文摘
本文考虑的问题分类的第一和第二心音(S1和S2)心脏压力测试。分类的主要目的是这些声音没有心电图(ECG)引用,并没有考虑到收缩期和舒张期时间间隔标准可以成为现实生活问题和无用的在几个设置严重心动过速和快速性心律失常或受试者的心脏压力下活动。首先,基于心音分段的使用修改后的时频信封。区分第一和第二心音,新特性,命名,,,基于高阶统计和能源集中措施的斯托克变换(S-transform)提出了研究。高频率的变化的研究内容S1和S2的人力资源(心率)也进行了讨论。拟议的功能验证数据库包含2636 S1和S2声音对应62心脏信号和8对象在健康受试者的心脏压力测试收集下。结果与现有方法和比较文学显示一个很大的优势为我们提出了功能。
1。介绍
心脏听诊是心的基础考试。它提供了一个丰富的信息结构和功能的心脏缺陷,使用简单,高效和不花钱的医疗设备:听诊器。在19世纪发明的,事实证明这样的声学仪器从那时起重要的是心脏疾病的身体检查和诊断。在过去的两个世纪,听诊器进行了大量改进达到电子听诊器的发展能够注册和优化声信号的质量,完成Phonocardiographic听诊信号(PCG)表示。然而,分析心脏的声音,仅仅基于人耳,受到临床医生的经验的一个可靠的诊断心脏疾病和获得所有关于心脏活动的定性和定量信息(1]。信息,如心脏的时间定位声音,其内部组件的数量,他们之间有些内容,和舒张期和收缩期杂音的意义,也可以直接在PCG信号研究[2]。为了识别和心血管病理分类,将使用先进的信号处理方法和技术。
,两种方法可以考虑改善电子听诊器:(我)听诊器与嵌入式自主分析,简单的家用的病人和医护人员,为目的的自我诊断和随访,(2)听诊器加上一个主机设备或服务器进行复杂的分析(与电脑蓝牙链接)使用专业临床医学诊断以提高性能。
无论哪种方法,第一个阶段心音的分析,是细分3- - - - - -5]。心音分段PCG信号分为四个部分:S1(第一心音),现存的收缩,S2(第二心音),现存的舒张。首先,S1和S2所在;现存的收缩是由间隔S1, S2和现存舒张间隔S2 S1。
识别两个阶段的心动周期和心脏的声音区分强劲S1和S2即使在额外心音和/或杂音的存在是这一挑战的第一步。然后,需要准确测量,S1和S2 (6,7)允许进程自动诊断心脏杂音的弹射的区别和返流杂音。
大部分的现有方法,直接分割的心音,不使用心电图(参见图的帮助1),使用收缩和舒张功能的持续时间分类第一心音(S1)和第二心音(S2) [3- - - - - -10]。这些时间间隔可以成为问题和无用的在一些真实的生活场景,尤其由严重的心动过速,快速性心律失常或心脏压力下主题活动。
(一)
(b)
在我们之前的工作细分的心音2),我们应用奇异值分解)技术和资讯分类器区分S1和S2。圣言会提取矢量20从斯托克变换功能发布11),然后是紧随其后的是一个训练有素的资讯分类器特征向量。这个方法是一般的数据库上进行验证(没有压力数据)收集从医院斯特拉斯堡大学(HUS)和Mars500项目。
在这项研究中,我们使用一个新的数据库收集的强调主体在Aalborg大学。这个数据库是特别感兴趣的分类S1和S2因为它包含特定条件的收缩压和舒张压间隔特性是无用的。此外,我们原来的方法包括学习本文采用定性特性(而不是盲目地提取特征向量在[2),以选择最合适的单一功能。这种新方法使训练阶段不必要的,因为它只需要一个简单的阈值分割阶段,使更少的时间消耗,减少其复杂性。三个原始特征提出了基于时频域和高阶统计摘要及其表现进行了探讨和分析。
