一种心音信号周期的检测与心音的状态分割方法技术

本发明专利技术公开了一种心音信号周期的检测与心音的状态分割方法，该方法包括下列步骤：步骤1)对于一段时长的心音信号，加窗截取若干段长度为L的信号；对任一段信号Y，进行自相关分析，得到心音信号的一个心动周期长度N；据此进行整周期的心音信号切分，得到k段信号；步骤2)对k段整周期心音信号进行主成分分析，得到经典心音周期信号x；步骤3)对经典心音周期信号x进行分帧处理，提取能量包络，采取极大似然估计算法建立二元隐马尔可夫模型，得到各帧所属状态，并据此得到4个状态的分割点。本发明专利技术的方法能够准确划分心音信号的状态，增强心音分析应用系统对噪声环境的适应性。

Detection of heart sound signal cycle and heart sound state segmentation method

The present invention discloses a state segmentation method of heart sound signal cycle detection and heart sound. The method includes the following steps: Step 1) for a period of long heart sound signal, a signal with a number of segments length L is intercepted with a window; an autocorrelation analysis is carried out for any segment signal Y to obtain a heart period length N of the heart sound signal; This is the whole period of heart sound signal segmentation, K segment signal is obtained; step 2) the K segment of the whole period heart sound signal is principal component analysis, the classical heart sound periodic signal x; step 3) the classical heart sound periodic signal x is processed, the energy envelope is extracted, and the maximum likelihood estimation algorithm is used to establish the two hidden Markov model, The state of each frame is obtained, and the segmentation points of 4 states are obtained accordingly. The method of the invention can accurately classify the state of the heart sound signal and enhance the adaptability of the heart sound analysis application system to the noise environment.

