数转换是信号处理的主要功能，在TMS320C5515数字信号处理器套件的音频编解码器中完成。数字数据通过I2C总线发送到处理器。通过在处理器中编写的噪声消除算法来消除信号噪声。去噪后的心音信号通过I2S总线传递给音频编解码器，再转换成模拟信号，通过连接TMS320C5515耳机引脚的耳机收听。 The noise cancelled heart sound signals are analysed using heart defect detection algorithm implemented in the processor and based on this normal and abnormal heart sounds are found out and displayed. The algorithms are implemented using MATLAB 2010a.

四、信号采集单元

信号采集单元由传感器和预处理电路组成。信号采集单元框图如图2所示。心音是用传感器采集的。这里使用的传感器是传统的带有驻极体电容传声器的听诊器。麦克风是通过拆除听诊器的一个耳管安装在传统听诊器的头部。驻极体电容传声器电源为5V。然后，来自麦克风的信号被传递到高通滤波器。截止频率10Hz的一阶高通滤波器(式(1))。

其中fc(截止频率)以赫兹为单位，R(电阻)以欧姆为单位，C(电容)以法拉为单位。然后将高通滤波器的信号传递给低通滤波器。采用双极Sallen键低通滤波器，截止频率为1 KHz(式(2))。

来自低pas滤波器的信号被传递到陷波滤波器。陷波滤波器又称反哼哼滤波器，用来滤除主要的哼哼。采用双T陷波滤波器，在50Hz时有较大的抑制度(方程3)。

来自陷波滤波器的信号幅度很小，为了放大信号，它被发送到增益21的仪表放大器。采集到的心音信号在数字存储示波器中观察，如图3所示。仪表放大器的增益由以下公式给出:

五、声学噪声消除算法

来自预处理电路的信号包含一定的噪声。因此为了去除噪声，采用了噪声抵消算法。采用最小均方(LMS)算法进行噪声消除。它是一种产生误差信号最小均方的自适应滤波器。

利用自适应滤波器，通过监测环境并相应地改变滤波器传递函数，建立了未知植物的线性模型。LMS算法由两步组成

过滤过程

适应的过程

在滤波过程中，通过将滤波器的抽头与输入信号进行卷积来计算FIR滤波器的输出，然后将FIR滤波器的输出与期望信号进行比较来计算误差。自适应过程包括基于最小均方误差的滤波器系数计算。

六、心脏缺陷检测算法

使用心音检测心脏缺陷是至关重要的，因为心音是非静止的和复杂的。因此，对于心音分析，必须对从信号采集单元获得的PCG信号进行分割。因此，针对心脏故障的检测，提出了心脏缺陷检测算法(heart Defect detection Algorithm, HDDA)。HDDA算法由五个步骤组成。他们是谁,

i.提取前两个心动周期

2前处理

3特征提取

四、平滑

v.阈值设置

i.抽取前两个心动周期:

PCG信号由S1、S2、S3、S4等事件和每个周期中的杂音组成，同样，每个PCG信号由多个周期组成。由于这个周期是重复的，为了便于分析，只考虑前两个心脏周期，如图4所示

2预处理

提取前两个心周期后，采用切比切夫四阶高通滤波器对提取的信号进行滤波，滤波时的截止频率为10Hz，纹波为0.5 dB，以去除低频噪声[10]。心音强度在患者之间有所不同，因此过滤后的信号y (t)是标准化的。

3特征提取

特征提取处理从归一化信号中提取相关信息。有不同的特征提取方法。最常用的方法是频率分析和包络提取方法。

1)频率分析法

为了识别正常和异常心音信号，采用短时傅里叶变换(STFT)[11]进行频率分析。利用式(6)中的STFT计算随时间变化的信号局部部分的相位和频率。

其中t1为时间参数，u为频率参数，xnorm(t)为待分析的归一化信号，w(t- t1)为加窗函数，对t=t1为中心的每个窗口计算xnorm的STFT。利用1024点STFT可以分析归一化PCG信号的频率分量。采用汉明窗将归一化后的信号分割成重叠率为50%的8段信号，并对每段信号加窗。频率点数为128点。用频谱图直观地表示频率的频谱。

2)包络提取法

心音包络表示心音的振幅偏差和持续时间。它包含了诊断心脏异常的信息。有不同的技术用于提取心音信号的包络。下面将解释其中一些。

2.1能源

对归一化信号的样本进行平方计算其能量[12];式(7)表示信号的能量。

其中E (t)是信号的能量，xnorm(t)是归一化心音信号。

2.2绝对

归一化信号的幅值表示信号[12]的绝对值。式(8)表示心音信号的绝对值。

其中A (t)是信号的绝对值，xnorm (t)是归一化心音信号。

2.3香农能

Shannon能量法是中值法，它对低强度信号进行了衰减，对中强度信号进行了强调，因此中强度信号被检测的几率增大[12]。香农能如式(9)所示。

其中S (t)为信号的香农能量，xnorm(t)为归一化心音信号。

2.4希尔伯特变换

希尔伯特变换将实信号表示为一个不改变功率和能量的复解析信号，信号的相位改变[8]。希尔伯特变换如式(10)所示:

其中“*”表示卷积运算。

2.5归一化平均香农能(NASE)