本文的主要贡献可以概括如下。(我)第一次修改的分割方法(2)为了提高执行低强度检测声音埋在噪音。(2)本研究的主要贡献是定性调查3新特性区分S1和S2 (,,γ):(一)的功能是用于2)优化的能量浓度斯托克变换。然而,在这项研究中提出了作为一个功能来区分S1和S2完全不同,可以被认为是一种新方法;(b)第二个特性,即随着时间的推移,是集成的信封的修改测量获得的信号的瞬时频率。这个特性旨在描述准确S1和S2的频率内容随时间;(c)第三个新特性,即,计算时频的峰度信封。这个功能是基于斯托克变换的谱图(ST-spectrogram)和一个类比时频系数和概率密度函数是为了应用峰度测量。(3)实验验证基于特定数据库从Aalborg大学执行压力测试对象。这里我们注意文献中,许多研究表明,一个参与的一些特性提取心音(例如,S / d比值)可以增加运动测试的诊断价值12- - - - - -14]。然而,据我们所知,我们的研究是第一个与利益区分心音(S1和S2)在压力条件下。(iv)实验研究显示高频内容配给(S2 / S1)执行在心率变异和讨论。
本文组织如下。部分2描述了数据采集过程和方法在本文提出。中给出的结果和讨论部分3和4结论和未来的工作。
2。方法
2.1。数据收集
本研究收集到的数据库中使用对应于健康受试者的心脏压力测试下卫生部科技、Aalborg大学(15]。
九名健康受试者参与研究(M = 5, F = 4)的平均年龄32 (24-36)。知情同意是检索所有受试者运动前测试。松下麦克风成立耦合器,特别设计的声学在Aalborg上大学,丹麦。麦克风检测机械压力差异耦合器,由声压的变化引起的。麦克风记录采样频率为48000赫兹。心脏同步录音3-lead心电图(见图1)。麦克风是安装在第三左肋间空间与一个特别设计的双橡皮膏。随后话题骑在Monark测功的894 e测力计的自行车。工作量增加了25瓦每两分钟25瓦的初始工作负载。骑车到主观最大的耐力了。后来主题没有达到最大心率的80%定义为(220 bmp -年龄)±12被排除在研究之外。这项研究是根据丹麦心电图进行压力测试的指导方针。“220 bmp -时代”是一种常见的标准,以确保病人达到满负荷工作状态(16]。一个主题没有达到这个速度,因此被排除在研究。心音是由10秒的录音结束时每个工作负载水平。Acarix数据采集系统用于记录心音和心电图17]。在实验开始前受试者的心率与第一个工作负载级别相对应。没有任何特殊要求受试者在实验开始前的限制。
2.2。黄金标准
黄金标准生成基于同步心电图信号。心电图可以提供信息分类第一和第二心音,S1发生后续的QRS波群和S2以来发生后让[5]。
声音会自动分类的基础上,提出了基于验证的功能对应的同步心电图信号。
2.3。高频签名(HFS)特性分类S1和S2
唯一的研究文献中,旨在分类考虑S1和S2的另一个特点相比,收缩压和舒张压标准Kumar等人提出的研究(18,19]。高频信封的方法提取目标声音片段,通过应用香农能量算子对小波变换的细节系数发布(Daubechies 6) (18]。为了检测心脏周期,这个信封的自适应阈值的定义。算法的目的是检测高频签名(HFS)和低频签名(LFS) [18]。
Kumar等人通常认为S2声音包含更高的频率对S1声音对应于S2和LFS对应于S1 (HFS)不包括一些罕见的例外。
Kumar的问题等的纸可以概括如下。(我)作者认为S1只能包含更高频率的内容相比,S2在人工心脏瓣膜等极少数情况下,例如。这个假设忽略了真正的复杂性临床S1在正常的声音听起来可以有更高的签名(见图2)和忽略,S1和S2的频率内容有关心率(见图15)和听诊的位置(20.,21]。(2)使该方法自动从先验知识和自由,HFS中签名的类型不是自动识别为S2(因为异常可能发生),但这已被使用收缩时间间隔标准,这正是我们的目标是避免在这项研究中自收缩时间区间估计不是一个可靠的特征在压力测试数据(当人力资源高)或病理情况下严重的心动过速或快速性心律失常。(3)作者认为所有检测HFS中表现出一个类的声音(S1和S2)并不是一个可靠的假设从S1和S2的频率内容可以改变在同一注册(见图3)由于呼吸的变化状况20.,21]。