【技术实现步骤摘要】
一种心音信号周期的检测与心音的状态分割方法
本专利技术涉及语音信号处理的
，具体的说，涉及一种心音信号周期的检测与心音的状态分割方法。其中，心音的状态分割方法是在时间维度上判断某时刻某段时长内出现的心音状态的类别。
技术介绍
心音信号的周期性检测与状态的分割是进行心音信号的分析必不可少的组成部分，它是进行心音信号分析的第一步也是最为重要的一步，是进行一系列心音分析后续处理的关键，状态分割的正确性直接影响心音特征分析的效果。在心音信号的分析中，所要面对的一个问题就是噪声干扰，它们直接影响着周期长度的检测和心音状态分割的效果。呼吸音、肠鸣音、心肺杂音等人体噪声、听诊设备与体表的摩擦噪声，以及周围环境噪声等等各种噪声的干扰是必须要克服的一个重要影响因素。目前提出了很多方法来对试图减弱噪声对心音信号分析的干扰，多数方法是依赖于启发式算法，存在的问题如下：1、现有算法多是筛选出几乎没有干扰的心音记录作为参考信号，再从中进行人工划分状态，提取参数。在实际应用当中，一旦实际记录心音出现摩擦冲激或是噪音干扰比较明显的情形，就会分类失败。2、现有的算法往往采用比较简单的监督或半监督方法获取不同状态的分布参数，对训练集中样本的要求较高，受到人工分类的主观性影响较大。3、心音信号是一种个体间差异相对较大的信号，现有算法通过训练集样本获取参数的方式是一个很大的限制因素，因此分类的鲁棒性不高。
技术实现思路
本专利技术的目的在于克服目前心音信号的周期性检测与状态的分割方法存在的上述缺陷，基于心音信号的周期性，将一段记录心音划为多个心动周期，将不具备周期性的杂音如摩擦冲激、周围噪声等通过提取主成分的方法消除或减弱，从而获得典型心音特征的心动周期信号；同时基于一个心动周期内4个状态间的时序相关性，提供一种基于主成分分析与隐马尔可夫模型的心音的周期检测与状态划分方法，该方法利用主成分分析提取典型心音特征，二元隐马尔可夫模型对心音信号的时序相关性进行建模，把能量包络看作一个马尔可夫链，这个链条在第一与第二心音的“出现”和“不出现”两种状态间跳转，对于每个状态，采用一个高斯分布描述其分布，再根据HMM模型的前、后向因子，可以导出S1、S2在某个时刻的出现概率。再使用一个心音周期中4个状态间的时序特点，划分出各个状态的起止时刻及持续时长。为了实现上述目的，本专利技术提供了一种心音信号周期的检测与心音的状态分割方法，该方法基于主成分分析与隐马尔可夫模型来实现对心音信号主要信息的提取，实现对心音信号4个状态的准确分割，该方法包括下列步骤：步骤1)对于一段时长的心音信号，加窗截取若干段长度为L的信号；对任一段信号Y，进行自相关分析，得到心音信号的一个心动周期长度N；据此进行整周期的心音信号切分，得到k段整周期心音信号；步骤2)对k段整周期心音信号进行主成分分析，得到经典心音周期信号x；步骤3)对经典心音周期信号x进行分帧处理，提取能量包络，采取极大似然估计算法建立二元隐马尔可夫模型，得到各帧所属状态，并据此得到4个状态的分割点。上述技术方案中，所述步骤1)具体包括：步骤1-1)对数字化信号进行预处理后进行加窗；截取出含有多个周期的长度为L的信号Y；步骤1-2)对指定段长为L的信号Y进行自相关分析：步骤1-3)产生k段整周期心音信号y＝{y1,y2,....,yk}；当m＝0时取得最大值，为信号本身；寻找0点后自相关函数的最大值所对应点的m值，即为一个心动周期的周期长度T，则N＝T；之后继续寻找m值的整倍数点作为验证，确认T的长度：Y(1+nT)…Y(T+nT),n＝0,1,2,...当(n+1)T＜L时，持续这个过程，n从0开始，逐步加1，最终完成心动周期的检测与划分，产生信号y＝{y1,y2,....,yk}，其中，yi表示信号段：Y(1+iT)…Y(T+iT)。上述技术方案中，所述步骤2)具体包括：步骤201)计算k段d维的整周期心音信号的均值μ：步骤202)对k段d维的整周期心音信号做规整：步骤203)计算规整后信号的协方差矩阵步骤204)计算协方差矩阵的特征值λ与特征向量e：步骤205)特征值λ与特征向量e，选择第一主成分作为经典心音周期信号x。上述技术方案中，所述步骤3)的具体实现过程为：在得到经典心音周期信号x后，做分帧处理提取能量包络，建立一个二元隐马尔可夫模型，时间序列表示为x，状态序列表示为s，如下所示：x＝{x1,x2,....,xM}；s＝{s1,s2,....,sM},st∈{0,1}；其中，0表示静止心缩期和静止心舒期出现状态，1表示第一心音和第二心音出现状态，λM表示模型的参数估值，通过学习过程进行修正直到满足要求，那么对于一个给定的参数集λM，对应观察值序列x的概率密度函数可以表示为：其中，p(st|λM)表示状态序列st出现的先验概率，高斯分量表示为：这里的表示状态的转移概率，当t＝2时，表示初始的状态分布概率；p(x|λM,s)表示给定状态s和参数集λM的情况下观察值序列x的似然度：这里表示状态st对应的高斯分布的方差，表示相应的均值，λM＝{μ0,M,μ1,M,κ0,M,κ1,M,a01,M,a10,M,a00,M,a11,M,π0,π1}，参数集中的初始分布概率π0、π1不随着时间而变化；这个模型最终输出的对应已知观察值的状态序列即为判断分割点的依据，已知静止心缩期的长度短于静止心舒期的长度，那么，在二元隐马尔可夫模型分类出的状态序列s＝{s1,s2,....,sM},st∈{0,1}条件下，得出结论：两个持续的1状态序列之间的0状态序列持续期较短的为静止心缩期，前一个连续1状态为第一心音，后一个连续1状态为第二心音；反之0状态序列持续较长的为静止心舒期，前一个连续1状态为第二心音，后一个连续1状态为第一心音。据此得出4个状态的分割点，并反应到原始心音信号上作出分割，找到各个状态的起止时刻与持续时长。上述技术方案中，所述步骤3)具体包括：步骤301)对于提取出的经典心音周期信号x进行分帧处理，记当前窗截取段内共计M帧，计算各帧的能量；步骤302)通过聚类的方法将M帧样本x1,x2,....,xM分成两类：其中，M0表示静止期类别样本的数目，M1表示基础心音类别的数目，满足条件M0+M1＝M，均值大的一类用上标(1)表示，另一类用上标(0)表示；两类的均值分别为：其中，两类的方差分别为：步骤303)对模型的参数进行初始化；两类的初始化权重系数为：则参数的初始值为计算模型的初始似然度：初始化前向因子：πz表示初始时刻处于z状态的概率；初始化后向因子：L′的初始值为-10000；步骤304)计算前向因子：j∈[1,M]；步骤305)计算后向因子：j∈[1,M]；步骤306)计算第一心音、第二心音和静止心缩期、静止心舒期出现的概率：z∈{0,1}，j∈[1,M]；步骤307)如果停止迭代，其中，ζ为第一阈值；步骤308)计算转移概率：j∈[1,M]；观察值所处状态z1,z2∈{0,1}；步骤309)计算新的概率步骤310)计算新的均值步骤311)计算新方差步骤312)计算新的转移概率：步骤313)对新的转移概率进行约束，a′01,M＝max{a′01,M,η}，a′00,M＝1-a′01,M，a′10,M＝ma本文档来自技高网...

