摘  要： 提出一种心音的特征提取和分类方法，用离散小波变换分解、重构产生信号的细节包络，进而用于提取特征，从预处理的信号中提取统计特性，作为心音分类的特征。多层感知器用于心音的分类，并通过250个心动周期得到验证，算法识别率达到92%。
关键词： 小波；Levenburg-Marquardt；神经网络

　心音是人体最重要的生理信号之一，长期以来心音听诊一直是医生诊断疾病的一种重要手段，它可以提供心血管系统异常的重要信息。
　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)四个部分，第一心音的频率主要集中在50 Hz~150 Hz范围内，而第二心音的频率主要集中在50 Hz~200 Hz范围内。其中S1、S2是可以监听到的部分，而S3、S4强度很弱，几乎听不到。心音的每一部分对应着心脏各器官的功能，如房室瓣的关闭是产生第一心音的主要因素，半月瓣关闭是产生第二心音的主要因素。为了有助于检测疾病，在听诊中监听、分析心音的主要成分：S1、S2。在非正常的心音中，可能还存在S3、S4及杂音等。
　在听诊中要检测的重要特征有心音的韵律、心音成分的相对强度、S2的分裂、杂音等，尽管心音的很多定量描述已经得知，但是，仅仅通过听诊很难确定他们的特征，实际上，听诊仅仅依靠于身体上的某些点，在这些地方，心音很容易听到，但是需要很多医学经验，而且很不容易提取，而计算机辅助工具有助于确定这些特征。早期的研究者，已经提出个几种关于心音特征提取的方法，ZIN[1]用瞬时能量和频谱估计(IEFE)技术来提取心音的特征；参考文献[2]中，特征的提取主要基于归一化自回归能量频谱密度曲线。在特征提取之前，用小波分解来处理心音信号，通过选取合适的阈值，去除噪声，从而两个特征被提取出来：fmax和fwidth。
当今，有很多方法可识别心音信号，如参考文献[2]的SVM技术；参考文献[3]提到的基于专家系统的规则；参考文献[4]中决策树支持系统；平滑伪Wigner-Ville分布[5]；参考文献[6]连续隐性马尔可夫模型和神经网络如：MLP、LVQ、SOM、GAL、RBF等。
　在参考文献[7]中，心音信号用小波进行预处理，用信号的能量作为进一步分类的特征。在本文中，提出一种新的方法来提取心音的特征，主要是基于信号的统计特征：均值和标准方差，这些信号特征用多层感知器来分类，用Levenberg-Marquardt算法训练神经网络。神经网络在初期的研究中，主要是由于其在Matlab中简单并且易于得到。本文的研究主要基于正常心音和四种常见的心脏瓣膜失调的类型：主动脉狭窄、主动脉返流、二尖瓣狭窄和二尖瓣返流[8]。
1 小波分解与重构思想
　由于心音中含有噪声，比如呼吸音、身体的移动、皮肤的摩擦音、心音传感器放置的位置以及其他的环境噪音。因此有必要对心音进行预处理，去除各种“噪音”，本文主要用小波阈值去噪。小波去噪是在小波分解基础上的阈值降噪方法。已知时间信号f(t)，有

到S1，舒张期间隔主要是S1与S2之间。对db2小波分解得到的细节D2，用同样的方法进行去噪，如图2所示，利用信号被分段做进一步的特征提取。

2 信号的特征提取
　早期的研究中[7]，在第二水平上用小波分解得到信号的每一个周期被分裂成32个子窗，每个子窗有128个离散数据，特征向量的元素主要由每个子窗中信号的能量形成[10]。同样的处理过程也可以用在第六水平的小波近似系数，因此，特征向量的大小为64。
　本文提出一种新的方法，经过软阈值去噪后，信号每个周期的前2 000的数据，被分成20个帧，每个帧包括有100个离散的数据，用每个帧的均值和标准方差来作为信号的统计特征，这些特征相对[1-7]所提出的特征很容易计算，所有这些特征被归一化，因此在心音信号中的每个周期有40个特征作为神经网络的输入。
3 多层感知器神经网络训练与识别
　为了用多层感知器神经网络识别心音，把心音样本分成五类：正常、主动脉狭窄、主动脉返流、二尖瓣狭窄和二尖瓣返流。神经网络用Levenberg-Marquardt算法训练，因为它有快速的学习速率。神经网络的结构包括40个输入、10个隐含节点和3个输出，如表1所示。第一层和第二层用logsig函数来作为传输函数，如果输出值≥0.5将做为1处理，否则为0。

　选取250个心音做实验，150个周期用于训练数据，100个周期用于测试数据。
4 实验与识别结果
　本文的方法用于识别四种异常心音和正常心音，识别的结果可以达到92%，对于错误的训练率是10-4，基于错误的性能，网络能够通过恰当的学习满足输出目标如图3所示，对于每个例子的分类性能显示如表2所示。

　本文用简单的特征提取步骤和标准的MLP网络识别方法，能够达到参考文献[1-2]同样的识别效果，且所用的统计特性易于计算、识别效果好。本文所提的基于小波分解和MLP网络方法适合识别心音，但是这仅仅是初步的研究，还需分析更多的心音，用于心音身份识别的方法有待更进一步分析和提高。
参考文献
[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] 成谢锋，陶冶薇，张少白，等.独立子波函数和小波分析在单路含噪信号中的应用研究[J].模型与关键技术[J].电子学报，2009(7)：1522-1528.