(一)
(b)
(c)
(一)
(b)
2.4。斯托克韦尔变换
S-transform源于两个先进的信号处理工具,短时间傅里叶变换(STFT)和小波变换(WT)。它可以被视为一种频率依赖STFT或相位修正WT。S-transform正在成为一个有价值的工具应用在许多心血管(信号和域2),脑电图信号(22),地球物理(23)、电力系统工程(24),等等。的S-transform时变信号被定义为(11] 的窗口函数被选为 和是频率的函数 是规范化的窗口 这给S-transform之间的直接关系和傅里叶谱平均当地频谱随时间: 在哪里的傅里叶变换。
2.5。细分:修改SSE方法
建立心音的本地化使用SSE(见方法6)。提出了SSE方法提取信号的包络线计算的香农能量提取s矩阵的每一列(局部)。然后,提取的信封被应用平均滤波器平滑。上交所信封应用于时频矩阵计算为: 的参数通常是固定2 (2)这是香农能量系数衡量的标准。在这项研究中,是固定的1.5提高低强度检测声音埋在噪音。这经常发生在心音与S2时心脏频率很高。图4显示了衰减的妥协的低和高强度,作为价值的函数。我们注意,上交所方法,强度的本地频谱系数S-transform而不是时间样本信号的强度。图5显示的值的影响的检测非常低强度心音(S2)。
(一)
(b)
(c)
(d)
2.6。新提出的特性
功能1(高斯参数( ))。在另一项研究中,我们引入了一个参数α高斯窗口以优化斯托克变换的能量浓度(2]。的参数α介绍了高斯方程2介绍如下: 的价值最大化能量浓度被认为是最优值。给出的能量浓度测量 这种方法有良好的性能相比其他浓度的措施(25]。
与的归一化能量S-transform,它是由(26]
的值选择从一个集合,0.5 <0.1 < 2的步骤。达到最优解是最大化: 在这项研究中,我们建议测试的能力区分第一和第二心音。因为它已经被用于优化能量集中在时频平面上,它可能是有趣的测试它作为鉴别器功能。从一个信号理论的角度来看,信号的复杂性概念直观地与他们的基本组件的数量27)由于S1通常比S2(包含多个组件21),因此,它可以被视为一个更复杂的信号比S2。这些生理差异必然会导致不同的时频内容的行为,我们将致力于揭示参数。
图6显示了S1和S2信号与相应的优化S-transform获得示例和0.5,分别。
(一)
(b)
功能2 (SSE信封特性( ))。另一个新特性,我们调查在这项研究中,即;随着时间的推移它旨在整合归一化SSE信封;它可以作为 上交所信封估计频率能量的本地频谱信号。它可以被视为一个修改后的瞬时频率测量。的频率特性旨在揭示每一个声音作出的贡献。在数学上,它可以被视为集成瞬时频率测量随着时间的修改。标准化的测量计算SSE信封,以避免振幅变化的影响。图7显示的一个例子特性计算S1和S2的声音从他们的规范化SSE信封。
(一)
(b)
(c)
(d)
功能3(高阶统计特性( ))。这是第三个特性提出了高阶统计量的测量(峰度)应用于时频系数。峰度测量通常是应用于一个概率分布来描述其形状。正常的斯托克变换之间的过渡和相应的时频能量分布是s矩阵的大小的平方,即本文ST-spectrogram。在这种情况下,扮演类似的角色时频表示的二维概率密度函数(PDF) (27]。然后,峰度可以直接应用在这个估计通过时频平面的PDF。然而,峰度可能对噪声非常敏感(28]。要处理这个问题,我们之前计算SSE信封应用于ST-spectrogram应用峰度。在这种情况下,提取信封的值是通过时频平面估计的概率分布。
如果我们考虑到平方S-transform或ST-spectrogram模量,我们获得一个信号在时频平面上的能量分布。ST-spectrogram给出 ST-spectrogram规范如下: 该特性可以作为基于峰度 在哪里上交所信封的值应用规范化ST-spectrogram和是相应的平均值。峰度衡量分布的尖峰。这个特性将尝试描述估计时频分布的形状分割声音(S1和S2)。
