先天性心脏病儿童心脏杂音的智能诊断

抽象

心脏听诊是心脏疾病的早期诊断一种方便的工具，并正在发展成为在线药品使用的智能工具。目前，有儿科杂音智能诊断因先天性心脏疾病（CHD）的研究很少。这项研究的目的是发展儿童CHD杂音的智能诊断的方法。心音图（PCG）信号86名儿童被记录有24名儿童具有正常的心脏声音和62名儿童具有CHD杂音。被实施了基于离散小波变换与Hadamard乘积变换组合的分割方法来定位从PCG信号中的第一和第二心脏声音。十设有专用于CHD杂音提取作为分类器的分割后的输入。八十六人工神经网络分类器组合成一个分类系统来识别CHD杂音。精度，灵敏度和诊断心脏杂音的特异性分别为93％，93.5％，和91.7％之间。总之，小儿CHD杂音的智能诊断的方法研制成功，可用于小儿CHD的在线审查。

1.简介

脉动血流和组织运动，如心脏瓣膜的开闭发生在心脏由于心肌收缩和舒张。压力波或与所述流或组织运动相关联的变动被认为是心脏声音的原因行进出到胸壁和听到用听诊器。的心脏声音可以通过电子听诊器被记录，以生成心音图（PCG），它们是声波。第一（S1）和第二（S2）心脏声音由房室的开闭听到而造成和半月瓣，分别[1,2]，并反映在PCG作为波动信号的两个不同的基团。很少，弱第三（S3）和第四（S4）心脏的声音可以被听到这些都与心室流入心房收缩，分别为[3.]。正常心脏的声音通常包含S1和S2仅没有杂音是噪音S1和S2之间。心脏杂音通常包括病理性杂音，这是由血液喷射异常通过有缺陷的心脏瓣膜造成的，隔膜，并在心脏动脉变窄，和无辜杂音，这主要是由于在心脏外的生理条件。病理性杂音与心脏病状包括狭窄或返流心脏瓣膜，室间隔缺损，卵圆孔未闭，法洛四联症，肺动脉狭窄，和动脉导管未闭相关联。因此，心脏听诊已用于诊断和监测心脏疾病。智能心脏听诊需要筛选或心脏疾病监测的患者和可发展成为互联网药品的可穿戴设备。

从PCG信号心脏杂音的精确检测是智能听诊一个主要任务。PCG信号处理包括三个主要步骤：PCG分割，特征提取和分类PCG。首先，PCG分割是从PCG信号定位S1和S2。心电图信号被施加到协助在早期的研究中[所述PCG分割4,5]，但它是不是方便，特别适合婴幼儿。经验模式分解[6]可以用来通过选择合适的基本模式，其中引起的三次样条插值导致伪像和分解的PCG信号的失真终点效果来定位S1和S2。该PCG信封为主[7,8]和小波变换[9- - - - - -11]是最常用的PCG细分和有效的只有轻微的心脏杂音的分割。这两种方法都在其中杂音在时间域和频域[抑制或重叠S1或S2中，重度心脏疾病限于12]。因此，需要一种能够同时定位中度和重度心脏杂音的分割方法。同时，收缩期短于舒张期的假设对于成人PCG分段是有效的[7,13，但不适合儿童。儿童心率快且分布广泛，舒张期可能较短[5]。这是更好地决定基于对孩子的心脏率的收缩和舒张。其次，在以往的研究中常用的功能包括大小[14]，频谱[10,15]，归一化的能量谱[16]，功率谱密度[17,18，和小波系数[19]。在心脏杂音和正常的心脏声音之间的这些特征在时域和频域中的差异被用于从PCG信号分辩心脏杂音。然而，在一个心动周期比S1和S2以外的信号的特征是，其正常的心脏声音和心脏杂音之间不同的真正关键特征。因此，时间 - 频率的选择从所述特定信号特征分类器的输入是用于分类精度是至关重要的。三，人工神经网络是非常不错的表现最常用的分类之一[20.,21通常被采用。

