[發明專利]基于VMD和多小波的心音分割定位方法

有效

• 申請號: 202110263717.5
• 申請日: 2021-03-11
• 公開（公告）號: CN113066502B
• 公開（公告）日: 2022-07-26
• 發明（設計）人: 夏侯士戟;梁宇航;馬敏
• 申請（專利權）人: 電子科技大學
• 主分類號: G10L19/02
• 分類號: G10L19/02;G10L21/0208;G10L21/0272;G10L25/03;G10L25/27;G10L25/51;A61B7/04
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 溫利平

本發明公開了一種基于VMD和多小波的心音分割定位方法，首先對心音信號樣本中心音區間和類型進行標記，采用滑動窗對心音信號樣本進行片段劃分，使用峭度對VMD分解得到的各個IMF分量進行挑選，對最有效的IMF分量進行GHM多小波包分解，基于分解結果構建心音信號樣本的時頻域矩陣，根據標記的心音區間從中提取子矩陣并得到時間頻率列向量，將其作為訓練樣本對預設的分類模型進行訓練；對待分割定位的心音信號采用相同方法得到時頻域矩陣，提取香農能量包絡，基于最大類間方差法確定心音區間，提取子矩陣并采用相同方法獲取時刻頻率列向量，輸入訓練好的分類模型得到心音信號分割定位結果。采用本發明可以提高高噪聲下的心音分割性能。

技術領域

本發明屬于心音處理技術領域，更為具體地講，涉及一種基于VMD和多小波的心音分割定位方法。

背景技術

目前采用可穿戴心音檢測設備進行心音監測已經成為了診斷和控制心臟疾病的重要手段，但是現有的可穿戴心音檢測設備所采集的心音信號具有低幅值、低頻率、易受干擾等特性，考慮到可穿戴心音檢測設備使用的復雜環境，使用過程中可能會引入其他生理音干擾、背景噪聲、工頻干擾以及運動偽影等，進而會嚴重影響對所采集到心音信號做進一步的處理。

傳統的心音分割定位算法是與心電圖相結合，在使用心電圖作為參考的情況下，心音分割的效果很好。然而，心電圖作為另一種信號源，在醫學檢查中可能不方便使用。如果嵌入ECG電路會極大地提高電子聽診器的硬件復雜度。因此，使用心音信號作為唯一信號源也是當下的主要研究方向。目前不使用參考信號的主流心音信號處理流程為先對原始心音信號進行去噪之后，對其進行特征提取、分類，從而對心動周期的各組分進行分割定位。

在信號去噪方面，最傳統的方法是基于心音信號的頻域特征進行濾波去噪，但這種方法僅可抑制心音分量頻帶外的干擾，心音作為典型的非平穩信號，非常容易受帶內噪聲或其他生理音干擾，由于時頻率(TF)域可以產生更健壯的定位和分類方法，特別是對非平穩信號，因此時頻域的分析方法也被應用于了心音處理領域。

目前，研究非平穩信號常用的時頻分析工具有：短時傅里葉變換、維格納-維爾分布、科恩類、小波變換和S變換等。時傅里葉變換的時頻分辨率不能自適應，而維格納-維爾分布和科恩類雖然具有良好的時頻特性，但是由于存在交叉干擾項，影響了它們的實際應用范圍。作為短時傅里葉變換的繼承和發展，S變換采用高斯窗函數且窗寬與頻率的倒數成正比，免去了窗函數的選擇和改善了窗寬固定的缺陷，并且時頻表示中各頻率分量的相位譜與原始信號保持直接的聯系，使其在信號分析中可以采用更多的特征量。S變換的缺點是在較高頻帶范圍內相對于小波變換來說，對頻域的分析上不夠精確。

另外，因為可穿戴心音監測平臺采集的單通道測量信號是由不同的物理過程產生的，而且它們在統計上是相互獨立的，所以可以看作心音信號和背噪兩個獨立信號的疊加，因此采用基于盲源分離的方法進行處理也是現在的一種新的處理思路。目前使用頻率比較高的盲源信號分離的方法主要是經驗模態分解(Empirical Mode Decomposition,EMD)、小波分解以及他們的衍生算法如(Ensemble Empirical Mode Decomposition,EEMD)等。然而EMD算法存在模態混疊、模態殘差噪聲及虛假模態問題，而且EMD算法現實中所產生的本征模函數(Intrinsic Oscillatory Mode,IMF)不會保持完全穩定的頻率和振幅。因此在2014年提出了VMD(Variational Mode Decomposition，變分模態分解)的方法，此方法是一種自適應、完全非遞歸的模態變分和信號處理的方法。該技術具有可以確定模態分解個數的優點它克服了EMD方法存在端點效應和模態分量混疊的問題，并且具有更堅實的數學理論基礎。

在心音特征提取方面，傳統的方法所提取的特征大多以頻域特征和時域特征為主，或者對信號提取包絡特征，即利用各種技術構造心音包絡來進行心音分割，其中香農包絡和希爾伯特包絡是最常使用的兩種包絡。基于包絡抽取方法參數的推導直接受到閾值的影響，閾值選擇主要是依靠經驗值，所以容易因為過學習而導致在不同樣本集之間泛化性不強。