于薇 宋丹丹 武亮

【摘要】与心电检测、彩色多普勒和磁共振成像等传统心电监护方法相比，心音监听对于心脏病的诊断更安全、更便宜，可在门诊患者或者患者日常生活中完成，因而具有更广泛的适用性。心音的改变和杂音常常能够提供心脏异常状态的最早信息，这使得心音监测器对于心血管疾病的诊断非常重要。本文基于一种噪声环境下心音监测的设备框架，实现心音信号的采集、传输和自动分析。我们在志愿者身上进行了，临床试用，实现结果表明我们的方法可以正确地分类94%的测试心音。

【关键词】心音监听;心脏病;诊断

尽管从二十世纪后期开始死亡率明显下降，但心脏病仍是人类的主要杀手。

而心音的改变和杂音常常能够提供心脏异常状态的最早信息，这使得心音监测对于心血管疾病的诊断非常重要。目前也有一些其他的心脏监测方法，如心电图（EGG），彩色多普勒和磁共振成像。与这些方法相比，心音检测更安全、更便宜，需要更低的专业要求，具有更广泛的适用性，可以在门诊患者或者患者日常生活中完成。

心音分析是心脏评估的一种基本方法，它包括了心脏各部分的生理和病理信息以及它们之间的相互作用。目前的心音的模式识别和自动解释，主要集中在心音的分析和分类，是研究人员研究的最重要和最普遍的领域。对于心音的特征提取和分类，Groch等人提出了以EGG為参考的一种基于时域特征的心音分割算法Ⅲ，但这种方法涉及到了心音信号以外的其他信号。Quart等人用小波多分辨率分析对心音进行了分段处理。Xu等人采用经验模态分解法对心音进行预处理并进行分割吲，但其分析的效率较低。Zhou等人提出了基于规一化平均香侬熵分析法（NormalizedAverage Shannon Energy，NASE）的分割算法。Schmidt等人采用隐马尔可夫模型对心音进行了高精度的分段。Liang等人提出了基于信号包络的分割方法，并描述了去除额外峰值的方法。

然而，心音监测和分析面临着噪声环境中的巨大挑战，因为心音会与各种噪声混合，这使得很难被识别和分析。而在上述的各种方法中，并没有对噪音进行考虑与处理。

对于在噪声环境下的心音监测，我们设计了噪声环境中监测和分析心音的设备框架与原型。它涉及心音信号的采集、信号传输和信号分析。该设备的具体构成为：对于信号采集部分，采用数字声道的两个通道分别进行信号采集。一个通道记录心音和一些环境噪声的混合信号，另一个通道记录环境噪声作为参考。然后，在基于最小均方（LMS）自适应噪声消除的信号分析步骤中，可以过滤出环境噪声，以得到纯化的心音。对于信号传输部分，由于无线传感器网络具有低功耗、低成本、分布式形式和自组织等优点，因而收集的心音数据通过无线传感器网络被传送到服务器，以备进一步的分析。最后，服务器将对接收到的数据进行处理和分析：首先在基于最小均方（LMS）自适应噪声抵消的信号分析步骤中过滤出环境噪声，以得到纯化的心音。然后，利用小波分解和归一化平均香农能量（NASE）提取的特征，并利用一种基于结构学习的模糊神经网络方法用于心音分类，从而可以诊断出该心音数据是否健康。

我们将该设备原型进行了实际临床试用。我们共召集了6个志愿者，其中测试组3人为不同程度的心脏病患者，3人为对照组的心脏健康人群。3个心脏病患者分别为心房颤动、二尖瓣狭窄、主动脉瓣关闭不全。每个人在一天中的早、中、晚三个时段分别采集了2次3分钟左右的心音数据，共36条心音数据。同时为了测试该设备，我们选取了不同的心音数据采集环境，包括志愿者家中、公园里及商场里。我们通过拆装听诊器和记录器，实现信号采集部分，并用我们的模型进行了数据分析。实验表明，在36条数据中，仅有二尖瓣狭窄与主动脉瓣关闭不全的2条心音数据没有得到正确的分类结果，因而我们的方法可以正确地分类94%的测试心音。而对于个别未能分类正确的原因，我们分析认为是由于这两种心脏疾病在某些时段心脏声音并没有表现出明显的异常，而发出了与健康人群相似的正常心音。