目前，儿童接受与PCG研究成人比较关注较少。以往儿科研究的重点一般是无辜的杂音区分[16,22]或斯蒂尔杂音[23]和病理杂音。研究产前CHD杂音主要集中在PCG分割，但不涉及人工神经网络诊断[24]。儿科PCG信号有时因含运动或孩子的哭闹不止的噪音。此外，在儿童冠心病的发病率在中国西部的农村地区高。开发一个便捷和低成本的方法来筛孩子在各地区，他们被称为为住院前检查是可取的。因此，小儿CHD杂音的智能诊断是具有挑战性和苛刻。在这项研究中，智能诊断为先天性心脏病儿童的心脏杂音的方法是待开发。

2。材料和方法

数字1示出了正常的PCG信号和命名法的示意图。S1或S2是一个持续时间，而不是在PCG幅度而言瞬间。收缩被定义为从S1到S2开始时间到S1的持续时间，和舒张从S2开始时间。闭合房室瓣（CAV）和闭合半月瓣（CSV）比在一个心动周期的S1和S2的持续时间等其他两个持续时间。S1和S2的时刻被定义分别代表S1和S2的持续时间的最大幅值的时刻，。

PCG处理的本文中的流动被描述如下。首先，S1，S2，CAV和CSV从PCG信号中分离出来。然后，CAV和CSV的时间 - 频率特征提取和馈送到人工神经网络分类系统从PCG信号识别CHD杂音。

2.1。PCG记录

的电子听诊器（保育G-100，上海Tuoxiao智能科技有限公司，上海，中国）用于4个月至16年86名小儿患者记录PCG信号，其中24例正常心脏的声音，62不得不CHDmurmurs, and digitize PCG signal to 16-bit data at a sampling rate of 44.1 KHz. The PCG signals were recorded at one of five auscultation sites: the aortic valve area, pulmonary valve area, second aortic valve area, tricuspid valve area, and mitral valve area. The recording time of each subject was ∼20 s. The PCG signals were saved in .wav audio format with 8 KHz sampling rate. Patients were from Children’s Hospital of Anhui Province, Gansu Provincial Hospital and Health Centers covering eight counties of Qingyang City, Gansu Province. All the subjects have signed the informed consent form with the hospitals. The heart diseases of all the patients were confirmed by the cardiologists in these hospitals according to echocardiography. Figure2示出的86名受试者的病理分布。

2.2。PCG归一化和去噪

Matlab的R2014a（MathWorks公司，内蒂克，MA，USA）被用于处理该信号PCG。Ťhe recorded PCG signal was downsampled by 2 KHz and then normalized to be within ±1.0 to remove differences in the magnitudes among the samples. The normalized PCG signal was denoised by discrete wavelet transform. Daubechies 6 was used as the wavelet basis function and a universal threshold was used in discrete wavelet transform with five decomposition levels. The wavelet coefficients were obtained and processed by a soft threshold function:. 哪里w ^和w ^_新是原始的和新的小波系数，分别与Ť是普遍的门槛。去噪后的PCG信号用新的小波系数用反离散小波变换重建[24]。

2.3。PCG分割

的方法如下所述，以从所述去噪声的PCG信号分离S1，S2，CAV和CSV中使用。

2.3.1。PCG分解和重组

数字3.示出PCG分解和重组的框图。在PCG分解阶段，降噪PCG信号XD分解成离散的近似和细节系数小波与Daubechies小波6波基函数和五个分解级别变换。近似（A1~A5）和细节（D1~D5）信号分别通过重建各个级别的系数而获得。进行D4和D5的Hadamard乘积以获得低频重组信号S主要包括S1和S2。Hadamard积方法被定义为 哪里小号是重组信号，D4和D5是第四和第五级的细节信号。

2.3.2。包络提取

Ťhe normalized average Shannon energy was used to extract the envelope of the recombined signal S. A sliding window of 20 ms with a 10 ms overlap was used to calculate the average Shannon energy which is defined as 哪里小号_规范是S的在±1.0和大小归一化的信号ñ = 40. The normalized average Shannon energy is defined as 哪里Ë_小号(Ť)与时间轴相关的平均香农能量，中号(Ë_小号(Ť为的平均值Ë_小号(Ť），和小号(Ë_小号(Ť为的标准差Ë_小号(Ť)。

