基于分割的自适应特征提取诊断心音方法

针对心音特征具有随其可分割性而改变的性质，提出一种基于心音分割的自适应特征提取算法，进而创建一种创新型的心脏病诊断系统。其创新点主要体现在：基于短时修正希尔伯特变换的第一复杂心音(1CS )，第二复杂心音(2CS )或完整心音( CS )的自适应分割提取；基于分割心音的自适应频率特征FF1或FF2提取；基于主成分分析的多尺度特征[11γ、12γ]和[21γ、22γ、23γ]降维处理。实现此研究目标的2个阶段概括为：① 自动统计分析两个连续峰值之间的时间间隔，以此来确定心音的可分割特性；② 基于心音分割的自适应特征提取以及降维处理。通过在线数据库和临床数据库中提取的心音特征的散点图对系统性能进行初步评估验证。

心血管疾病(CVD)是全球头号死亡原因，估计每年夺走1790 万人的生命[1]。因此，心血管疾病的防治已成为迫在眉睫的公共卫生问题。尽管经胸壁超声心动图是诊断心血管疾病的黄金标准，但它的成本高昂，检查时间长(约为1 小时) [2]。此外，由于声学窗口的限制，图像质量可能会降低[3]。而心音诊断心血管疾病是一种无创、简单、经济、有效的方法，广泛应用于室间隔缺损(VSD)诊断[4]、先天性心脏病诊断[5]、儿童先天性心脏病筛查[6]等。正常的心音主要由两个基本心音组成：第一个心音S1 和第二个心音S2。然而单纯性杂音，如收缩期射血杂音或全收缩期杂音(如二尖瓣返流(MR))，大部分出现在S1 和S2 之间，具有不同的杂音模式[7]。在心音分类中，S1、S2 以及S1 和S2 之间的特征提取起着重要的作用， 因为这些区域提供不同的信息。然而，对于某些类型的心脏病，如主动脉瓣狭窄(AS)、二尖瓣狭窄(MS)和主动脉瓣反流(AR)，心音不能被分割而提取特征。因此，为了获得更有效的心音特征，需要根据能否分割心音来定义其自适应特征。

现有的心音分割研究分为两个分支。

其中一个分支旨在将每个心动周期划分为四个基本阶段的序列， 如图1 所示，来自研究[8] [9]：S1→收缩期→S2→舒张期，这些基本阶段很容易将正常心音划分。然而， 由于现实环境中异常心音和背景噪声(包括真实环境中的杂音等人工噪声)的非平稳性， 心脏周期声音难以分割为四个阶段的序列。另一个分支使用两种不同的方法进行划分。1) 对可进一步分割的心音，周期不是分为四个阶段(S1→收缩→S2→舒张)而是将其表达为两个心音阶段的一个序列，如图3(C)所示。2) 相反而言， 如图3(A)所示， 通过STMHT 算法将给定的心音分割成完整的周期心音(表示为, 1,2, , iCS iN=)， 该方法对6 种心脏病(总音长5640 s)、正常情况(总音长600 s)和密歇根大学心音库(总音长1444 s)的平均准确率达到97.4% [10]，并成功地应用于心音的自动分割以提取特征诊断心脏病，如室间隔缺损(VSD) [11]和几种心脏病[10]。此外，研究[10]指出，频域特征比时域特征更能有效区分正常声音和异常声音。

由于二次频率成分的存在，某些心脏病的诊断准确率远低于正常心音的诊断准确率。此外，由于二次频