【技术保护点】
一种心音信号周期的检测与心音的状态分割方法，该方法基于主成分分析与隐马尔可夫模型来实现对心音信号主要信息的提取，实现对心音信号4个状态的准确分割，该方法包括下列步骤：步骤1)对于一段时长的心音信号，加窗截取若干段长度为L的信号；对任一段信号Y，进行自相关分析，得到心音信号的一个心动周期长度N；据此进行整周期的心音信号切分，得到k段整周期心音信号；步骤2)对k段整周期心音信号进行主成分分析，得到经典心音周期信号x；步骤3)对经典心音周期信号x进行分帧处理，提取能量包络，采取极大似然估计算法建立二元隐马尔可夫模型，得到各帧所属状态，并据此得到4个状态的分割点。

【技术特征摘要】
1.一种心音信号周期的检测与心音的状态分割方法，该方法基于主成分分析与隐马尔可夫模型来实现对心音信号主要信息的提取，实现对心音信号4个状态的准确分割，该方法包括下列步骤：步骤1)对于一段时长的心音信号，加窗截取若干段长度为L的信号；对任一段信号Y，进行自相关分析，得到心音信号的一个心动周期长度N；据此进行整周期的心音信号切分，得到k段整周期心音信号；步骤2)对k段整周期心音信号进行主成分分析，得到经典心音周期信号x；步骤3)对经典心音周期信号x进行分帧处理，提取能量包络，采取极大似然估计算法建立二元隐马尔可夫模型，得到各帧所属状态，并据此得到4个状态的分割点。2.根据权利要求1所述的心音信号周期的检测与心音的状态分割方法，其特征在于，所述步骤1)具体包括：步骤1-1)对数字化信号进行预处理后进行加窗；截取出含有多个周期的长度为L的信号Y；步骤1-2)对指定段长为L的信号Y进行自相关分析：步骤1-3)产生k段整周期心音信号y＝{y1,y2,....,yk}；当m＝0时取得最大值，为信号本身；寻找0点后自相关函数的最大值所对应点的m值，即为一个心动周期的周期长度T，则N＝T；之后继续寻找m值的整倍数点作为验证，确认T的长度：Y(1+nT)…Y(T+nT),n＝0,1,2,...当(n+1)T＜L时，持续这个过程，n从0开始，逐步加1，最终完成心动周期的检测与划分，产生信号y＝{y1,y2,....,yk}，其中，yi表示信号段：Y(1+iT)…Y(T+iT)。3.根据权利要求2所述的心音信号周期的检测与心音的状态分割方法，其特征在于，所述步骤2)具体包括：步骤201)计算k段d维的整周期心音信号的均值μ：步骤202)对k段d维的整周期心音信号做规整：步骤203)计算规整后信号的协方差矩阵步骤204)计算协方差矩阵的特征值λ与特征向量e：步骤205)特征值λ与特征向量e，选择第一主成分作为经典心音周期信号x。4.根据权利要求3所述的心音信号周期的检测与心音的状态分割方法，其特征在于，所述步骤3)的具体实现过程为：在得到经典心音周期信号x后，做分帧处理提取能量包络，建立一个二元隐马尔可夫模型，时间序列表示为x，状态序列表示为s，如下所示：x＝{x1,x2,....,xM}；s＝{s1,s2,....,sM},st∈{0,1}；其中，0表示静止心缩期和静止心舒期出现状态，1表示第一心音和第二心音出现状态，λM表示模型的参数估值，通过学习过程进行修正直到满足要求，那么对于一个给定的参数集λM，对应观察值序列x的概率密度函数可以表示为：其中，p(st|λM)表示状态序列st出现的先验概率，高斯分量表示为：这里的表示状态的转移概率，当t＝2时，表示初始的状态分布概率；p(x|λM,s)表示给定状态s和参数集λM的情况下观察值...

【专利技术属性】
技术研发人员：应冬文，侯雷静，蔚文婧，潘接林，颜永红，
申请(专利权)人：中国科学院声学研究所，
类型：发明
国别省市：北京,11