2.3.3。PCG组件

S1和S2瞬间被之前在这项研究中S1和S2的持续时间来确定。基于在包络线的连续采样点之间的幅度差的符号变化进行检测的组合后信号S包络的峰。峰的时刻分别为S1和S2瞬间候选人。Ťwo constraints on the candidates were applied: (1) only candidates with the maximal magnitude within the range of 100 ms centered on them were reserved, and (2) the time interval between two adjacent candidates was more than 180 ms and less than 500 ms. The filtered candidates were considered to be the S1 or S2 instants. The S1 or S2 instants were used to compute the heart rate as follows: 其中，HR是心脏率，中号是S1或S2的时刻的数目，和p是S1或S2时刻。

It was hypothesized that the duration of systole was shorter than that of diastole at heart rate <= 130 and greater than diastole otherwise. The hypothesis was used to determine S1 and S2 instants. Two time intervals between three consecutive S1 or S2 instants were computed. The shorter one indicated an interval from S1 to S2 instants at heart rate <= 130 or an interval from S2 to S1 instants at a heart rate > 130. Thus, S1 and S2 instants were determined. In order to determine the starting and ending times of S1 and S2 duration, two windows of 120 ms and 100 ms were centered on S1 and S2 instants, respectively. All the envelope data points in the windows with magnitude below 10% of the magnitude of S1 and S2 instants were marked. The boundary data points of the marked points were considered to be boundaries of S1 and S2 duration with the left and right boundaries being the starting and ending times, respectively. Furthermore, CAV and CSV durations were determined from the S1 and S2 boundaries.

2.4。特征提取

最大值（正），最小值（负），和CAV和CSV期间的平均绝对值进行了计算。基于所有心动周期的平均值被用来六时域特性。韦尔奇方法[25]将预先用50％的重叠的汉宁窗，使用CAV和CSV中计算的功率谱密度。计算功率谱密度的最大值和平均值，并基于所有心动周期它们的平均值被用作四个频率域特征。共有10个时间 - 频率特征进行使用。

2.5。PCG分类

该分类系统由86个人工神经网络组成，网络结构为如图所示的三层网络结构4对于每个神经元，输入层有10个神经元，隐含层有10个神经元，输出层有1个神经元。每一个人工神经网络将提取的10个特征分别作为对应正常心音和冠心病杂音的输入和输出0或1。将提取的10个特征归一化为±1，使用Matlab R2014a中的神经网络工具箱进行训练或测试。人工神经网络的参数设置为:学习率初始值为0.01，最大迭代次数为1000次，目标为10次^-6。双曲正切和线性函数分别用作隐藏层和输出层，激活功能。文伯格 - 马夸特优化算法[26]，寻找W1和W2的最优权重参数以及Bias1和Bias2的偏置。平均平方误差损失用于测量预测值与给定输出之间的差异。

折刀法[16]用于评价的分类系统的推广能力。这是一个迭代过程，其中一个样品的每个时间省去，并且用于其使用其他样本训练分类器的验证。因此，86个人工神经网络用的85个样本训练和验证与所述一个左出样品。上述86人工神经网络合并为一个分类系统。分类系统的预测值是由0.5的阈值量化为0（≤0.5）或1（> 0.5）。

分类的表现被评估使用基准指标，如准确性，敏感性，和特异性，被定义为 其中Acc是否准确，硒是灵敏度，Sp为特异性，TP是真阳性，FP是假阳性，TN是真阴性，和FN是假阴性。

3.结果

3.1。PCG规范化，去噪和分割

在PCG信号基线是平滑和毛刺被其中未在此示出降噪后减少。数字5节目信号的重组和其归一化平均香农能量用于与严重VSD患者的PCG信号的三个连续的心动周期的结果。S1和S2的信号分量比其他的重组信号更加突出，并且低幅度信号被衰减超过在信封高幅度的信号。

数字6显示同一例严重VSD患者的PCG分割结果。检测到包络线中的S1和S2瞬时，定位去噪PCG信号中的S1(红色虚线)、S2(蓝色虚线)、CAV和CSV。

3.2。PCG特征提取

数字7示出CAV和CSV的用于与严重VSD同一患者的时间 - 频率分布。CAV的幅度超过该CSV因为VSD杂音收缩期杂音之一。CAV的总功率谱密度比CSV的更大。

