一种基于双特征的心音分割方法

技术领域

本发明涉及信号处理技术技术领域，具体为一种基于双特征的心音分割方法。

背景技术

心音信号反映了心脏及主血管的机械运动，心脏的病变也会引起心音的病变，因此有效的心音信息可以辅助诊断心脏疾病。心脏经历一次完整的收缩期和舒张期的时间称作心动周期，心音信号伴随着心脏的跳动重复出现。每个心动周期出现的心音信号通常都包含有第一心音S1和第二心音S2，但这两种心音的产生原因完全不同。第一心音的产生是由于心室收缩时二尖瓣，三尖瓣的闭合；第二心音则是由于心室舒张时主、肺动脉瓣的闭合。心音信号的精确分割是对S1，S2时域上的精确定位，是心音分类、异常心音识别、杂音检测等心音信息分析基础，也是心音特征提取的关键。心音信号的分割算法一直是心音研究的重点。基于时域包络特征的心音分割算法，会受到提取包络方法的影响，例如通过希尔伯特变换提取的包络有较大的毛刺，从而影响心音分割的准确度。基于隐马尔可夫模型的研究需要大量的数据样本计算模型参数，导致算法比较复杂，分割效果受到模型参数限制。所以，人们需要一种低复杂度且精准的心音分割方法。

发明内容

本发明目的在于针对现有技术，提供一种基于双特征的心音分割方法，能够在低复杂度下，更加精准地完成心音信号不同生理阶段的时域分割。

为实现上述目的，本发明提供如下技术方案：一种基于双特征的心音分割方法，包括以下步骤：

步骤1、通过毫米波雷达获得被测试者的心音信号后提取出心音信号的一阶导数特征和频率包络特征；

步骤2、通过最大类间方差法分别计算两个特征量对应的特征阈值，借助特征阈值将心音信号在时域上初步分割为第一心音或第二心音部分以及非心音部分；

步骤3、根据不同心音在时间方面的特定生理特征，完成第一心音S1和第二心音S2的识别及心音信号的四个生理阶段的时域分割。

优选的，所述步骤S2中，具体步骤包括如下：

步骤21、在时域方面，假设心音信号为s(t)，则s(t)的一阶导数为：

当Δt较小时，可近似为：

其中T

步骤22、在时频方面，通过短时傅里叶变换对心音信号s(t)进行时频分析：

其中h(t)为窗函数，窗长的选择需要满足两个条件：一是要保证具有良好的时间分辨率，二是尽量不超过第一心音或是第二心音的持续时间，在本发明中窗长设定为100ms，通过心音信号s(t)的短时傅里叶变换，得到心音信号频带范围为[f

其中f

步骤23、心音信号的时域特征s

步骤24、令θ表示阈值向量，即θ＝[θ

优选的，所述心音信号中属于第一心音S1和第二心音S2时间段的频率能量高于非心音时间段，且设定的频率包络特征分别包括FEnv1、FEnv2和FEnv3，分别代表了三种不同频带范围的频率包络，其中FEnv1的频率范围为：20-30Hz，FEnv2的频率范围为：30-40Hz，FEnv3的频率范围为：40-60Hz。

优选的，两个特征量对应的阈值分别设为θ

(1)向量s

初始化阈值θ

(2)根据阈值θ

(3)计算s

则阈值为θ

σ

其中

(4)令θ

优选的，所述(2)中，根据阈值θ

与现有技术相比，本发明的有益效果：本发明科学合理，通过本发明算法得到的平均F

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

在附图中：

图1是本发明毫米波雷达采集的心音信号示意图；

图2是本发明心音信号时域分布模型示意图；

图3是本发明心音信号的时域特征和三种频率包络示意图；

图4是本发明双特征阈值分割示意图；

图5是本发明心音信号分割示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

实施例：一种基于双特征的心音分割方法，实现对毫米波雷达提取的心音信号时域上不同生理阶段的分割，包括以下步骤：

步骤1、通过毫米波雷达获得被测试者的心音信号后提取出心音信号的一阶导数特征和频率包络特征；

步骤2、通过最大类间方差法分别计算两个特征量对应的特征阈值，借助特征阈值将心音信号在时域上初步分割为第一心音或第二心音部分以及非心音部分；具体步骤包括如下：

步骤21、在时域方面，假设心音信号为s(t)，则s(t)的一阶导数为：

当Δt较小时，可近似为：

其中T

步骤22、在时频方面，通过短时傅里叶变换对心音信号s(t)进行时频分析：

其中h(t)为窗函数，窗长的选择需要满足两个条件：一是要保证具有良好的时间分辨率，二是尽量不超过第一心音或是第二心音的持续时间，在本发明中窗长设定为100ms。通过心音信号s(t)的短时傅里叶变换，得到心音信号频带范围为[f

其中f

步骤23、心音信号的时域特征s

步骤24、令θ表示阈值向量，即θ＝[θ

其中，两个特征量对应的阈值分别设为θ

(1)向量s

初始化阈值θ

(2)根据阈值θ

(3)计算s

则阈值为θ

σ

其中

(4)令θ

步骤3、根据不同心音在时间方面的特定生理特征，完成第一心音S1和第二心音S2的识别及心音信号的四个生理阶段的时域分割，具体包括如下步骤：

其中如图2所示，图2为经过本发明算法处理后得到的简易心音信号时域分布模型。模型中的心音信号在时间维度被分为了不同长度的信号片段，其中红色的心音信号片段代表了第一心音或第二心音，白色部分代表了收缩期(除去第一心音)或舒张期(除去第二心音)的非心音部分。只有确定红色心音片段的心音类型之后才能完成心音信号的最终分割；

根据文献，一次完整的心动周期中心室收缩期持续时间一般小于舒张期，且第一心音和第二心音的起始分别对应着心室收缩期和舒张期的起始。根据图2的心音信号时域分布模型，心音类型识别方法为：若t

具体步骤：对于每一条心音信号数据，借助特征阈值将心音信号在时域上初步分割为第一或第二心音部分以及非心音部分，并提取心音信号s(t)的一阶导数s′(t)和频率包络FEnv(t)，得到特征向量s

为了准确评估本发明所提算法对于心音信号的分割效果，以手动分割心音信号的结果作为参考标准，将本发明与LR-HSMM算法进行对比，选取评价指标F

根据本发明所提算法，六位测试者的心音分割的p，r和F

注：AVG:平均的

从上表中6位不同测试者的平均F

两种算法的指标对比，如下表为两种算法的F

注：AVG:平均的由上表可知，当频率包络为FEnv1时，无论是第一心音(S1)还是第二心音(S2)，本发明在p、r以及F

上述两表中结果为所有数据指标的平均值，黑体字表示最优F

最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。