NASE方法也被称为香农包络法，同样强调中等强度信号[8]。平均香农能量计算在整个归一化信号中每段0.02 s，重叠0.01s。如式(11)所示。

其中N (t)是信号的标准化平均香农能量。

2.6香农熵

香农熵法更重视低强度信号，对高强度信号[12]进行了衰减。由式(12)中的公式表示

其中SE(t)是信号的香农熵，xnorm(t)是归一化心音信号

2.7同态滤波

利用同态滤波方法对心音和杂音进行定位，提取平滑包络。变频同态滤波(FAHF)是一种改进的包络提取方法。FAHF的流程如下:

心音信号可表示为式(13)

其中xnorm (n)为归一化心音信号，s (n)为信号中变化缓慢的部分，f(n)为变化较快的部分。

1.对信号进行对数变换，以便将乘法运算转换为加法运算，

2.信号采用低通滤波器处理。高频分量随时间变化较快

3.对信号z1(n)求幂。

2.8蒂格尔的能源运营商

Teager能量算子是一种用于提高高能区域的非线性算子。Teager能量算子如式(18)所示，

其中T (T)代表teager的能量。X范数(t) X范数(t-1) X范数(t+1)分别是时刻t t+1 t-1的信号。

2.9归一化滞后-1自相关函数

用自相关函数[10]测量信号的随机性。N个样本信号的自相关函数定义为:

其中K为滞后数。lag-1处归一化自相关系数可计算为:

四、平滑

采用矩形脉冲响应线性滤波器对信号[10]进行平滑处理。平滑不仅仅是为了平滑波纹，也为了减少不同层次的心脏杂音问题。

v.阈值设置

对于所有的包络提取方法，都是根据检测到的峰值来设置一个阈值，以判断它是正常的心音还是异常的心音。这里设置了两个阈值。设置一个阈值，使事件S1、S2、S3、S4峰值检测到高于该阈值，设置第二个阈值检测杂音，使杂音位于第一个和第二个阈值之间。

7不同特征提取方法的比较与分析

从数据库中收集了64个心音信号，并根据杂音的形状、位置和信号中存在的片段对它们进行了分类。对64个心音信号进行了特征提取技术和STFT方法的测试。

1) STFT方法

STFT只能表示信号在时间间隔内的频率分量，而不能表示特定时刻的频率分量。因此，STFT不是一种合适的方法，因为患者的心脏状况是由任何时刻的频率分量指示的。信号的频率成分用频谱图表示，如图8所示。

2)包络提取法

采用8种特征提取方法得到的结果如图5、6、7、8所示。图5、图6和图7为由心音S1和S2的基本分量组成的正常心音的结果。图8显示了异常心音-收缩期二尖瓣脯氨酸酶的结果，包括S1、S2和收缩期中期的咔嗒声，随后是收缩期晚期的杂音。不同包络提取方法的效率和阈值为表1

8结论及未来工作

心音信号是通过由滤波器和放大器组成的信号采集单元来采集的。利用最小均方算法对噪声进行消除，然后采用心音缺陷检测算法对信号进行分析，对特征提取的信号进行阈值条件处理，判断是否为正常或异常心音信号。从不同的特征提取方法中尝试了希尔伯特变换法和归一化平均香农能量法，证明了它们的有效性。未来的工作是在数字信号处理器TMS320C5515中实现算法，并显示心音信号是正常还是异常。

参考文献

白颖文、卢超林，“嵌入式数字听诊器使用自适应降噪滤波器及I型切比雪夫IIR带通滤波器来降低心音噪声”，台北辅仁大学电子工程系，台湾，242
王海滨，陈健，胡玉良，“基于数字听诊器的心音测量与分析系统”，四川省教育厅自然科学重点项目。
Ashish Harsola, Sushil Thale和M.S.Panse，“心音的数字听诊器”，第二届国际会议和新兴技术趋势研讨会(ICWET)， 2011年国际计算机应用杂志(IJCA)发表的论文集。
王海滨，胡玉良，刘立涵，王艳，张金宝，“基于自回归功率谱密度的心音分析”，第二届信号处理系统国际会议，2010。
kamam Patil D. D.女士和Shastri R. K先生，“基于zigbee的无线电子听诊器设计”，E&TC Vidya Pratishthan的CoE部门，Baramati，马哈拉施特拉邦，印度。
D.Mandal1, M.Chattopadhyay，和I.Saha Mishra，“低成本无创数字信号处理器(TMS320C6713)心脏诊断系统”，第1届国际信息技术最新进展会议| RAIT-2012 |。
林元祥，林志芳，陈建智，尤和忠，“数字星探系统的设计与实现”，国立台湾科技大学电子工程系，台北，台湾。
刘金群，刘武昌，王海滨，陶婷，张金宝，“一种新颖的多通道心音信号包络提取方法”，2011国际计算机科学与信息技术会议(ICCSIT 2011)。
Amina Atbi, Sidi Mouhamed Debbal和Fadia Meziani，“心音和心脏杂音分离”，Aboubekr Belkaid大学电子系，特莱姆森，BP 119阿尔及利亚。
M.Sabarimalai Manikandan和K.P. Soman，电子通讯，2010年8月5日，第46卷，第16号。
D. Balasubramaniam和D. Nedumaran，“基于数字信号处理器的心音信号分析的高效计算”，国际计算机理论与工程杂志，第2卷，第4期，2010年8月。
A. Atbi和S. M. Debbal，“利用香农能量包膜图分割病理信号心音图”，美国医学杂志，第2卷，第1和第2期，2013年，第1-14页。