3.3。PCG分类

数字8节目分类结果用于86个样品的＃1正常心脏的声音，以＃24和CHD，其余的杂音。在样品的虚假预测分别标有红色圆圈。有正常心脏的声音假两点的预测和CHD杂音4点虚假的预测。精度，灵敏度和诊断心脏杂音的特异性分别为93％，93.5％，和91.7％之间。

4。讨论

智能诊断为先天性心脏病儿童的心脏杂音的方法研制成功。其利用两个分立的新分割方法小波变换和Hadamard积是有效的定位S1和S2即使在中度和重度疾病CHD其杂音抑制S1或S2的儿童。所选择的时间 - 频率特征在PCG信号的CAV和CSV持续时间密切相关，其用的病状相关联CHD杂音。基于人工神经网络的传统分类系统中CHD杂音的识别效果很好。该方法促进了基于心脏听诊装置的网络医学的发展和儿童冠心病的智能诊断。

冠心病是儿童最常见的心脏病，特别是在医疗和交通条件较差的西部山地高原地区。它是五岁以下儿童死亡的主要原因，因为该地区的儿童往往由于筛查不及时而错过了治疗的黄金时期。因此，迫切需要开发一种低成本的筛查工具来检测儿童冠心病杂音。智能听诊是一个解决方案。接受过使用电子听诊器训练的志愿者将前往人口较少的地区提供检查服务。

4.1。PCG分割

PCG信封或基于小波变换方法是一种常见的分割方法来定位S1和S2。然而，这些方法在中度和重度心脏杂音的分割限制，这经常在时域和频域抑制或重叠S1或S2。在基于包络PCG方法从心脏杂音不仅在时域中分离S1和S2。这是不可能通过一次杂音抑制S1或S2的阈找到S1和S2的峰值。的小波变换方法通过重建低频信号分离S1和S2。然而，杂音的在时域上的重叠，不能很好地单独频率选择，其结果在S1和S2的位置不准确消除。在目前的研究离散小波变换结合哈达玛产物分离杂音和S1和S2在两个域中执行。低频信号分别首先通过离散获得小波变换，然后对信号进行Hadamard乘积以消除时域重叠。结果证实，该方法是适用于中度和重度冠心病杂音。

决定本文的收缩期和舒张期的另一个重要标准是假设，即收缩的持续时间比在心脏速率<= 130舒张的短。孩子们有一个快速和广泛分布的心脏率与收缩期和舒张期持续时间不一致的关系。有少数患者在这项研究的超过130心脏速率。例如，3个月VSD患者的心脏率为143，和5个月的PFO患者的是136的标准帮助S1和S2的位移避免。

4.2。PCG分类

由于大多数心脏病理，CAV和CSV中的信号与杂音相关，应作为分类特征。本研究提取了CAV和CSV中的时频特征。这些特征与之前的研究不同，之前的研究提取了整个心动周期的特征，尽管目前的研究中这些特征与之前的研究相似。由于CAV和CSV的特征与心脏病理密切相关，目前的结果是优秀的。CAV和CSV中的这些特性可以在未来进一步分析以指出特定的病理。对冠心病杂音的鉴别准确率高。

错误分类的样品进行检查。一个正常的心脏声被误列为冠心病的杂音，因为在PCG记录过程中的噪音被列为杂音。噪声可以通过摩擦在录制过程中或儿童运动和哭泣引起的，并没有被去噪方法去除。该分类的CHD杂音的正常心脏的声音与其他样品有四个病人。其中两个有轻度房间隔缺损，另两名患者有轻度室间隔缺损。这些心脏杂音虚弱得功能均接近正常心脏的声音。

4.3。性能比较

当前方法的性能与那些在儿科PCG分割或分类以前的研究的进行比较，如表1。除第四项研究外，所有研究方法的性能均在90%以上[24]。当前的方法具有最佳的精度和灵敏度，但具有低的特异性，这表明当前的方法是能够CHD杂音的精确检测，但可能会增加假阳性的概率。在一般情况下，目前的方法有冠心病杂音的诊断相当的性能。