图8显示的一个例子特性计算S1和S2的声音从他们基于ST-Spectrogram SSE信封。
(一)
(b)
(c)
(d)
3所示。结果和讨论
建立心音的分割使用SSE方法提出了部分修改2.5。提出的不同特点分别测试和HFS中特性的比较研究提出了在文献中。拟议的功能,,计算每个分段听起来和结果总结在表吗1。数据库中S1和S2的总数是2636 (1318 1318 S1和S2)心灵,对应62声信号和8个主题。
3.1。结果特性
结果表明,中值S1与S2更大(0.83±0.13,0.59±0.04,职责),这意味着高斯窗的宽度(见图5)获得优化的能量浓度是S1与S2更广泛。换句话说,该算法需要一个更高的频率分辨率S1与S2。第一心音蓬勃发展的质量和低音调,乏味,超过第二心音(19];S1可以被认为是更复杂的比S2(包含多个组件)从生理的角度和频率成分的词解释的需要更高的频率分辨率或大S1与S2分析窗口。
图9显示了AUC的特性,为每个主题。最低的AUC对应4 (0.7)。最高的AUC是0.91和AUC的总平均是0.85。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
两组的概率(S1 (α)和S2 (α)来自Mann-Whitney分布计算与不同的中位数测试()(表2)。两组之间的显著差异,有95%的信心,被发现。分类结果是有前途的。这是非常有趣的,因为这个参数α也用于提炼S1和S2的边界检测分割过程。
3.2。结果特性
结果功能显示的平均值S1与S2(大和、职责)。这个功能是集成的结果随着时间的推移,上交所。随着时间的推移SSE信封简历内容的频率;它可以被视为一个瞬时频率测量是通过一个非线性滤波器衰减低强度和高频率。因此,β修改功能可以被看作是一个集成的瞬时频率测量将高生理上丰富的信号(在本例中S1)。
两组的概率(S1 ()和S2 ()来自Mann-Whitney分布计算与不同的中位数测试()(表2)。两组之间的显著差异,有95%的信心,被发现。
图10显示了AUC的β特性,为每个主题。最低的AUC对应4 (0.77)。最高的AUC是0.96和总平均0.87高于特性。较低的AUC主题4得到的结果和可以解释的高噪声水平获得信号由于并购过程。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
3.3。结果特性
结果功能显示的平均值更大比S1 S2 (和、职责)。的功能操作分布提取通过斯托克变换的谱图(ST-spectrogram)可以被视为概率密度函数。目标是找到一个健壮的统计描述让我们准确区分第一和第二心音。
S2是一个重尾分布和峰值高于S1分布。这可以解释为S1声音通常长于S2的时间,他们有较低的频率特征。这将导致更高的峰态估计S2。特性的结果显示所有对象(图很好的性能11)总平均为0.96 (AUC)。两组的概率(S1 ()和S2 ()来自Mann-Whitney分布计算与不同的中位数测试()(表2)。两组之间的显著差异,有95%的信心,被发现。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
图12显示了分段声音对应主题的结果在工作负载6号4 HR = 181 bmp和不同,,特性。
(一)
(b)
(c)
(d)
3.4。与HFS特性进行比较
HFS特性显示了较低的AUC(图0.6的结果13)。这并不奇怪,因为HFS中方法是基于一些不精确的假设。首先,正如上面我们提到的,并不是所有的HFS签名一定要对应类(S1和S2)提出(18]。图3提出了正常心音与相应的HFS中清楚地表明,HFS中并不一定对应一个类。此外,HFS方法仍然需要收缩持续时间分类S1和S2时是不可靠的人力资源非常高(例如压力测试)。最后,HFS方法探讨只有声音的频率内容没有任何信息;成为问题的非平稳信号的这种情况在这个研究与S1和S2的声音(信号的频率随时间变化)。图13显示,达到最高性能的建议功能,AUC = 0.96。
