论文部分内容阅读
慢性心力衰竭(chronic heart failure,CHF,简称心衰)是各种心血管疾病的终末状态,其病因复杂,患病率、病死率高,已成为重大公共卫生问题。早期诊断、治疗能有效延缓其进展,而目前临床上的心衰诊断方法由于不便推广且普遍存在诊断滞后的问题,导致心衰确诊率低。心音信号作为人体生理信号之一,含有关于心脏各部分及大血管功能状态的大量生理及病理信息,对心音信号进行分析已成为心脏疾病临床辅助诊断的一项重要手段。但目前心音信号在心衰疾病上的研究不够深入,缺乏有效的诊断指标,限制了心音信号分析在心衰辅助诊断上的应用。为了挖掘更多对心衰具有特异性的诊断指标,本课题在深入研究心音与心衰关系的基础上,分别从时域、能量、复杂度三个角度提取心音信号特征,并对其进行统计学分析筛选特征参数,并通过心音分类识别实现了心衰辅助诊断。论文首先阐述了心音产生的生理机制及其基本特征,为心音信号预处理和特征提取奠定理论基础。由于本研究对心音预处理的要求较高,本文提出一种改进的心音去噪算法,结合互补总体经验模式分解(complementary ensemble empirical mode decomposition,CEEMD)与小波包变换(wavelet packet transform,WPT)对心音进行去噪,与另外三种去噪算法的结果做对比,并使用信噪比(signal-noise ratio,SNR)和均方根误差(root mean square error,RMSE)量化评价不同信噪比条件下本文去噪算法的优越性。对去噪后的心音信号,采用希尔伯特黄变换(hilbert huang transform,HHT)联合香农能量(shannon energy,SE)提取特征包络,进而实现心音信号的阈值分段。对预处理后的心音信号,从三个方面进行特征提取:第一,提取时域特征心脏储备(cardiac resreve,CR)指标:第一心音与第二心音幅值之比(the amplitude ratio of the first to second heart sound,S1/S2)、舒张期与收缩期时限之比(the ratio of diastolic to systolic duration,D/S),统计分析结果表明该指标能够揭示心衰患者在心脏储备能力、心肌收缩力、外周阻力、心室血液灌注时间上与健康人群的显著差异。第二,提取心音信号小波包分解子频带能量分数EF1~EF8来刻画心音能量的频域分布特征,分析结果表明心衰心音能量较正常心音存在向高频迁移的趋势,能够反映心衰心音中主要组成成分的变化,其中EF1~EF4、EF7、EF8六项指标可用来描述两类心音之间的差异性。另外,在杂音分离的基础上,提取心音能量效率指标:第一心音能量分数(S1_EF)、杂音能量分数(HM_EF),结果显示心衰心音在S1_EF上存在显著差异,反映心衰心脏存在能量利用障碍,导致心脏能量效率较低。第三,提取心音时间序列复杂度特征样本熵(SampEn),结果显示心衰心音序列熵值更高,而分布范围较小,反映了心衰患者心音表现更不规则,以及心脏自适应调节能力较差。本文选取二分类支持向量机(support vector machine,SVM)作为分类器,首先采用主成分分析法(principal component analysis,PCA)对初步得到10个特征值S1/S2、D/S、EF1~EF4、EF7、EF8、S1_EF、SampEn进行降维,将其作为分类器的输入,并优化分类器参数,对120例正常心音及108例心衰心音进行训练识别。实验结果显示选择核函数为高斯径向基、SVM参数对(δ,C)为(2,2)、特征参数贡献率为88.2%时,获得95.59%的最高识别率。与传统BP神经网络分类器的对比结果说明,本文提出的心衰心音分类方法在效果和速度上均具有优势,为心衰的临床辅助诊断提供了一种经济、便捷的方法。