4.4。限制

本文采用的去噪方法无法去除记录过程中儿童哭闹和移动产生的强噪声。由于没有对轻度、中度和重度杂音进行分级，所以预测中的输出数据不稳定。样本量较低。PCG信号由专业人员在五个听诊点之一记录。如果非专业志愿者将电子听诊器放置在其他位置记录PCG信号，这种方法可能无法很好地工作。

5.结论

成功地开发了一种诊断冠心病儿童心脏杂音的智能方法。提出的分割方法是有效的定位S1和S2从儿童冠心病杂音。在CAV和CSV中所选取的PCG信号的10个时频特征与冠心病杂音密切相关。基于人工神经网络的分类系统对冠心病杂音的识别具有较高的准确性。该方法促进了基于心脏听诊装置的网络医学的发展和儿童冠心病的智能诊断。

的利益冲突

作者声明，他们没有利益冲突。

致谢

这项研究是由爱德华生命科学基金会（一爱德华兹的方式，尔湾，CA-92614，加利福尼亚州，美国），天使心基金会的资金支持（甘肃省兰州市，中国），甘肃省卫生产业研究项目（批准号。GSWSKY2016-04），中国国家自然科学基金（批准号51805218），江苏自然科学基金（批准号。BK20170552）。

参考文献

1. R. C.小，J.G。希尔顿，和R. D.谢弗，“第一个心脏声音在正常和异位室性早搏，”发行量研究第2卷第1期1954年第48-52页。查看在：出版商网站|谷歌学术
2. H. N.萨巴赫和P. D.斯坦“的理论和第二心脏声音的来源变化的机制研究”发行量研究第39卷，no。1976年第874-882页。查看在：出版商网站|谷歌学术
3. A.蒙达尔，P.查亚，和G.萨哈，“为心脏声音分量S1，S2，S3和S4中使用希尔伯特变换和海伦公式肺部声音的定位的自动工具，”Springerplus第2卷第1期1，P。512，2013。查看在：出版商网站|谷歌学术
4. M. B. Malarvili, I. Kamarulafizam, S. Hussain, D. Helmi，“基于心电图瞬时能量的心音分割算法”，计算机在心脏病学卷。30，第327-330，2003。查看在：谷歌学术
5. M.埃尔 - Segaier，O. Lilja的，S. Lukkarinen，L.Sörnmo，R. Sepponen和E. Pesonen先生“基于计算机的检测和心脏声音和杂音的分析，”生物医学工程纪事第33卷，no。7，第937-942页，2005。查看在：出版商网站|谷歌学术
6. 利用EMD方法对病理性心音信号进行分割和时频分析，载于2014年第22届欧洲信号处理会议论文集（EUSIPCO），IEEE，葡萄牙里斯本，2014年9月。查看在：谷歌学术
7. T.宁，L.程，和K. S.谢，“鉴定和功能的收缩和舒张杂音的提取，”在2016年IEEE第13届信号处理国际会议论文集，IEEE，中国成都，2017年十一月。查看在：出版商网站|谷歌学术
8. 李涛，邱，洪，“一种基于循环平稳包络的心音分割方法”，载在计算机科学和电子工程的第二届国际会议论文集亚特兰蒂斯出版社，中国杭州，2013年3月。查看在：谷歌学术
9. “利用小波变换与希尔伯特相位包络的心脏杂音检测与分类”，台北在通讯2015年第二十一次全国学术会议论文集（NCC），IEEE，印度孟买，2015年3月。查看在：出版商网站|谷歌学术
10. F.贾韦德，P·A·旺卡塔彻勒姆，和M. H.艾哈迈德Fadzil，“为心脏声音和心脏杂音的分析的信号处理模块，”物理学学报：会议系列卷。34，第1098年至1105年，2006年。查看在：出版商网站|谷歌学术
11. A.卡斯特罗，T. T. V. Vinhoza，S·S·马托斯和M. T.科英布拉，“小波分析儿科听诊心音分割，”在IEEE医学与生物工程学会(EMBC) 2013年第35届国际会议论文集，IEEE，日本大阪，2013年7月查看在：出版商网站|谷歌学术