3.5。提出了特征对噪声的鲁棒性
在本节中,我们研究提出了特征对噪声的鲁棒性。数据库中收集到的声音已经污染的生理噪声和背景噪音。这里,我们将研究清楚地提出的鲁棒性与噪声特性估计信噪比的比例在从数据库中选择心音和加性高斯白噪声加三个不同的水平。平均信噪比的数据库中的所有声音估计10 dB。对噪声鲁棒性测试,另外两个添加的噪声水平,结果显示在表3。
结果在表3显示明显的高鲁棒性提出了对噪声特性。这并不奇怪,因为这些特性是基于时频域(2,29日]。HFS中功能不可靠的结果显示在这项研究中使用的声音。图14显示选定的声音(从主题1)和相应的三个不同水平的噪音特性计算分段S1和S2的声音。
(一)
(b)
(c)
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
3.6。高频内容比S2 / S1在心率变异
本部分旨在分析S1和S2的频率内容人力资源。正如我们之前提到过的,这一事实的频率内容S2展品频率含量高于S1不能推广和采用健壮的特性来描述相关的生理学的心的声音。例如,众所周知,S1的强度和频率影响部队的速度的加速和减速负责血液质量,另一方面是直接关系到人力资源(20.]。
实验表明,高频内容S1和S2的8个主题数据库的估计。的均值和标准差的比值的频率内容S2 / S1的频率内容(S2 / S1)计算与心率的关系。对于每一个主题,4听起来是4种不同压力水平(工作负载水平)。
结果在图15显示明显的直接关系的频率内容心音和心率。通常,S2频率含量高于S1 (S2 / S1 > 1)除了主题5。图中的红线15表明当S1的频率内容超过的频率内容S2。当心率增加,S2的高频内容减少减少比率S2 / S1(见图15和16)。这证实了我们的动机提出其他特性比高频内容签名区分S1和S2。
(一)
(b)
4所示。结论和未来的工作
本文的主要目的是研究新功能的细分和歧视S1和S2在压力测试环境数据。首先,我们提出的修改版本SSE分割方法考虑的强度非常低的声音可以与S2时经常发生心脏频率很高。然后,我们调查了三个新的时频特性计算从S-transform可视为STFT和小波之间的混合方法。拟议的功能验证数据库包含2636 S1和S2的声音(1318 1318 S1和S2)对应于62心脏信号和8对象在健康受试者的心脏压力测试收集下。
分类基于PCG S1和S2的信号没有任何其他参考是一个艰巨的任务,因为他们是非常敏感的几个参数就像呼吸,心脏频率,和其他生物医学和环境条件。
拟议的功能旨在描述每个声音的时频特性。的功能对应的最优宽度高斯窗口最大化能量集中的信号。的功能是集成的结果随着时间的推移,上交所的信封(可视为修改测量瞬时频率),虽然功能是基于提取的峰度通过规范化ST-spectrogram SSE信封。的显示了最高的性能和AUC = 0.96。这是非常有趣的,因为它显示了能够准确区分临床S1和S2的声音通过使用一个单一的功能,简化了分割模块。
与现有方法的比较,即HFS(高频信号),在文献[18,19)显示了我们的一大优势特点,提出最明显特性。
此外,执行一个实验验证本研究显示高频内容比例(S2 / S1)在心率变异。
最后,提出的方法可能有高潜力研究心脏的形状变化声音由于信汇和A / P组件之间的分歧在呼吸周期或其他生物医学和非平稳的信号进行分类。
利益冲突
作者宣称没有利益冲突有关的出版。
确认
作者要感谢法国的财政支持远程医疗项目,E-Care。再次感谢是由于那些评论家的建设性的意见和建议,大大提高了纸。