12. S. Yuenyong，西原A.，W Kongprawechnon和K. Tungpimolrut，“一个不分割的自动心脏声音分析框架，”生物医学工程在线第10卷第1期1，第13页，2011。查看在：出版商网站|谷歌学术
13. “利用分割技术和人工神经网络对心脏杂音的检测和分类”，国立台湾医科大学医学研究所硕士论文2007年IEEE研讨会的计算智能和数据挖掘程序，IEEE，檀香山，HI，USA，2007年4月。查看在：出版商网站|谷歌学术
14. J. E.吉列尔莫，L. J. Ricalde卡斯特利亚诺斯，E. N.桑切斯，并答Y.阿拉尼斯，“基于径向小波神经与卡尔曼学习网络上的心脏杂音的检测，”神经计算，第164卷，第307-317页，2015年。查看在：出版商网站|谷歌学术
15. “小儿心脏计算机辅助听诊决策支持系统之开发”，台北，国立台湾大学医学研究所硕士论文IEEE医学和生物学工程2010年年度国际会议论文集，IEEE，布宜诺斯艾利斯，阿根廷，2010年8月。查看在：出版商网站|谷歌学术
16. C. G. Degroff，S. Bhatikar，J.赫茨伯格，R. Shandas，L.巴尔德斯-克鲁兹和R. L.马哈詹，“小儿筛选心脏杂音的人工神经的基于网络的方法，”循环卷。103，没有。22，页。2711年至2716年，2001年。查看在：出版商网站|谷歌学术
17. 王洪，胡玉玉，刘丽玲，闫文伟，张建民，“基于自回归功率谱密度的心音分析”，中华人民共和国信号处理系统的第二届2010国际会议论文集，IEEE，大连，中国，2010年7月。查看在：出版商网站|谷歌学术
18. A. A. Sepehri，A. Gharehbaghi，T.迪图瓦，A.科恰良，和A. Kiani曾，“儿科心脏声音分割在不使用心电图的新方法，”计算机方法和程序在生物医学卷。99，没有。1，第43-48，2010。查看在：出版商网站|谷歌学术
19. R.拉科格鲁，“隐马尔可夫模型为基础与PCA心脏瓣膜病的降维的分类，”人工智能的工程应用卷。25，没有。7，第1523-1528，2012。查看在：谷歌学术
20. 用时频和搏动间特征训练的DropConnected神经网络来分类心音。生理测量卷。38，没有。8，第1645至1657年，2017年。查看在：出版商网站|谷歌学术
21. G. Eslamizadeh和R.巴拉蒂，“心脏杂音检测基于小波变换和人工神经网络和改性的邻居退火方法之间的协同作用，”医学中的人工智能，第78卷，第23-40页，2017。查看在：出版商网站|谷歌学术
22. A. L. Noponen，S. Lukkarinen，A Angerla和R. Sepponen，“小儿心脏杂音的唱机，光谱分析，”BMC儿科第7卷，no。1，第23页，2007。查看在：出版商网站|谷歌学术
23. S.康，R. Doroshow，J. Mcconnaughey和R.谢卡尔，“无辜的还是在儿童杂音的自动识别，”IEEE交易在生物医学工程卷。64，没有。6，第1326至1334年，2016。查看在：谷歌学术
24. J. Chourasia，V. Chourasia和A. K. Mittra，“使用四个段信号心音分析CHD杂音的产前鉴定，”中华医学工程与技术第41卷，no。2，第122 - 130,2016。查看在：出版商网站|谷歌学术
25. A. Haghighi，情绪和J. N.托里，“在心脏的声音分析高级信号处理技术的应用，”在心脏学信号处理IEE学术会议论文集1995年3月，英国伦敦。查看在：出版商网站|谷歌学术
26. G. Lera和M. Pinzolas，“基于邻居Levenberg-Marquardt算法的神经网络训练，”IEEE神经网络汇刊卷。13，没有。5，第1200年至1203年，2002年。查看在：出版商网站|谷歌学术

版权

版权所有王家明等这是一篇开放获取下发布的文章知识共享署名许可，其允许在任何介质无限制地使用，分发和再现时，所提供的原始工作正确的引用。